MétaCan
Menu
Retour à la cohorte
Enregistrement W940055523

Determinants of Undetected Unintentional Errors in Audited Financial Statements

2014· article· en· W940055523 sur OpenAlexaff
B. Louise Hayes

Notice bibliographique

RevueUWSpace (University of Waterloo) · 2014
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAuditing, Earnings Management, Governance
Établissements canadiensUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clésAuditAccountingProxy (statistics)BusinessActuarial scienceQuality (philosophy)Audit committeeQuality auditFinanceComputer science
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

This dissertation investigates the associations between financial restatements and characteristics of the parties responsible for preventing and detecting unintentional errors, i.e., boards (through their audit committees), management (through chief financial officers (CFOs)), and auditors. To conduct this investigation, I developed a theoretical model of restatement determinants that is more complete than models used in previous archival research as it includes characteristics of all three parties and the moderating effects of chief financial officers’ financial expertise and influence on the disruptive effects of organizational change. To identify restatements that correct unintentional error, I conducted automated text searches of over 10,000 restatement disclosures for language asserting or implying lack of intent. This language-based proxy is automated, direct, transparent, easily replicable, scalable, and classifies as error-correcting a smaller proportion of restatements as error-correcting than other proxies. I validated this proxy by contrasting the characteristics of the unintentional error restatements against other restatements based on theory-derived expectations. I find that annual financial statements restated to correct unintentional error(s) for years with Sarbanes Oxley Act of 2002 (SOX) Section 404 auditor’s opinions exhibit less net income smoothing, less earnings persistence, and less positive accruals than such firm-years of other restatements. Finally, I tested the theoretical model using logistic regressions and data from financial statements, proxy statements, and auditor’s SOX 404 opinions of 346 companies (i.e., 121 companies that restate to correct unintentional error; 121 companies without restatement matched by year, industry, and company size; and 104 companies with other restatements that proxy for restatements of intentional misstatement). \n \nResults show that of the three parties responsible for financial reporting quality, the CFO plays the major role with respect to unintentional error: The likelihood of restatement to correct unintentional error is decreasing in CFO financial expertise and influence, but only when companies are undergoing organizational change. Results also show that CFOs’ (audit committees’) financial expertise is more strongly associated with restatements that correct unintentional error (intentional misstatement) than intentional misstatement (unintentional error). However, I find no evidence of significant associations between auditor quality and either restatements that correct unintentional error or intentional misstatement. \n \nThis research contributes to the emerging literature that examines variation in associations between type or severity of restatements and the influence of parties responsible for financial reporting quality. The new language-based proxy for restatements that correct unintentional error developed in this thesis will facilitate future research that uses type of restatement to proxy for constructs of interest.

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)0,012
score de la tête « metaresearch » (Gemma)0,178
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 enseignants0,012
Score d'incertitude au seuil0,061

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0120,178
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0030,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,010
Tête enseignante GPT0,202
Écart entre enseignants0,193 · 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

Citations1
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueUWSpace (University of Waterloo)Même sujetAuditing, Earnings Management, GovernanceTravaux en français237 207