MétaCan
Menu
Retour à la cohorte
Enregistrement W2808495475 · doi:10.2308/accr-52523

Auditor Reputation Concerns, Legal Liability, and Standards

2019· article· en· W2808495475 sur OpenAlexaff
Naomi Rothenberg

Notice bibliographique

RevueThe Accounting Review · 2019
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAuditing, Earnings Management, Governance
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésReputationBusinessAuditLiabilityDamagesLegal liabilityAccountingIncentiveStrict liabilityEarningsActuarial scienceEconomicsLawPolitical science

Résumé

récupéré en direct d'OpenAlex

ABSTRACT This paper studies how legal liability due to negligence can weaken or strengthen an auditor's reputation concerns in the client market to provide high audit effort. A negligence liability rule relies on auditing standards to provide a threshold for the level of due care. When the negligence standard is lax, legal liability can weaken the auditor's reputation incentives, with lower audit effort than without legal liability. If the damage payment is low, noncompliance is less costly, because with compliance, reputational concerns cause the auditor to provide higher costly audit effort than the standard. In this case, investors also prefer noncompliance, and earnings quality is lower than if there were no legal liability damages. When the standard is stringent, noncompliance is less costly for the auditor, and legal liability strengthens reputation incentives. Investors may also prefer noncompliance, and earnings quality is higher than if there were no legal liability damages. JEL Classifications: M41; M42; D82; M48.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,012
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,723
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,012
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,002
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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 Opus0,009
Tête enseignante GPT0,253
Écart entre enseignants0,244 · 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 tête enseignante, pas un consensus.

Devis d'étudeSans objet
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

Citations31
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Accounting ReviewMême sujetAuditing, Earnings Management, GovernanceTravaux en français237 207