The Disposition of Audit‐Detected Misstatements: An Examination of Risk and Reward Factors and Aggregation Effects*
Notice bibliographique
Résumé
Abstract While professional standards indicate that auditors have the responsibility to both detect and report material errors, empirical evidence shows that auditors waive approximately 50 percent of material errors (Wright and Wright 1997). Unlike prior research that has examined factors that may affect auditors' decisions to waive single material misstatements, the current study examines auditors' propensity to waive proposed adjusting journal entries (henceforth PAJEs) that exceed materiality, either individually or in aggregate, under several different aggregation contexts. These contexts are represented in the form of different cases that vary in terms of the materiality and income direction of the individual and aggregate PAJEs. The current paper posits that auditors will be more likely to waive PAJEs in excess of materiality (i.e., make a “non‐GAAS” decision) when there is potential reward for doing so or when there is little litigation risk from doing so. The case decisions of 155 audit partners and managers indicate that they are not affected by potential reward (Client's Relative Fees), but are affected by potential risk (the Client's Financial Health, the PAJE's Subjectivity, and the PAJEs' Aggregate Directional Effect on Income). However, these factors are not equally influential across all aggregation contexts. Additionally, auditors are more likely to make non‐GAAS decisions when they are evaluating immaterial PAJEs that aggregate to a material level than when they are evaluating a single material PAJE.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».