MétaCan
Menu
Retour à la cohorte
Enregistrement W3133437041 · doi:10.5267/j.ac.2021.1.012

Does industry expertise at engagement partner and audit firm level matter in emerging market? Evidence from Indonesia

2021· article· en· W3133437041 sur OpenAlexvenueno aff
Antonius Herusetya, Meiliana Jaunanda

Notice bibliographique

RevueAccounting · 2021
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCorporate Governance and Financial Management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAuditBusinessAccountingQuality auditEarnings managementAccrualJoint auditEarnings qualityStock exchangeEarningsInternal auditFinance

Résumé

récupéré en direct d'OpenAlex

This study investigates the association of industry specialization at the engagement partner level and audit firm level with aggressive earnings management and modified audit opinion. The study employs a sample of 570 firm-year observations of manufacturing industries on the Indonesia Stock Exchange from 2014 to 2018 using a binary logistic regression model. First, this study finds no evidence of a relationship between industry specialization at the engagement partner level and audit firm level with aggressive discretionary accruals. Furthermore, the author finds evidence of a positive association between industry specialization at the audit firm level and aggressive real earnings management due to high audit quality. Finally, the study finds evidence that industry specialization at audit firm level is likely to issue modified audit opinion. This study contributes to the study of industry specialization at the engagement partner level and audit firm level, which is rarely performed in Indonesia. Policy makers and capital market players might learn some lessons from the audit quality of external auditors with industry specialists as the gatekeeper of the capital market. Moreover, this study has provided a valuable perspective to practitioners, researchers, and policy makers in other emerging markets regarding the quality of industry specialization at the partner and audit firm level.

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)0,001
score de la tête « metaresearch » (Gemma)0,004
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 enseignants0,017
Score d'incertitude au seuil0,033

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,041
Tête enseignante GPT0,244
Écart entre enseignants0,203 · 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

Citations3
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAccountingMême sujetCorporate Governance and Financial ManagementTravaux en français237 207