Danieldomingo at 12:01, 31 July 2025

2025-07-31T12:01:12Z

Show changes

Danieldomingo: Danieldomingo moved page Review 901046703243 to Lloret et al 2024b

2025-03-02T18:35:39Z

Danieldomingo moved page Review 901046703243 to Lloret et al 2024b

Danieldomingo: Configuració títols i peus de foto

2024-12-31T07:09:05Z

Configuració títols i peus de foto

Pilarlo: Pilarlo moved page Review 100103191705 to Review 901046703243

2024-10-23T11:08:48Z

Pilarlo moved page Review 100103191705 to Review 901046703243

Pilarlo: Pilarlo moved page Draft lloret 632269324 to Review 100103191705

2024-10-23T11:08:43Z

Pilarlo moved page Draft lloret 632269324 to Review 100103191705

@@ Line 44: / Line 44: @@
 <span id='_Toc179653256'></span>
-==2.1. Introducció al Random Forest==
+====2.1. Introducció al Random Forest====
 Els avenços en intel·ligència artificial, Big Data i tecnologia han permès el desenvolupament de models de predicció més efectius per a la detecció de frau comptable (Bejjar et al., 2024).
@@ Line 66: / Line 66: @@
 <span id='_Toc179653257'></span>
-===2.2.2 Random Forest i maquillatge comptable===
+====2.2.2 Random Forest i maquillatge comptable====
 Autors com Liu et al. (2015), Patel et al. (2019) i An et al. (2020) destaquen l'efectivitat del Random Forest com una eina molt fiable per a la detecció de fraus comptables, sovint superant altres tècniques d'aprenentatge automàtic. La seva capacitat d'adaptació els fa especialment útils en un entorn dinàmic com el del frau financer, on els defraudadors canvien les seves estratègies per evitar ser detectats, superant així mètodes tradicionals (Bell et al., 2024; Shanmugasundar et al., 2021). A més, aquesta metodologia ofereix bons resultats fins i tot amb mostres reduïdes (Goodfellow et al., 2016).
@@ Line 95: / Line 95: @@
 :* '''Les variables qualitatives''' analitzen aspectes com el govern corporatiu, l’auditoria, els sistemes de control i d’incentius, i els perfils de les persones implicades, aportant context i motivacions dels fraus comptables. Aquestes variables s’obtenen de notícies relacionades amb senyals d’alerta de les 80 empreses de la mostra.
 :* '''Les variables quantitatives,''' derivades dels informes d’auditoria, inclouen indicadors com la liquiditat, l’endeutament i el flux de caixa. Per a les empreses amb maquillatge comptable, es van analitzar dades de l’any en què es va descobrir el frau i l’anterior; per a les no maquilladores, es van utilitzar dades del període  2011/2012, i sense indicis de frau des del 2012 fins al juny de 2024 ja que segons Dyck et al. (2010) i Bao et al. (2020), el descobriment del frau comptable sol trigar una mitjana de 24 mesos.
@@ Line 114: / Line 113: @@
 <span id='_Toc179653262'></span>
-====3.4. Construcció de la metodologia Random Forest i ajust del model ====
+===3.4. Construcció de la metodologia Random Forest i ajust del model ===
 <span id='_Toc179653263'></span>
-===3.4.1. Paràmetres utilitzats en el model Random Forest ===
+====3.4.1. Paràmetres utilitzats en el model Random Forest ====
 Aquest estudi s´utilitza la tècnica Random Forest per identificar les variables clau en la detecció de maquillatge comptable, classificades com a "SÍ" o "NO" segons hi hagi evidència de manipulació o maquillatge comptable.
@@ Line 124: / Line 123: @@
 <span id='_Toc179653264'></span>
-===3.4.2. Ajustament del model (Out-of-box error)===
+====3.4.2. Ajustament del model (Out-of-box error)====
 Per validar la capacitat predictiva del model Random Forest, s’utilitzen les observacions “ fora de la bossa” o  “Out-of-box” (OOB), no seleccionades durant el procés Bootstrap en cada arbre (Breiman, 2001; Hastie et al., 2009). Aquestes observacions es classifiquen en nodes d’acord amb la majoria de prediccions “SÍ” o “NO” per a maquillatge comptable. La probabilitat de “SÍ” s'estima en funció de la freqüència d’aquest resultat en els arbres OOB per cada observació. Els resultats (Figura 2) mostren que les probabilitats de “SÍ” són elevades per empreses amb maquillatge i baixes per les que no, indicant un bon ajust del model per diferenciar amb precisió entre les dues categories.
@@ Line 135: / Line 134: @@
 <span id='_Toc178793600'></span><span id='_Toc178793879'></span><span id='_Toc179653156'></span>'' '' '''      Figura 2. Probabilitat d´identificació correcta d´empreses'''
-==       maquilladores i no maquilladores==
+===       maquilladores i no maquilladores===
 El gràfic mostra dues distribucions: en vermell per a “NO” i en blau per a “SÍ”, amb la “Probabilitat de maquillatge” a l’eix X i la “Densitat” a l’eix Y. Les empreses amb maquillatge comptable tenen probabilitats properes a "1" mentre que les sense maquillatge es situen prop de "0", demostrant l’eficàcia predictiva del model amb una clara separació de corbes en els extrems de la probabilitat de maquillatge. Les observacions OOB permeten validar el model internament sense dividir les dades, maximitzant així l’ús de dades disponibles per entrenament (Breiman, 2001; Goldstein et al., 2015; Genuer et al., 2020).
@@ Line 169: / Line 168: @@
 <span id='_Toc179653182'></span>
-== Taula 1. Matriu de confusió del model Random Forest construït al segon estudi empíric==
+==== Taula 1. Matriu de confusió del model Random Forest construït al segon estudi empíric====
 Per obtenir una predicció binària, s'utilitza un llindar del 50%: si la probabilitat és superior a 0,5, es prediu "SÍ" (fa maquillatge); si és inferior, "NO".
@@ Line 197: / Line 196: @@
 <span id='_Toc178793603'></span><span id='_Toc178793882'></span><span id='_Toc179653159'></span>
-== Forest com més poder predictiu==
+Figura 3. Les 25 variables identificades en el model Random
 Per altra banda, la Figura 4 relaciona la importància de cada variable que proporcionen les mesures MDA i MDG mostrant les 10 variables que són més importants tenint en compte ambdues mesures.
@@ Line 208: / Line 208: @@
 Font: Elaboració pròpia
-<span id='_Toc178793883'></span><span id='_Toc179653160'></span><span id='_Toc178793604'></span>
+<span id='_Toc178793883'></span><span id='_Toc179653160'></span><span id='_Toc178793604'></span>'''Figura 4. Importància de les deu variables amb major poder predictiu identificades en el model Random Forest'''
-== Figura 4. Importància de les deu variables amb major ==
-−
-== poder predictiu identificades en el model Random Forest==
 Tenint  en compta la figura 3 i 4, segons la metodologia Random Forest, les deu primeres variables (7 qualitatives i 3 quantitatives) en ordre d' importància, discriminen si una empresa és procliu o no a realitzar maquillatge comptable i es detallen a la Taula 2.
@@ Line 305: / Line 302: @@
 <span id='_Toc178793605'></span><span id='_Toc178793884'></span><span id='_Toc179653161'></span> '''      Figura 5. Comparació de les ordenacions que proporcionen'''
-== les mesures d´importància==
+=== les mesures d´importància===
 <span id='_Toc179653268'></span>
@@ Line 341: / Line 338: @@
 Font: Elaboració pròpia
-<span id='_Toc178793608'></span><span id='_Toc178793887'></span><span id='_Toc179653164'></span>
+<span id='_Toc178793608'></span><span id='_Toc178793887'></span><span id='_Toc179653164'></span>'''Figura 8. Mitjana de la profunditat mínima per a la interacció de dues variables explicatives'''
-== Figura 8. Mitjana de la profunditat mínima per a la interacció de dues variables explicatives==
 A continuació, la Taula 3 detalla les cinc primeres interaccions de major importància en el model Random Forest, o el que és el mateix, aquelles interaccions que ocorren més freqüentment en les empreses que maquillen les seves dades comptables.
@@ Line 390: / Line 386: @@
 Les interaccions de maquillatge comptable són perilloses, ja que, un cop iniciades, són difícils de revertir i poden tenir greus conseqüències econòmiques i reputacionals, com sancions, desprestigi de directius i auditors, i pèrdua de confiança per part de mercats i institucions (Chen et al., 2011; Hajek et al., 2017). Aquests resultats són consistents amb els apartats anteriors, ajudant a desenvolupar models predictius que inclouen variables i interaccions clau, útils per a auditors i supervisors en la detecció de fraus financers i sostenibilitat en sectors vulnerables a maquillatge comptable complex (Rezaee, 2005; Cecchini et al., 2010; Bao et al., 2020; Lokanan et al., 2024).
-'''5. Conclusions, limitacions de l'estudi i properes línies d'investigació'''
+=== '''5. Conclusions, limitacions de l'estudi i properes línies d'investigació''' ===
-−
 Aquest treball ha investigat la temàtica del maquillatge comptable mitjançant l'aplicació de la metodologia Random Forest, amb l'objectiu d'identificar els senyals d'alerta qualitatives i quantitatives més rellevants per a distingir entre empreses maquilladores i no maquilladores.

Lloret et al 2024b - Revision history

Danieldomingo at 12:01, 31 July 2025

Danieldomingo: Danieldomingo moved page Review 901046703243 to Lloret et al 2024b

Danieldomingo: Configuració títols i peus de foto

Pilarlo: Pilarlo moved page Review 100103191705 to Review 901046703243

Pilarlo: Pilarlo moved page Draft lloret 632269324 to Review 100103191705

Pilarlo: Created page with "

← Older revision	Revision as of 18:35, 2 March 2025
(No difference)

← Older revision	Revision as of 11:08, 23 October 2024
(No difference)