MétaCan
Menu
← Retour à la cohorte
Enregistrement W3125925937

Audit Quality in ASEAN

2005· article· en· W3125925937 sur OpenAlexaff
Michael Favere‐Marchesi

Notice bibliographique

RevueSSRN Electronic Journal · 2005
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAuditing, Earnings Management, Governance
Établissements canadiensSimon Fraser University
Organismes subventionnairesnon disponible
Mots-clésAuditBusinessAccountingJoint auditStatutory lawQuality auditAuditor independenceAudit planLiabilityInternal auditPolitical scienceLaw
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

This study explores audit quality in ASEAN from an analysis of the legal environment faced by statutory auditors. First, it provides an overview of the national laws, regulations, professional codes and standards defining the legal environment. Second, it provides an economic analysis of the main differences among countries and relates those differences to the functioning of the audit markets, with a potential for uneven audit quality in the region. Data were collected with questionnaires from national representatives of four Big Five firms, and accuracy of the information was reviewed by 15 governmental and professional bodies responsible for regulating the auditing profession in ASEAN. Analysis of the data revealed a diverse legal environment among the ASEAN countries possibly creating a climate of differential audit quality. Many differences were observed in the competence requirements of auditors, the requirements regarding the conduct of statutory audits, and the reporting obligations. Further, audit quality in some countries is seriously compromised due to a lack of rules ensuring auditors' independence. Finally, some of the liability regimes in ASEAN do not provide an incentive for statutory auditors to provide quality audit services. Several recommendations are made to improve the legal environment by bringing the national laws and regulations in line with international standards of auditing which would result in a more uniform audit quality throughout ASEAN.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,014
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,040
Score d'incertitude au seuil0,080

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,014
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,006
Études des sciences et des technologies0,0020,001
Communication savante0,0030,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,009
Tête enseignante GPT0,238
Écart entre enseignants0,230 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations2
Publié2005
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSSRN Electronic Journal→Même sujetAuditing, Earnings Management, Governance→Travaux en français237 207→