RT Journal Article
T1 Predicting Audit Opinion in Consolidated Financial Statements with Artificial Neural Networks.
A1 Sánchez-Serrano, José Ramón
A1 Alaminos, David
A1 García-Lagos, Francisco
A1 Callejón-Gil, Ángela
K1 Redes neuronales (Informática)
K1 Auditoría
K1 Estados financieros
AB Los modelos para predecir la opinión de auditoría analizan las variables que afectan la probabilidad de obtener una opinión calificada. Esto ayuda a los auditores a planificar procedimientos de revisión y controlar su desempeño. A pesar de su aparente relevancia, los modelos existentes solo se han centrado en el contexto de los estados financieros individuales y ninguno se ha referido a los estados financieros consolidados. La información consolidada es esencial para los procesos de toma de decisiones y para comprender la verdadera situación financiera de una empresa. Nuestro objetivo es proporcionar un nuevo modelo de predicción de opinión de auditoría para estados financieros consolidados. Con este fin, se eligió una muestra de un grupo de empresas españolas y se utilizó una técnica de red neuronal artificial, el perceptrón multicapa. Los resultados muestran que el método desarrollado logró predecir la opinión de auditoría con una precisión superior al 86%. Además, existen diferencias importantes en cuanto a las variables más significativas en la predicción de la opinión de auditoría para cuentas individuales, ya que, al utilizar estados financieros consolidados, las variables relacionadas con la industria, el tamaño del grupo, el auditor y los miembros de la junta se convirtieron en los principales parámetros explicativos de la predicción
PB MDPI
YR 2020
FD 2020-08-05
LK https://hdl.handle.net/10630/29882
UL https://hdl.handle.net/10630/29882
LA eng
NO Sánchez-Serrano, J.R.; Alaminos, D.; García-Lagos, F.; Callejón-Gil, A.M. Predicting Audit Opinion in Consolidated Financial Statements with Artificial Neural Networks. Mathematics 2020, 8, 1288.
NO This research was funded by Universidad de MálagaPartial funding for open access charge: Universidad de Málaga / CBUA
DS RIUMA. Repositorio Institucional de la Universidad de Málaga
RD 20 ene 2026