MétaCan
Menu
Retour à la cohorte
Enregistrement W2907370507 · doi:10.1111/1911-3846.12667

Gender Discrimination? Evidence from the Belgian Public Accounting Profession*

2020· article· en· W2907370507 sur OpenAlexvenueno aff
Kris Hardies, Clive S. Lennox, Bing Li

Notice bibliographique

RevueContemporary Accounting Research · 2020
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAuditing, Earnings Management, Governance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAuditDemographic economicsCompensation (psychology)ProductivityTest (biology)PsychologyGender discriminationSocial psychologyDemographyBusinessAccountingEconomicsSociologyEconomic growth

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Prior research finds that women receive lower salaries than men. Similarly, we show that female audit partners in Belgium receive significantly lower compensation than male partners. However, there are alternative explanations for the pay gap other than gender discrimination. For example, the gap in compensation could reflect that men are paid more because they have higher levels of productivity. We provide new predictions and tests of gender discrimination by comparing the fees generated by audit partners (a measure of partner productivity) and the types of clients assigned to partners. Consistent with our prediction of female partners having to meet higher performance thresholds than male partners, we show that female partners generate larger fee premiums, but they are less likely to be assigned to prestigious clients. To test whether these patterns are attributable to gender discrimination, we examine whether the results are stronger in male‐dominated offices, because this is where we would expect to find the most discrimination against women. We find the fee premiums generated by female partners are larger in male‐dominated offices, while the negative association between prestigious clients and female partners is stronger in male‐dominated offices. Collectively, our combined predictions and tests are consistent with female partners facing gender discrimination in audit offices that are dominated by male partners.

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)0,006
score de la tête « metaresearch » (Gemma)0,071
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict), Études des sciences et des technologies, Communication savante, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,430
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0060,071
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,003
Études des sciences et des technologies0,0030,000
Communication savante0,0040,009
Science ouverte0,0030,004
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0010,002

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 Opus0,163
Tête enseignante GPT0,340
Écart entre enseignants0,178 · 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'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

Citations67
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

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