PENGARUH INEFFECTIVE MONITORING, FINANCIAL STABILITY, DAN CORPORATE GOVERNANCE, TERHADAP FINANCIAL STATEMENT FRAUD
Notice bibliographique
Résumé
Penelitian ini memiliki maksud dalam memberikan pembuktian terhadap pengaruh apa yang diberikan Ineffective Monitoring (X1), Financial Stability (X2), dan Corporate Governance (X3), terhadap Financial Statement Fraud pada perusahaan Sektor Industri Barang Konsumsi yang terdaftar di Bursa Efek Indonesia tahun 2018-2021. Beneish M-Score Model dilakukan penggunaannya dalam pengukuran kecurangan laporan keuangan. Menggunakan data sekunder dalam memperoleh data melalui laporan keuangan yang telah diaudit yang pemerolehannya pada website BEI yaitu www.idx.co.id. Penelitian ini menerapkan purposive sampling dalam pengumpulan sampel data yang berjumlah 132 perusahaan, dan menggunakan analisis regresi logistik dalam menguji hubungan variabel-variabel penelitian. Berdasarkan pengujian yang telah dilakukan, ditemukan bahwa Financial Statement Fraud tidak dipengaruhi signifikan oleh Ineffective Monitoring, Financial Statement Fraud dapat dipengaruhi signifikan oleh Financial Stability, Financial Statement Fraud dapat dipengaruhi signifikan oleh Corporate Governance. Secara simultan variabel bebas memiliki pengaruh berupa signifikan pada Financial Statement Fraud.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».