Does Auditor Industry Specialization Improve Audit Quality? Evidence from Comparable Clients
Notice bibliographique
Résumé
ABSTRACT: The objective of this study is to examine the relation between auditor industry specialization and audit quality using an alternative research design to mitigate the influence of client characteristics. After matching clients of specialist and non-specialist auditors according to industry, size and performance, I find no significant differences in audit quality between these two groups of auditors. My findings are robust to using alternative matching approaches, to using various proxies for auditor industry specialization and audit quality, and to controlling for the effect of imperfectly matched characteristics. In addition, I perform two analyses that do not rely primarily on matched samples. First, in examining a sample of Arthur Andersen clients that switched auditors in 2002, I find no evidence of industry-specialization effects following the auditor change. Second, I observe that the industry-specialization effects are simulated by randomly assigning clients to auditors. Overall, these findings do not imply that industry knowledge is not important for auditors, but that the extant methodology may not fully parse out the effects of auditor industry expertise from client characteristics. * This paper is based on the first chapter of my dissertation at the University of Toronto, Rotman School of Management. I gratefully acknowledge the guidance provided by my co-chairs Gordon Richardson and Ping Zhang, as well as the other members of my dissertation committee, Jeffrey Callen and Gus De Franco. I thank Yiwei Dou,
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».