MétaCan
Menu
Retour à la cohorte
Enregistrement W3123244669 · doi:10.1111/1911-3846.12122

Growing Pains: Audit Quality and Office Growth

2015· article· en· W3123244669 sur OpenAlexvenueno aff
Kenneth L. Bills, Quinn Thomas Swanquist, Robert Lowell Whited

Notice bibliographique

RevueContemporary Accounting Research · 2015
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAuditing, Earnings Management, Governance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAuditAccrualWorkloadQuality auditBusinessAccountingQuality (philosophy)Work (physics)EconomicsEarningsEngineeringManagement

Résumé

récupéré en direct d'OpenAlex

Abstract This study provides evidence on how local office growth affects audit quality. We predict that significant recent growth will temporarily stress office resources, leading to a negative relation between office‐level growth and audit quality. To test this prediction, we examine a sample of 17,062 firm‐year observations from 2005 to 2010. Results indicate a consistent negative relation between changes in volume of audit work and audit quality. Specifically, clients of offices that experience increases in workload over the prior year have greater absolute discretionary accruals as well as an increased likelihood of restatement. Our tests also indicate that the effect of office growth is transient and vanishes after one year. We find limited evidence that the size of the auditor's national network of offices partially mitigates the negative effects of office growth on audit quality. We further show that proxies for audit quality are negatively related to office‐level growth from new and existing clients. These findings are robust to controls for client and auditor characteristics as well as alternative specifications of growth. Taken together, evidence indicates that while larger offices provide higher audit quality, the benefits of office size are not realized immediately and rapid growth temporarily impairs audit quality. These results are informative to regulators concerned with audit quality and to practitioners charged with adjusting to office growth.

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)0,014
score de la tête « metaresearch » (Gemma)0,058
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict), Communication savante, 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 enseignants0,633
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0140,058
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,000
Communication savante0,0020,006
Science ouverte0,0010,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,001

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 Opus0,107
Tête enseignante GPT0,332
Écart entre enseignants0,226 · 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

Citations142
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

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