بررسی سودمندی روش‌های مختلف انتخاب متغیرهای پیش‌بین در پیش‌بینی نوع اظهارنظر حسابرسان

ابریشمی، حمید. (1387)، مبانی اقتصادسنجی، جلد دوم، چاپ پنجم، تهران: انتشارات دانشگاه تهران.

احمدپور، احمد؛ طاهرآبادی، علی­اصغر؛ و شعیب عباسی. (1389). تأثیر متغیرهای مالی و غیرمالی بر صدور اظهارنظر مشروط حسابرسی (شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران)، فصلنامه بورس اوراق بهادار تهران، (9): 97-114.

امیر اصلانی، حامی (1384). نقش اقتصادی حسابرسی در بازارهای آزاد و بازارهای تحت نظارت. تهران: مدیریت تدوین استانداردها- سازمان حسابرسی.

باقرپور ولاشانی، محمد علی؛ ساعی، محمد جواد؛ مشکانی، علی و مصطفی باقری. (1392). پیش‌بینی گزارش حسابرس مستقل در ایران: رویکرد داده‌کاوی، فصلنامه تحقیقات حسابداری و حسابرسی، 5 (19): 134-150.

بنی‌مهد، بهمن و سعید علی احمدی. (1392). بررسی تحلیلی سودمندی گزارش های حسابرسی در بازار سرمایه، دانش حسابداری و حسابرسی مدیریت، 2 (6): 13-29.

پورحیدری، امید و زینب اعظمی. (1389). شناسایی نوع اظهارنظر حسابرسان با استفاده از شبکه­های عصبی، مجله دانش حسابداری، (3): 77-97.

حساس یگانه، یحیی و سارا یعقوبی منش. (1382). تأثیر گزارش­های حسابرسی بر قیمت سهام، مطالعات حسابداری، (3): 58-27.

حساس یگانه، یحیی؛ تقوی فرد، محمدتقی و فرشاد محمدپور. (1393). استفاده از شبکه‌های عصبی احتمالی برای شناسایی نوع اظهارنظر حسابرس، حسابرسی: نظریه و عمل، 1 (1): ۱۳۱-۱۵۹.

راعی، رضا و فلاح­پور، سعید. (1387). کاربرد ماشین بردار پشتیبان در پیش­بینی درماندگی مالی شرکت‌ها با استفاده از نسبت­های مالی، بررسی­هایحسابداریوحسابرسی، 15 (53): 17-34.

ستایش، محمدحسین و مصطفی کاظم‌نژاد. (1394). بررسی سودمندی روش غیرخطی رگرسیون بردارهای پشتیبان و روش‌های کاهش متغیرهای پیش‌بین در پیش‌بینی بازده سهام. فصلنامه حسابداری مالی. 7 (28): 1-33.

ستایش، محمدحسین و مظفر جمالیان­پور. (1388). بررسی رابطه نسبتهای مالی و متغیرهای غیرمالی با اظهارنظر حسابرس، تحقیقات حسابداری، 2: 157-130.

ستایش، محمدحسین؛ ابراهیمی، فهیمه؛ سیف، سیدمجتبی؛ و مهدی ساریخانی. (1392). پیش‌بینی نوع اظهارنظر حسابرسان با رویکردی بر روش‌های داده‌کاوی، حسابداری مدیریت، 5 (4): 69-82.

ستایش، محمدحسین؛ فتاحی نافچی، حسن؛ عباسپور، سمیره؛ و میثم روستایی. (1393). ارائه رویکردی نوین بر صدور گزارش حسابرسی با استفاده از داده‌کاوی (مطالعه موردی: شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران)، دانش حسابرسی. ۱۴ (۵۷): ۵-۲۶.

سجادی، حسین؛ فرازمند، حسن؛ دستگیر، محسن؛ و دلشاد دهقان­فر (1387). عوامل موثر بر گزارش مشروط حسابرسی، فصلنامه مطالعات حسابداری، (18): 145-123.

سرایی، حسن. (1388)، رگرسیون چندمتغیری در پژوهش رفتاری، چاپ سوم، تهران: انتشارات سمت.

شباهنگ، رضا و خاتمی، محمد علی. (1378). تأثیر شروط حسابرسی بر قیمت سهام و بر تحلیل صورت‌های مالی سالانه توسط کارگزاران بورساوراق بهادار تهران، اقتصاد و مدیریت، (25): 50-40.

شورورزی، محمد رضا؛ زنده­دل، احمد؛ و مهدی اسماعیل­زاده باغ سیاهی. (1390). مقایسه­ی اظهارنظر حسابرسان مستقل و متغیرهای مالی در پیشبینی ورشکستگی، بررسی‌های حسابداری و حسابرسی، (65): 78-63.

صالحی، مهدی؛ موسوی‌شیری، محمود؛ نکوئی، صادق و شریفه کمال‌احمدی. (1394). پیش‌بینی انتخاب حسابرس مستقل در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از روش‌های داده‌کاوی الگوریتم‌های هیوریستیک، دانش حسابداری و حسابرسی مدیریت، 4 (14): 63-74.

کاظم‌نژاد، مصطفی. (1394). بررسی سودمندی روش‌های انتخاب متغیرهای پیش‌بین بهینه و روش‌های غیرخطی در پیش‌بینی بازده سهام شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران، رساله دکتری، دانشگاه شیراز.

کلانتری، خلیل. (1385). پردازش و تحلیل داده­ها در تحقیقات اجتماعی- اقتصادی، چاپ دوم، تهران: انتشارات شریف.

کمیته تدوین استانداردهای حسابرسی. (1393). استانداردهای حسابرسی، چاپ چهاردهم، انتشارات سازمان حسابرسی.

مرادی، مهدی و عباس فخرآبادی. (1388). بررسی تأثیر عوامل فرهنگی بر ارزیابی حسابرسان از کنترل داخلی و تعیین ریسک کنترل، حسابداری مالی، (1 و2): 102-89.

نوروش، ایرج؛ مهرانی، ساسان؛ کرمی، غلامرضا؛ و محمد مرادی. (1389). مروری جامع بر حسابداری مالی. چاپ هفتم، تهران: انتشارات نگاه دانش.

نیکخواه آزاد، علی. (1379). بیانیه مفاهیم بنیادی حسابرسی، کمیته تدوین رهنمودهای حسابرسی، سازمان حسابرسی، چاپ دوم: تهران.

Alfaro, E. , García, N. , Gámez, M. , and D. ; Elizondo. (2008). Bankruptcy Forecasting: An Empirical Comparison of AdaBoost and Neural Networks, Decision Support Systems, 45: 110-122.

Ashbaugh, H. and T. D. Warfield (2003). Audits as a corporate governance mechanism: Evidence from the German market, Journal of International Accounting Research, 2: 1-21.

Atiya, A. F. (2001). Bankruptcy Prediction for Credit Risk Using Neural Networks: A Survey and New Results, IEEE Transactions on Neural Networks, 12 (4): 929-935.

Chen, C. P. and R. Zhao (2000). An emerging market’s reaction to initial modified audit opinions: Evidence for the shanghai stock exchange, Contemporary Accounting Research, 17 (3): 429-55.

DeAngelo, L. (1981). Auditor Size and Auditor Quality, Journal of Accounting and Economics, 1: 113–27.

Doumpos, M. ; Gaganis, C. ; and F. Pasiouras (2005). Explaining qualifications in audit reports using a support vector machine methodology, Intelligent Systems in Accounting, Finance and Management, 13 (4): 197–215.

Firth, M. (1980). A note on the impact of audit qualifications on lending and credit decision, Journal of Banking & Finance, 4 (3): 257-267.

Gaganis Ch. ; Pasiouras F. ; and M. , Doumpos (2007). Probabilistic Neural Networks for the Identification of Qualified Audit Opinions, Expert Systems with Applications, 32 (1): 114-124.

Gaganis, C. , F. Pasiouras, C. Spathis, and C. Zopounidis (2007). A Comparison of Nearest Neighbors, Discriminant and Logit Models for Auditing Decisions, Intelligent Systems in Accounting, Finance and Management, 15 (1-2): 23-40.

Ghosh, S. (2007). External Auditing, Managerial Monitoring and Firm Valuation: An Empirical Analysis for India, International Journal of Auditing, 11 (1): 1-15.

Hall, M. A. (2000). Correlation-based Feature Selection for Discrete and Numeric Class Machine Learning, In Proceedings of the Seventeenth International Conference on Machine Learning (June 29 - July 02) , pp. 359-366.

Hu, Y. C. (2010). Analytic Network Process for Pattern Classification Problems Using Genetic Algorithms, Journal of Information Sciences, 180: 2528–2539.

Jardin, P. (2010). Predicting Bankruptcy Using Neural Networks and Other Classification Methods: The Influence of Variable Selection Techniques on Model Accuracy, Journal of Neurocomputing, 73: 2047–2060.

Keasey K, Watson R. ; and P. Wynarzcyk (1988). The small company audit qualification: a preliminary investigation, Accounting and Business Research, 18: 323–333.

Kirkos, E. ; Spathis, C. ; Nanopoulos, A. ; and Y. Manolopoulos (2007). Identifying Qualified Auditors opinion: A Data Mining Approach, Journal of Emerging technologies in Accounting, 4: 183-197.

Kohavi, R. (1995). A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection, IJCAI'95 Proceedings of the 14th international joint conference on Artificial intelligence, pp. 1137-1143.

Lee, M-C. And C. To (2010). Comparison of Support Vector Machine and Back Propagation Neural Network in Evaluating the Enterprise Financial Distress, International Journal of Artificial Intelligence & Applications, 1 (3): 31-43.

Liang, D. , Tsai, C. H. , and H. T. Wu (2015). The effect of feature selection on financial distress prediction, Knowledge-Based Systems, 73: 289–297.

Lindenbaum, M. , Markovitch, S. , and Rusakov, D. (2004). Selective Sampling for Nearest Neighbor Classifiers, Journal of Machine Learning, 2: 125-152.

Lo, S. C. (2010). The Effects of Feature Selection and Model Selection on the Correctness of Classification, Proceedings of the 2010 IEEE IEEM, pp. 989-993.

Min, J. H. , and Lee, Y. (2005). Bankruptcy Prediction Using Support Vector Machine with Optimal Choice of Kernel Function Parameters, Expert Systems with Applications, 28: 603- 614.

Setayesh, M. H. ; Kazemnezhad, M. ; Nikouei, M. A. ; and S. Azadi (2012). The Effectiveness of Fuzzy-Rough Set Feature Selection in the Prediction of Financial Distress: A Case of Iranian Context, Wulfenia Journal, 19 (10): 268-287. (In Persian)

Tsai, C. (2009). Feature Selection in Bankruptcy Prediction, Knowledge-Based Systems, 22 (2): 120–127.

Wang, G. Ma, J. and Yang, S. (2014). An improved boosting based on feature selection for corporate bankruptcy prediction, Expert Systems with Applications, 41 (5): 2353-2361