MétaCan
Menu
Retour à la cohorte
Enregistrement W4214629357 · doi:10.1177/0148558x221079011

The Estimated Propensity to Issue Going Concern Audit Reports and Audit Quality

2022· article· en· W4214629357 sur OpenAlexafffund
Ling Chu, Hila Fogel‐Yaari, Ping Zhang

Notice bibliographique

RevueJournal of Accounting Auditing & Finance · 2022
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAuditing, Earnings Management, Governance
Établissements canadiensUniversity of TorontoWilfrid Laurier University
Organismes subventionnairesSocial Sciences and Humanities Research Council of Canada
Mots-clésAuditProxy (statistics)AccountingQuality auditBusinessAudit evidenceQuality (philosophy)Actuarial scienceJoint auditPropensity score matchingInternal auditStatistics

Résumé

récupéré en direct d'OpenAlex

Auditors’ propensity to issue Going Concern Audit Reports (GCARs) is one of the proxies often used for audit quality. Although this propensity is a distinguishing characteristic of auditors, it does not indicate quality according to both theory and practice. In theory, higher quality auditors make fewer audit errors; they are more likely to issue GCARs to clients that deserve them and less likely to issue GCARs to clients that do not. Therefore, the propensity itself does not indicate quality. In practice, Public Company Accounting Oversight Board (PCAOB) inspection reports reveal that the GCAR is rarely mentioned as a deficiency, and in the few cases in which it is discussed, the deficiency is attributed to evidence gathering and estimations, rather than to the GCAR decision itself. The theory and practice motivate our study. This article investigates the empirical ability of the GCAR propensity to proxy for audit quality and finds that different samples and different models yield different determinations of auditor quality. Our findings caution against the use of the propensity to issue GCARs as a proxy for 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)0,007
score de la tête « metaresearch » (Gemma)0,025
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict), Études des sciences et des technologies, Communication savante
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 enseignants0,574
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0070,025
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0030,000
Communication savante0,0010,002
Science ouverte0,0010,002
Intégrité de la recherche0,0000,001
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 Opus0,023
Tête enseignante GPT0,262
Écart entre enseignants0,239 · 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

Citations11
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Accounting Auditing & FinanceMême sujetAuditing, Earnings Management, GovernanceTravaux en français237 207