An Analysis of Cross-Sectional Differences in Big and Non-Big Public Accounting Firms' Audit Programs
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A significant body of prior research has shown that audits by the Big 5 (now Big 4) public accounting firms are quality differentiated relative to non-Big 5 audits. This result can be derived analytically by assuming that Big 5 and non-Big 5 firms face different loss functions for “audit failures” and is consistent with a variety of empirical evidence from studies of audit fees, auditor changes, and the stock price reaction to audited earnings. However, there is no existing evidence (of which we are aware) concerning the underlying production differences between Big 5 and non-Big 5 audits. As a result, existing empirical evidence cannot distinguish between the possibility that Big 5 audits are simply perceived to be different (e.g., by investors) or actually differ in how they are produced. Our research objective is to identify the production characteristics of audit engagements that may explain the differences in expected audit quality between Big 5 and non-Big 5 firms. In this archival study, we examine the total audit effort and the allocation of effort to four audit phases—planning, (control) risk assessment, substantive testing, and completion—for a cross-section sample of 113 audits of Dutch companies in 1998/99 by 14 public accounting firms. We find that, after controlling for client characteristics: (1) both types of auditors exert about the same amount of total audit effort; (2) Big 5 auditors allocate relatively more effort to planning and (control) risk assessment, and relatively less to substantive testing and completion; and (3) client size, use of the business-risk-based audit approach, and reliance on client internal controls affect audit hours differently for the two auditor types. We conclude that the Big 5 firms actually produce a higher audit quality level, and that this quality difference is related to how audit hours are deployed in a more contextual and less procedural audit approach.
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.
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 | 0,007 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,005 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle