MétaCan
Menu
Retour à la cohorte
Enregistrement W2115882638 · doi:10.1111/1911-3846.12071

Legal Regime and Financial Reporting Quality

2013· article· en· W2115882638 sur OpenAlexaffvenueabout
Andrei Filip, Réal Labelle, Stéphane Rousseau

Notice bibliographique

RevueContemporary Accounting Research · 2013
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAuditing, Earnings Management, Governance
Établissements canadiensUniversité de MontréalHEC Montréal
Organismes subventionnairesnon disponible
Mots-clésCommissionQuality (philosophy)AccountingAuditControl (management)BusinessLiabilityPublicationNeutralityPolitical scienceFinanceEconomicsLawManagement

Résumé

récupéré en direct d'OpenAlex

Abstract This article uses the Canadian environment, where French civil law (FCL) in the province of Quebec coexists with common law (CL) in the Rest of Canada (denoted as bijural), to test the thesis of the neutrality of the legal system with regard to financial reporting quality (FRQ). This single‐country design allows for a better control over other factors that influence FRQ. The FCL environment appears to encourage firms to publish accounting data of better quality due to the greater liability risk faced by auditors and corporate directors under that regime. These findings, based on 10 years of data and seven attributes of FRQ, are robust to different matching procedures and model specifications. This research contributes to the current debates in Canada as to whether financial market regulation under FCL and CL jurisdictions should be unified under a single CL national securities regulator. At the broader level, the results support claims that a more in‐depth understanding of the implementation of civil law and CL is needed rather than gross generalization about the two systems. These results especially call into question that CL regimes are unambiguously superior to civil law regimes in encouraging high‐quality financial reports.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,012
score de la tête « metaresearch » (Gemma)0,079
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,714
Score d'incertitude au seuil0,574

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0120,079
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,004
Études des sciences et des technologies0,0020,003
Communication savante0,0050,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,067
Tête enseignante GPT0,327
Écart entre enseignants0,260 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations42
Publié2013
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueContemporary Accounting ResearchMême sujetAuditing, Earnings Management, GovernanceTravaux en français237 207