MétaCan
Menu
Retour à la cohorte
Enregistrement W3121333169

Litigation Risk and the Financial Reporting Credibility of Big Four vs. Non-Big Four Audits: Evidence from Anglo-American Countries

2010· article· en· W3121333169 sur OpenAlexaboutno aff
Inder K. Khurana, K. K. Raman

Notice bibliographique

RevueSSRN Electronic Journal · 2010
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAuditing, Earnings Management, Governance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésReputationAuditCredibilityBusinessAccountingLitigation risk analysisQuality auditEquity (law)Proxy (statistics)Big FourFinanceActuarial sciencePolitical science
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Prior research suggests that Big Four auditors provide higher quality audits in the US in order to protect the firm's brand name reputation and to avoid costly litigation. In this study, we examine whether the perceived higher quality of a Big Four audit is related to auditor litigation exposure or to reputation concerns. Specifically, we utilize an estimable proxy for financial reporting credibility - the ex ante cost of equity capital - to examine whether Big Four auditors are perceived as providing higher quality audits (relative to non-Big Four auditors) in the US, and in the less litigious (but economically similar) environments in other Anglo-American countries during the 1990-99 period. We find that a Big Four audit is associated with a lower ex ante cost of equity capital for auditees in the US but not in Australia, Canada, or the UK. Our findings suggest that it is litigation exposure rather than brand name reputation protection that drives perceived audit quality.

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)0,009
score de la tête « metaresearch » (Gemma)0,053
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
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 enseignants0,324
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0090,053
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,011
Tête enseignante GPT0,220
Écart entre enseignants0,209 · 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

Citations61
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSSRN Electronic JournalMême sujetAuditing, Earnings Management, GovernanceTravaux en français237 207