The Investigation and Comparison of the Performance of Heuristic Methods in the Prediction of the Type of Auditor’s Opinion in Firms Accepted in Tehran Stock Exchange
Notice bibliographique
Résumé
<p>Stock companies play a key role in the economy of any country and the success of these companies depends to a great degree on investors and creditors’ interest who invest in them. Auditors’ reports assume a special position in the decisions taken by investors and creditors. Therefore, the importance of offering high quality information with a view on recent events in the firms (bankruptcy and dissolution, financial scandals, loses suffered by creditors, etc.) becomes clear; moreover, audit reports can prevent these events by creating certain signals. To this end, modern heuristic methods for the prediction of the type of auditor’s opinion are offered in this paper. The aim of this study is to investigate the ability of probabilistic neural network method and to compare it with artificial neural network in order to identify and predict the type of independent auditor’s opinion in Iran in the time period of 2009 to 2013. The patterns used to predict the type of independent auditor’s opinion can be divided into different categories-these categories are becoming more complex and more advanced: single-variable models, multi discriminant analysis, regression function, neural networks, etc. neural networks are getting increasing popularity among researchers for their non-linear and non-parametric properties. Therefore, modern approaches are used in this study to predict the type of auditor’s opinion.</p>
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 | 0,016 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».