CW. 2 Rynek rewizji finansowej
Piotr Staszkiewicz
2023
https://rpubs.com/staszkiewicz/817124
Dane: https://www.dropbox.com/scl/fo/sajrtchhqeftivhd4zwqu/h?rlkey=u37l184e2khoxfufulsyq00kc&dl=0
Plik: Bank.csv
Wstęp adresowanie w R
Mamy czery podstawowe obiekty w R - Wektor - c() - Macierz - matrix() - Ramkę danych - data.frame() - Litę - list()
Wektor
Wektor definujemy funcją c() np. c(“a”,12,“#45:”)
wektor<- c("a",12,"#45:")
wektor## [1] "a" "12" "#45:"Wektor może być albo numeryczny albo znakowy, albo mieszany. Do
elemntów wekotra odwołujemy się poprzez index wektor[1]
oznacza pierewszy wyraz wektora
wektor[1]## [1] "a"Kilka spobów adresowania
# adresowanie kolejnych elementów np od drugiego do trzeciego
wektor[2:3]## [1] "12" "#45:"# element ostatni - wykorzystaniem funcji długości`length()`
wektor[length(wektor)] ## [1] "#45:"# element ostatni - w wykorzystaniem funcji tail
tail(wektor, 1)## [1] "#45:"# adesowanie wszyskich poza dwoma pierwszymi używamy znak minus
wektor[-c(1,2)]## [1] "#45:"# lub poza trzeci elementem
wektor[-3]## [1] "a" "12"Adresowanie wektora poprzez odwolanie do nazy: 1. nadajem nazwy
wektorowi names(wekotr)<-c("ala", "ma", "kota") 2.
odwołujemy sie wkektor[nazwa], np. wektor[“ma”]
names(wektor)<-c("ala", "ma", "kota")
wektor["ma"]## ma
## "12"Proszę zauważyć iż nazwa jest podawana poperzez “” lub ’’ .
Dla wektora użycie podwójnyhch nawiasów kwadratowych [[]] zwraca tożsamą wartość jak dla []. Dodatkowo funcja pluck() pozwala na zwrot elementu z wektora.
# Bezpośrednio
wektor[[1]]## [1] "a"# aby uzyskać operator infix `%>%` - pipline
library(dplyr) # to get infix operator `%>%` - pipline##
## Dołączanie pakietu: 'dplyr'## Następujące obiekty zostały zakryte z 'package:stats':
##
## filter, lag## Następujące obiekty zostały zakryte z 'package:base':
##
## intersect, setdiff, setequal, union# aby uzyskać funkcję pluck()
library(purrr) # to get the pluck() function
wektor %>% pluck(3)## [1] "#45:"Macierz
Macierz definowana jest funkcją matrix() opis
help(matrix). Zdefinujmy macierz 3x3 od 1 do 9. Wymaga podania zbioru
danych, liczy kolumn, lub wierzy, oraz w jaki sposób maja być
wprowadzane dane po kolumanch czy po wieszach.
macierz <- matrix (1:9, nrow=3, byrow = TRUE)Macierz jest stukturą dwuwymiarową, nie może zwierwać w sobie wartości alfanumerycznych i numerycznych próba takiego zdefinowania powoduje przekształcenie wszystkich wartości do wartości alfanumerycznych.
test<- matrix(c(1,2,3,"ala",5,4), ncol=2)
test## [,1] [,2]
## [1,] "1" "ala"
## [2,] "2" "5"
## [3,] "3" "4"Indeksowanie macierzy
Do elementu macierzy odwołujemy się poprzez podanie numeru wiersza, i numeru kolumny
test[2,1]## [1] "2"# to nie to samo co
test[1,2]## [1] "ala"Aby odwołać się do zadanej kolumny lub wiersza zostawiamy wolne miejsce po lub przed przecinikeim np. piewsza kolumna w macierzy.
macierz## [,1] [,2] [,3]
## [1,] 1 2 3
## [2,] 4 5 6
## [3,] 7 8 9# cały pierwszy wiersz
macierz[1,]## [1] 1 2 3# cała druga columna
macierz[,2]## [1] 2 5 8Możemy także nazwać kolumny i wiersze np. kol1, kol2, kol3
colnames(macierz)<-c("col1","Col2","col3")
macierz## col1 Col2 col3
## [1,] 1 2 3
## [2,] 4 5 6
## [3,] 7 8 9i adresować jak w przypadku wektora nazwą np. cała kolumna 2. Uwaga: nazwa musi być w “” lub ’’, R jest wrażliwy na małe i duże litery
macierz[,"Col2"]## [1] 2 5 8Uwaga zastosowanie [[]] w macierzy jest trochę inne. Otórz zwraca kolejny element licząc po wierszach.
macierz## col1 Col2 col3
## [1,] 1 2 3
## [2,] 4 5 6
## [3,] 7 8 9macierz[[7]] # zwraca siódmy wyraz po wierszach tj. pierwszy wiersz trzeciej kolumny## [1] 3macierz[2][1] # zwraca z drugiego wiersza pierwsza kolumne ## [1] 4macierz[2,1] # co jest równoznaczne z zapisem przecinkowym, ale uwaga w tym przypadku otrzymujemy nazwę kolumny## col1
## 4Pozostałe schematy adresowania w macierzy są analogiczne do wektora.
Ramka danych
Macierz przechowuje tylko jeden typ danych albo numeryczny, albo
alfanumeryczny. W sytuacji, gdy chcemy w kolumach mieć różne typy danych
np. sumę bilanową jedna koluna a druga nazwa przedsięborstwa to macierz
zwróci wszystko jako wartość alfanumeryczne
firma <-c(‘coca’,‘abb’,‘fb’) suma_bilansowa <- c(100,200,80)
firma <-c('coca','abb','fb')
class(firma) # pokazuje typ danych## [1] "character"suma_bilansowa <- c(100,200,80)
class(suma_bilansowa)## [1] "numeric"dane<- matrix(c(firma, suma_bilansowa),ncol=3,byrow=TRUE)
class(dane)## [1] "matrix" "array"dane## [,1] [,2] [,3]
## [1,] "coca" "abb" "fb"
## [2,] "100" "200" "80"Takiego problemu nie będziemy mieli w przypadku ramki danych funckcja
data.frame()
df<- data.frame(firma, suma_bilansowa)
class(df)## [1] "data.frame"df## firma suma_bilansowa
## 1 coca 100
## 2 abb 200
## 3 fb 80Indeksowanie ramki dancyh
Indeksowanie ramki danych poprzez [] lub [[]] lub nazyw jest
analogicznie do macierzy. Z tym, że w przypadku ramki danych możemy
także używać znaku dolara $ który odnosi się do kolumny,
która w istocie taktowana jest jako zmienna albo numeryczna, albo
czynnikowa (factor), albo nazwa alfanumeryczna
# całość ramki
df## firma suma_bilansowa
## 1 coca 100
## 2 abb 200
## 3 fb 80#Wywołanie tylko nazw firm
df$firma## [1] "coca" "abb" "fb"df$suma_bilansowa## [1] 100 200 80#sprawdzenie typu zmiennej
class(df$firma)## [1] "character"class(df$suma_bilansowa)## [1] "numeric"# wartość sumy bilanoswej dla Abb
df[2,2]## [1] 200#przypisanie nazw firm do naz wierszy
rownames(df) <- df$firma
df## firma suma_bilansowa
## coca coca 100
## abb abb 200
## fb fb 80# wywolanie sumy bialsnowej fb
df[3,2]## [1] 80# wywołanie wszystich danych (całego rzędu)
df['fb',]## firma suma_bilansowa
## fb fb 80# wywołanie sumy bilnasowej poprzez odwolanie sie do nazw ! uwaga "" lub `` ponieważ nazwy nie są liczbami
df['fb','suma_bilansowa']## [1] 80Lista
Macierz potrafi przechować jeden typ danych, ramka różne typy w różnych kolumnach (zmiennych). Ale zarówno macierz jak i ramka danych przechowuje dane w kolumnach o tej samej długości. Owe dane są w istocie wektorami. Od czasu do czasu porzebujemy strukturę, która będzie przechowywać różne obiekty, o róznej dlugości, np. macierz i wektor i ramkę danych. Do tego służy lista. Zdefinujmy naszą listę jko obiekt zwierający, wektor, macierz i ramkę danych
lista<-list(wektor, macierz, df)
lista## [[1]]
## ala ma kota
## "a" "12" "#45:"
##
## [[2]]
## col1 Col2 col3
## [1,] 1 2 3
## [2,] 4 5 6
## [3,] 7 8 9
##
## [[3]]
## firma suma_bilansowa
## coca coca 100
## abb abb 200
## fb fb 80Proszę zauważyć, iż by adresować listę potrzebujemy [[]]. Otórz [[]] odnosi się do podstawowego obiektu, np. wektora, macierzy, lub ramki danych. W naszym przypadku lista[[1]] - to nasz wektor a następnie potrzebujemy zaindeksować wekto np. lista[[1]][2] tj. w pierwszym obiekcie listy - wekotrze - pokaż drugi element.
# lista
lista## [[1]]
## ala ma kota
## "a" "12" "#45:"
##
## [[2]]
## col1 Col2 col3
## [1,] 1 2 3
## [2,] 4 5 6
## [3,] 7 8 9
##
## [[3]]
## firma suma_bilansowa
## coca coca 100
## abb abb 200
## fb fb 80# pierwszy obiekt
lista[[1]]## ala ma kota
## "a" "12" "#45:"# pierwszy obiekt drugi element
lista[[1]][2]## ma
## "12"W przypadku uodwołania sie do ramki danych w naszej liści musimy wkskazać dwuwymiarowo obiekty
# ramka dancyh
lista[[3]]## firma suma_bilansowa
## coca coca 100
## abb abb 200
## fb fb 80# suma bilansowa dla coca coli
lista[[3]][1,2]## [1] 100Dużo wyników obliczeń R przechowuje w postaci listy, by zobaczyć jej
strukure możemy “rozkliać” w panelu Envriment strzałkę przy obiekcie lub
użyć z konsoli funkji str()
str(lista)## List of 3
## $ : Named chr [1:3] "a" "12" "#45:"
## ..- attr(*, "names")= chr [1:3] "ala" "ma" "kota"
## $ : int [1:3, 1:3] 1 4 7 2 5 8 3 6 9
## ..- attr(*, "dimnames")=List of 2
## .. ..$ : NULL
## .. ..$ : chr [1:3] "col1" "Col2" "col3"
## $ :'data.frame': 3 obs. of 2 variables:
## ..$ firma : chr [1:3] "coca" "abb" "fb"
## ..$ suma_bilansowa: num [1:3] 100 200 80Funkcja ta pokazuje typ obiektu oraz typ danych wewnętrzych, oraz jeśli istnieją to schemat nazw.
Analiza rynku rewizji fiansnowej segment bankowy w US
Zdanie polega na tym by zanalizować strukturę audytorów na rynku w US w przemyśle bankowym. Zastosujemy dane pierwotne z artykułu Staszkiewicz, P., & Karkowska, R. (2021). Audit fee and banks’ communication sentiment. Economic Research-Ekonomska Istraživanja. https://doi.org/10.1080/1331677X.2021.1985567
Proszę ściągnąć na własny komputer i wgrać je do R. Uwaga: dane mogą być wykorzystywane po zajęciach jedynie dla celów niekomercyjnych po wskazaniu oryginalnego źródła.
# z bazowych funkcji systemu wczytamy klasyczny plik z csv ale w taki sposób
# że wybierzemy z okienka umiejscowienie pliku na włanym komuterze
# dlaego zagnieżdzamy polecenie "file.choose()"
bank <- read.csv(file.choose()) #Zobaczmy strukturę bazy danych można to zrobić z panelu “Environment” klikając na strzałce przy nazwie bazy “bank” lub podając komendę
str(bank)## 'data.frame': 5356 obs. of 197 variables:
## $ CIK_Code : int 7789 7789 7789 7789 7789 7789 7789 7789 7789 7789 ...
## $ Year_Ended : int 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 ...
## $ Companyx : chr "ASSOCIATED BANC-CORP" "ASSOCIATED BANC-CORP" "ASSOCIATED BANC-CORP" "ASSOCIATED BANC-CORP" ...
## $ Tickerx : chr "ASB" "ASB" "ASB" "ASB" ...
## $ Marketx : chr "NYSE" "NYSE" "NYSE" "NYSE" ...
## $ IRS_Number : int 391098068 391098068 391098068 391098068 391098068 391098068 391098068 391098068 391098068 391098068 ...
## $ Bus_Street_1x : chr "433 MAIN STREET" "433 MAIN STREET" "433 MAIN STREET" "433 MAIN STREET" ...
## $ Bus_Street_2x : chr NA NA NA NA ...
## $ Cityx : chr "GREEN BAY" "GREEN BAY" "GREEN BAY" "GREEN BAY" ...
## $ Countyx : chr "Brown" "Brown" "Brown" "Brown" ...
## $ State_Codex : chr "WI" "WI" "WI" "WI" ...
## $ State_Namex : chr "WISCONSIN" "WISCONSIN" "WISCONSIN" "WISCONSIN" ...
## $ Region : chr "US Midwest" "US Midwest" "US Midwest" "US Midwest" ...
## $ Zipx : chr "54301" "54301" "54301" "54301" ...
## $ Bus_Phonex : chr "(920) 491-7500" "(920) 491-7500" "(920) 491-7500" "(920) 491-7500" ...
## $ Incorporation_State_Code : chr "WI" "WI" "WI" "WI" ...
## $ Parent_CIKx : int NA NA NA NA NA NA NA NA NA NA ...
## $ Parent_Namex : chr "" "" "" "" ...
## $ SIC_Codex : int 6022 6022 6022 6022 6022 6022 6022 6022 6022 6022 ...
## $ SIC_Descriptionx : chr "State Commercial Banks" "State Commercial Banks" "State Commercial Banks" "State Commercial Banks" ...
## $ NAICS_Codex : int 522110 522110 522110 522110 522110 522110 522110 522110 522110 522110 ...
## $ NAICS_Descriptionx : chr "Commercial Banking" "Commercial Banking" "Commercial Banking" "Commercial Banking" ...
## $ Filer_Actx : int 34 34 34 34 34 34 34 34 34 34 ...
## $ Auditorx : chr "KPMG LLP" "KPMG LLP" "KPMG LLP" "KPMG LLP" ...
## $ Auditor_Keyx : int 4 4 4 4 4 4 4 4 4 4 ...
## $ Audit_Fees_USDx : int 288000 405700 403100 380120 842700 725000 748400 748825 813700 894200 ...
## $ Audit_Related_FeesUSD : int 0 161600 152300 162200 172200 151100 188400 185000 271600 265700 ...
## $ Benefit_Plan_Related_Fees_USD : int 0 0 0 0 0 0 0 0 0 0 ...
## $ FISDI_Fees_USD : int 0 0 0 0 0 0 0 0 0 0 ...
## $ Tax_Related_Fees_USD : int 0 39675 30547 94830 92091 0 0 0 0 0 ...
## $ Tax_Related_Fees__ComplianceUSD: num NA NA NA NA NA NA NA NA NA NA ...
## $ Tax_Related_Fees__NonComplianc : num NA NA NA NA NA NA NA NA NA NA ...
## $ OtherMisc_Fees_USD : int 452048 0 0 0 0 0 0 0 0 0 ...
## $ Total_Non_Audit_Fees_USD : int 452048 201275 182847 257030 264291 151100 188400 185000 271600 265700 ...
## $ Total_Fees_USDx : int 740048 606975 585947 637150 1106990 876100 936800 933825 1085300 1159900 ...
## $ Currency : chr "USD" "USD" "USD" "USD" ...
## $ Fees_Include_Subsidiaries : chr "" "" "" "" ...
## $ Fees_Included_In_Parent_Filings: logi NA NA NA NA NA NA ...
## $ Restatement : int 0 1 0 0 0 0 0 0 0 0 ...
## $ Year_Ended_Datex : chr "12/31/2000" "12/31/2001" "12/31/2002" "12/31/2003" ...
## $ Year_Ended_Month_Ideal : int 12 12 12 12 12 12 12 12 12 12 ...
## $ Fiscal_Year_Ends_Currently_Repo: int 1231 1231 1231 1231 1231 1231 1231 1231 1231 1231 ...
## $ Sourcex : chr "DEF 14A" "DEF 14A" "DEF 14A" "DEF 14A" ...
## $ Source_Datex : int 36972 37700 37700 38061 38427 38775 39154 39518 39895 40253 ...
## $ Stock_Price_USDx : num 19375 0.4 1.53 1.12 5.85 ...
## $ Stock_Price_Datex : int 36891 37256 37621 37986 38352 38686 39051 NA NA NA ...
## $ Market_Cap_USDx : num 14538258 3476132 13333578 10493438 75146070 ...
## $ Market_Cap_USDx_N : num 14538258 3476132 13333578 10493438 75146070 ...
## $ Finacls_Datex : chr "2000-12-31" "2001-12-31" "2002-12-31" "2003-12-31" ...
## $ Revenue_USDx : num 1.12e+09 1.08e+09 1.01e+09 9.74e+08 9.77e+08 ...
## $ Revenue_USDx_N : num 1.12e+09 1.08e+09 1.01e+09 9.74e+08 9.77e+08 ...
## $ Earnings_USDx : num 1.68e+08 1.80e+08 2.11e+08 2.29e+08 2.58e+08 ...
## $ Earnings_USDx_N : num 1.68e+08 1.80e+08 2.11e+08 2.29e+08 2.58e+08 ...
## $ Book_Value_USDx : num 9.69e+08 1.07e+09 1.21e+09 1.24e+09 1.22e+09 ...
## $ Book_Value_USDx_N : num 9.69e+08 1.07e+09 1.21e+09 1.24e+09 1.22e+09 ...
## $ Assets_USDx : num 1.31e+10 1.36e+10 1.50e+10 1.52e+10 2.05e+10 ...
## $ Assets_USDx_N : num 1.31e+10 1.36e+10 1.50e+10 1.52e+10 2.05e+10 ...
## $ State_Region : chr "US Midwest" "US Midwest" "US Midwest" "US Midwest" ...
## $ Audit_Opinion_Key : int 65938 55697 4468 37294 82504 99313 119602 146007 168700 188432 ...
## $ Auditor_City : chr "Chicago" "Chicago" "Chicago" "Chicago" ...
## $ Auditor_State_Code : chr "IL" "IL" "IL" "IL" ...
## $ Auditor_State_Name : chr "ILLINOIS" "ILLINOIS" "ILLINOIS" "ILLINOIS" ...
## $ Auditor_State_Region : chr "US Midwest" "US Midwest" "US Midwest" "US Midwest" ...
## $ Year_Ended_Ideal : int 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 ...
## $ Month_Ended_Ideal : int 12 12 12 12 12 12 12 12 12 12 ...
## $ Signature_Date : chr "1/18/2001" "1/17/2002" "1/16/2003" "3/8/2004" ...
## $ Sourcey : chr "10-K" "10-K" "10-K" "10-K" ...
## $ Source_Datey : chr "3/22/2001" "3/21/2002" "3/20/2003" "3/15/2004" ...
## $ Going_Concern : chr "No" "No" "No" "No" ...
## $ Going_Concern_Issue_Key_List : chr "" "" "" "" ...
## $ Going_Concern_Issue_Phrase_List: chr "" "" "" "" ...
## $ Accounting_Basis : chr "GAAP - US" "GAAP - US" "GAAP - US" "GAAP - US" ...
## $ Is_Integrated_Audit : chr "No" "No" "No" "No" ...
## $ Is_Additiol_Opinion : chr "No" "No" "No" "No" ...
## $ Additiol_Sigture_Date_1 : chr "" "" "" "" ...
## $ Additiol_Sigture_Date_2 : chr "" "" "" "" ...
## $ Additiol_Sigture_Date_3 : logi NA NA NA NA NA NA ...
## $ Additiol_Sigture_Date_4 : logi NA NA NA NA NA NA ...
## $ Additiol_Sigture_Date_5 : logi NA NA NA NA NA NA ...
## $ Filer_Status : chr NA NA "Accelerated Filer" "Accelerated Filer" ...
## $ Fees_Fiscal_Year_Ended : int 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 ...
## $ Audit_Fees_USDy : int 288000 405700 403100 380120 842700 725000 748400 748825 813700 894200 ...
## $ NonAudit_Fees_USD : int 452048 201275 182847 257030 264291 151100 188400 185000 271600 265700 ...
## $ Total_Fees_USDy : int 740048 606975 585947 637150 1106990 876100 936800 933825 1085300 1159900 ...
## $ Stock_Price_USDy : num 19375 0.4 1.53 1.12 5.85 ...
## $ Stock_Price_Datey : chr "12/31/2000" "12/31/2001" "12/31/2002" "12/31/2003" ...
## $ Market_Cap_USDy : num 14538258 3476132 13333578 10493438 75146070 ...
## $ Fincials_Datey : chr "2000-12-31" "2001-12-31" "2002-12-31" "2003-12-31" ...
## $ Revenue_USDy : num 1.12e+09 1.08e+09 1.01e+09 9.74e+08 9.77e+08 ...
## $ Earnings_USDy : num 1.68e+08 1.80e+08 2.11e+08 2.29e+08 2.58e+08 ...
## $ Book_Value_USDy : num 9.69e+08 1.07e+09 1.21e+09 1.24e+09 1.22e+09 ...
## $ Assets_USDy : num 1.31e+10 1.36e+10 1.50e+10 1.52e+10 2.05e+10 ...
## $ Country_of_Headquarters : chr "United States of America" "United States of America" "United States of America" "United States of America" ...
## $ Company_Common_Name : chr "Associated Banc-Corp" "Associated Banc-Corp" "Associated Banc-Corp" "Associated Banc-Corp" ...
## $ Total_Assets : num 1.31e+10 1.36e+10 1.50e+10 1.52e+10 2.05e+10 ...
## $ Total_Equity : num 9.69e+08 1.07e+09 1.27e+09 1.35e+09 2.02e+09 ...
## $ ROA : num 1.31 1.34 1.47 1.51 1.44 ...
## $ Net_Interest_Margin_Total_ : num 3.36 3.62 3.95 3.84 3.8 3.64 3.62 3.6 3.65 NA ...
## $ Fee_Revenue_ : num 26.3 28.3 27.9 29.8 25.5 ...
## [list output truncated]Proszę zauważyć, iż przed nazwą zmiennej mamy znak dolara który umożliwia nam odwołanie się do zmiennej w danym obiekcie w kodzie r. np. bank$ROA odwołuje się do kolumny z informacją o stosunku wyniku do aktywów. Jak widać powyżej to rozwiązanie jest dość niewygodne dlaczego do wizualiacji stosuje się raczej funkcję View, która daje podobny wgląd jak w karcie excela.
View(bank)Mamy ok. 5000 obserwacji i 200 zmiennych, w Excelu obróbka takich danych będzie uciążliwa i trudna do audytownia, bo Excel poza funkcją “audyt” nie zostawia śladu audytowego. W przeciwieństwie do Knit’a.
Problem 1
Który bank zapłacił najwięcej za audyt
#wpierw sprawdzimy jakie było największe wynagrodzenie w bazie
max(bank$Total_Fees_USDx)## [1] 128000000# znak $ pozwala wybrać zmienną z obieku bankMając wartość wygenerujemy nazwę używając funkcji subset i jej parametru select (oczywiści można to zrobić na wiele sposobów)
naj<-subset(bank,Total_Fees_USDx >= 128000000, select= Companyx)
naj## Companyx
## 292 BANK OF AMERICA CORP /DE/Zadanie 1
Spróbuj wygenerować wszystkie informacje, które dotyczą największej trnsakcji
naj_all<-subset(bank,Total_Fees_USDx >= 128000000)
View(naj_all)Teraz zobaczmy ilu biegłych rewidentów (firm audytorskich) obsługiwało rynek bankowy. Wprowadzimy dla ułatwienia wynik do obiektu FA i posortujemy malejąco, by przy okazji wiedzieć od razu kto ma jaki udział w rynku
FA<-table(bank$Auditorx)
View(sort(FA,decreasing = TRUE))A teraz jeszcze sobie zrobimy trzecią kolumnę, która ukaże nam udział procentowy, a mianowicie
as.data.frame(FA) # sortowanie wektora było trudne to skonwertowaliśmy na ramkę## Var1 Freq
## 1 Alexander Thompson Arnold PLLC 6
## 2 AM Peisch & Company LLP 1
## 3 Anderson & Associates LLP (WA) 2
## 4 Anness Gerlach & Williams Inc 6
## 5 Arnett & Foster PLLC 15
## 6 Arnett Carbis Toothman LLP 2
## 7 Arnett Foster Toothman PLLC 1
## 8 Arthur Andersen LLP 42
## 9 Baker Newman & Noyes LLC 16
## 10 Baker Tilly Virchow Krause LLP 41
## 11 Barfield Murphy Shank & Smith LLC/PC 2
## 12 BDO Seidman LLP 21
## 13 BDO USA LLP 122
## 14 Beard Miller Company LLP 135
## 15 Berry Dunn McNeil & Parker LLC (BDMP) 60
## 16 BKD LLP 287
## 17 Bonadio & Co LLP (Bonadio Group) 5
## 18 Brown Edwards & Company LLP 16
## 19 Burr Pilger Mayer Inc 3
## 20 Carr Riggs & Ingram (CRI) LLC 14
## 21 Castaing Hussey & Lolan LLC 17
## 22 Cherry Bekaert & Holland LLP (Inactive) 10
## 23 Cherry Bekaert LLP (Active) 4
## 24 Clifton D Bodiford CPA 6
## 25 Clifton Gunderson LLP 33
## 26 CliftonLarsonAllen LLP 20
## 27 Cobitz Vandenberg & Fennessy 15
## 28 CPA Associates PA (FL) 1
## 29 Crowe Chizek & Company LLP 245
## 30 Crowe Chizek LLP 6
## 31 Crowe Horwath LLP 395
## 32 Cummings Ristau & Associates PC 7
## 33 Davis Kinard & Co PC 7
## 34 Delap LLP 8
## 35 Deloitte & Touche LLP 7
## 36 Demetrius & Company LLC 10
## 37 Dixon Francis Davis & Company 2
## 38 Dixon Hughes Goodman LLP 71
## 39 Dixon Hughes PLLC 38
## 40 Dixon Odom PLLC 5
## 41 Draffin & Tucker LLP 3
## 42 Eggleston Smith PC 3
## 43 Elliott Davis Decosimo LLC/PLLC 35
## 44 Elliott Davis LLC/PLLC (Inactive) 104
## 45 Ernst & Young LLP 495
## 46 Francis & Company CPAs (GA) 1
## 47 Fust Charles Chambers LLP 2
## 48 Grant Thornton LLP 125
## 49 Grimsley White & Company 2
## 50 Hacker Johnson & Smith PA 18
## 51 Hannis T Bourgeois LLP 3
## 52 Hazlett Lewis & Bieter (HLB) PLLC 7
## 53 Hill Barth & King (HBK) LLC 3
## 54 Horne LLP 28
## 55 Hutchinson & Bloodgood LLP 12
## 56 JD Cloud & Co LLP 14
## 57 JH Williams & Co LLP 23
## 58 Jones & Kirkpatrick PC 5
## 59 JonesBaggett LLP 1
## 60 JW Hunt & Company LLP 15
## 61 Kirkpatrick Phillips & Miller CPAs PC 5
## 62 Knight Vale & Gregory Inc PS/PLLC 1
## 63 KPMG LLP 1001
## 64 Kraft Miles & Tatum LLC 3
## 65 KraftCPAs PLLC 7
## 66 LaPorte APAC 5
## 67 LaPorte Sehrt Romig & Hand PC 2
## 68 Larrowe & Company PLC 2
## 69 Larsson Woodyard & Henson LLP 2
## 70 Maggart & Associates PC 13
## 71 Mauldin & Jenkins LLC 41
## 72 Mazars USA LLP 1
## 73 McGladrey & Pullen LLP 142
## 74 McGladrey LLP 41
## 75 McNair McLemore Middlebrooks & Co LLC/LLP 16
## 76 Michael R Ferraro CPA 6
## 77 Michael Trokey & Company PC 5
## 78 Miller Ellin & Co LLP 1
## 79 Monroe Shine & Co Inc 27
## 80 Moss Adams LLP 129
## 81 Olive LLP 8
## 82 Packer Thomas CPAs 3
## 83 Parente Randolph LLC 11
## 84 Parente Randolph PC 8
## 85 ParenteBeard LLC 123
## 86 Perry-Smith LLP 47
## 87 Piltz Williams LaRosa & Co 6
## 88 Plante & Moran PLLC 79
## 89 Porter Keadle Moore LLC 87
## 90 Postlethwaite & Netterville APAC 4
## 91 PricewaterhouseCoopers LLP 159
## 92 Prociak & Associates LLC 1
## 93 Pugh & Company PC (Inactive) 5
## 94 Radics & Co LLC 3
## 95 Rayburn Bates & Fitzgerald PC 11
## 96 Rayburn Betts & Bates PC 4
## 97 Rayburn Fitzgerald PC 1
## 98 Rehmann Robson LLC 11
## 99 Rowles & Company LLP 28
## 100 RSM US LLP 33
## 101 SB Hoover & Company LLP 3
## 102 Shatswell MacLeod & Company PC 46
## 103 Smith Elliott Kearns & Company LLC 43
## 104 Sperry Cuono Holgate & Churchill CPA 1
## 105 Squar Milner Peterson Miranda & Williamson LLP 4
## 106 SR Snodgrass PC/AC 169
## 107 Stambaugh Ness PC 4
## 108 Stegman & Company PA 54
## 109 Tanner LLC/LC 3
## 110 TE Lott & Company 15
## 111 TGM Group LLC 8
## 112 Thigpen Jones Seaton & Co PC 13
## 113 Thompson Greenspon & Co PC (Inactive) 3
## 114 TJS Deemer Dana LLP 4
## 115 Trice Geary & Myers LLC 9
## 116 UHY LLP 7
## 117 Urbach Kahn & Werlin LLP 4
## 118 Vavrinek Trine Day & Company LLP 43
## 119 Virchow Krause & Company LLP 6
## 120 Whittlesey & Hadley PC 4
## 121 Wipfli LLP 27
## 122 Wipfli Ullrich Bertelson LLP 2
## 123 Witt Mares Eggleston Smith PLC 1
## 124 Wolf & Company PC (MA) 59
## 125 Yount Hyde & Barbour PC 139FA1<-as.data.frame(FA)
sum(FA1$Freq) #podsumowujemy wszystkie audyty## [1] 5356FA1$RelFreq<-FA1$Freq/sum(FA1$Freq) # generujmey trzecią kolumne z udziałem w rynku
FA1[order(FA1$RelFreq, decreasing=TRUE),]# i sortujemy malejaco## Var1 Freq RelFreq
## 63 KPMG LLP 1001 0.1868932039
## 45 Ernst & Young LLP 495 0.0924197162
## 31 Crowe Horwath LLP 395 0.0737490665
## 16 BKD LLP 287 0.0535847647
## 29 Crowe Chizek & Company LLP 245 0.0457430919
## 106 SR Snodgrass PC/AC 169 0.0315533981
## 91 PricewaterhouseCoopers LLP 159 0.0296863331
## 73 McGladrey & Pullen LLP 142 0.0265123226
## 125 Yount Hyde & Barbour PC 139 0.0259522031
## 14 Beard Miller Company LLP 135 0.0252053771
## 80 Moss Adams LLP 129 0.0240851382
## 48 Grant Thornton LLP 125 0.0233383122
## 85 ParenteBeard LLC 123 0.0229648992
## 13 BDO USA LLP 122 0.0227781927
## 44 Elliott Davis LLC/PLLC (Inactive) 104 0.0194174757
## 89 Porter Keadle Moore LLC 87 0.0162434653
## 88 Plante & Moran PLLC 79 0.0147498133
## 38 Dixon Hughes Goodman LLP 71 0.0132561613
## 15 Berry Dunn McNeil & Parker LLC (BDMP) 60 0.0112023898
## 124 Wolf & Company PC (MA) 59 0.0110156833
## 108 Stegman & Company PA 54 0.0100821509
## 86 Perry-Smith LLP 47 0.0087752054
## 102 Shatswell MacLeod & Company PC 46 0.0085884989
## 103 Smith Elliott Kearns & Company LLC 43 0.0080283794
## 118 Vavrinek Trine Day & Company LLP 43 0.0080283794
## 8 Arthur Andersen LLP 42 0.0078416729
## 10 Baker Tilly Virchow Krause LLP 41 0.0076549664
## 71 Mauldin & Jenkins LLC 41 0.0076549664
## 74 McGladrey LLP 41 0.0076549664
## 39 Dixon Hughes PLLC 38 0.0070948469
## 43 Elliott Davis Decosimo LLC/PLLC 35 0.0065347274
## 25 Clifton Gunderson LLP 33 0.0061613144
## 100 RSM US LLP 33 0.0061613144
## 54 Horne LLP 28 0.0052277819
## 99 Rowles & Company LLP 28 0.0052277819
## 79 Monroe Shine & Co Inc 27 0.0050410754
## 121 Wipfli LLP 27 0.0050410754
## 57 JH Williams & Co LLP 23 0.0042942494
## 12 BDO Seidman LLP 21 0.0039208364
## 26 CliftonLarsonAllen LLP 20 0.0037341299
## 50 Hacker Johnson & Smith PA 18 0.0033607170
## 21 Castaing Hussey & Lolan LLC 17 0.0031740105
## 9 Baker Newman & Noyes LLC 16 0.0029873040
## 18 Brown Edwards & Company LLP 16 0.0029873040
## 75 McNair McLemore Middlebrooks & Co LLC/LLP 16 0.0029873040
## 5 Arnett & Foster PLLC 15 0.0028005975
## 27 Cobitz Vandenberg & Fennessy 15 0.0028005975
## 60 JW Hunt & Company LLP 15 0.0028005975
## 110 TE Lott & Company 15 0.0028005975
## 20 Carr Riggs & Ingram (CRI) LLC 14 0.0026138910
## 56 JD Cloud & Co LLP 14 0.0026138910
## 70 Maggart & Associates PC 13 0.0024271845
## 112 Thigpen Jones Seaton & Co PC 13 0.0024271845
## 55 Hutchinson & Bloodgood LLP 12 0.0022404780
## 83 Parente Randolph LLC 11 0.0020537715
## 95 Rayburn Bates & Fitzgerald PC 11 0.0020537715
## 98 Rehmann Robson LLC 11 0.0020537715
## 22 Cherry Bekaert & Holland LLP (Inactive) 10 0.0018670650
## 36 Demetrius & Company LLC 10 0.0018670650
## 115 Trice Geary & Myers LLC 9 0.0016803585
## 34 Delap LLP 8 0.0014936520
## 81 Olive LLP 8 0.0014936520
## 84 Parente Randolph PC 8 0.0014936520
## 111 TGM Group LLC 8 0.0014936520
## 32 Cummings Ristau & Associates PC 7 0.0013069455
## 33 Davis Kinard & Co PC 7 0.0013069455
## 35 Deloitte & Touche LLP 7 0.0013069455
## 52 Hazlett Lewis & Bieter (HLB) PLLC 7 0.0013069455
## 65 KraftCPAs PLLC 7 0.0013069455
## 116 UHY LLP 7 0.0013069455
## 1 Alexander Thompson Arnold PLLC 6 0.0011202390
## 4 Anness Gerlach & Williams Inc 6 0.0011202390
## 24 Clifton D Bodiford CPA 6 0.0011202390
## 30 Crowe Chizek LLP 6 0.0011202390
## 76 Michael R Ferraro CPA 6 0.0011202390
## 87 Piltz Williams LaRosa & Co 6 0.0011202390
## 119 Virchow Krause & Company LLP 6 0.0011202390
## 17 Bonadio & Co LLP (Bonadio Group) 5 0.0009335325
## 40 Dixon Odom PLLC 5 0.0009335325
## 58 Jones & Kirkpatrick PC 5 0.0009335325
## 61 Kirkpatrick Phillips & Miller CPAs PC 5 0.0009335325
## 66 LaPorte APAC 5 0.0009335325
## 77 Michael Trokey & Company PC 5 0.0009335325
## 93 Pugh & Company PC (Inactive) 5 0.0009335325
## 23 Cherry Bekaert LLP (Active) 4 0.0007468260
## 90 Postlethwaite & Netterville APAC 4 0.0007468260
## 96 Rayburn Betts & Bates PC 4 0.0007468260
## 105 Squar Milner Peterson Miranda & Williamson LLP 4 0.0007468260
## 107 Stambaugh Ness PC 4 0.0007468260
## 114 TJS Deemer Dana LLP 4 0.0007468260
## 117 Urbach Kahn & Werlin LLP 4 0.0007468260
## 120 Whittlesey & Hadley PC 4 0.0007468260
## 19 Burr Pilger Mayer Inc 3 0.0005601195
## 41 Draffin & Tucker LLP 3 0.0005601195
## 42 Eggleston Smith PC 3 0.0005601195
## 51 Hannis T Bourgeois LLP 3 0.0005601195
## 53 Hill Barth & King (HBK) LLC 3 0.0005601195
## 64 Kraft Miles & Tatum LLC 3 0.0005601195
## 82 Packer Thomas CPAs 3 0.0005601195
## 94 Radics & Co LLC 3 0.0005601195
## 101 SB Hoover & Company LLP 3 0.0005601195
## 109 Tanner LLC/LC 3 0.0005601195
## 113 Thompson Greenspon & Co PC (Inactive) 3 0.0005601195
## 3 Anderson & Associates LLP (WA) 2 0.0003734130
## 6 Arnett Carbis Toothman LLP 2 0.0003734130
## 11 Barfield Murphy Shank & Smith LLC/PC 2 0.0003734130
## 37 Dixon Francis Davis & Company 2 0.0003734130
## 47 Fust Charles Chambers LLP 2 0.0003734130
## 49 Grimsley White & Company 2 0.0003734130
## 67 LaPorte Sehrt Romig & Hand PC 2 0.0003734130
## 68 Larrowe & Company PLC 2 0.0003734130
## 69 Larsson Woodyard & Henson LLP 2 0.0003734130
## 122 Wipfli Ullrich Bertelson LLP 2 0.0003734130
## 2 AM Peisch & Company LLP 1 0.0001867065
## 7 Arnett Foster Toothman PLLC 1 0.0001867065
## 28 CPA Associates PA (FL) 1 0.0001867065
## 46 Francis & Company CPAs (GA) 1 0.0001867065
## 59 JonesBaggett LLP 1 0.0001867065
## 62 Knight Vale & Gregory Inc PS/PLLC 1 0.0001867065
## 72 Mazars USA LLP 1 0.0001867065
## 78 Miller Ellin & Co LLP 1 0.0001867065
## 92 Prociak & Associates LLC 1 0.0001867065
## 97 Rayburn Fitzgerald PC 1 0.0001867065
## 104 Sperry Cuono Holgate & Churchill CPA 1 0.0001867065
## 123 Witt Mares Eggleston Smith PLC 1 0.0001867065Zadanie 2
Spróbujmy ocenić czy w na rynku występują podmioty, których wynagrodzenie firmy audytowj jest nietypowe.
Rozwiązanie, poszukujemy obserwacji odstających, zastosoujemy naprostszy mechanizm anlizy tj. wykres poudełkowy
boxplot(bank$Total_Fees_USDx)
Z tego obrazka niewiele wynika to odnieśmy go do sumy aktywów danego
podpimotu
boxplot(bank$Total_Fees_USDx/bank$Assets_USDx_N)
R jako środowisko ma bardzo dobre możliwości graficzne a oto jeden z
przykładów:
c<- bank$Total_Fees_USDx/bank$Assets_USDx_N
c1<-c[c<max(c, na.rm= TRUE)]
boxplot(c1,
main = "Wynagrodzenie do aktywów",
xlab = "",
ylab = "",
col = "orange",
border = "brown",
horizontal = TRUE,
notch = TRUE
)
Pozbyliśmy się dla przejrzystości największej obserwacji, oraz
ułożyliśmy horyzontalnie obrazek. Więcej opcji help(boxplot).
Znalezienie tego jenego podmiotu jest relatywnie proste.
Zadanie 3
Proszę wieć wylistować 5 podmiotów z nr. CIK, rokiem sprawozdania finansowego oraz nazwą firmy, które zapłaciły najwięcej za badanie w stosunku do sumy aktywów.
head(bank[order(bank$Total_Fees_USDx/bank$Assets_USDx_N,decreasing=TRUE),1:3])## CIK_Code Year_Ended Companyx
## 4777 1357231 2006 Solera National Bancorp, Inc.
## 1907 811211 2000 UNIVERSITY BANCORP INC /DE/
## 4778 1357231 2007 Solera National Bancorp, Inc.
## 4530 1276130 2004 TREATY OAK BANCORP INC
## 4951 1428802 2008 Auburn Bancorp, Inc.
## 2851 933136 2014 Mr. Cooper Group Inc.Możliwe dalsze analizy
Studia przypadków z podręcznika (zbioru zadań): 4.25 Supermarket informacyjny 5.3 Traffic 5.4 Chocholi taniec 7.3 - analiza na poziomie pracy licencjackiej, magisterskiej, doktoratu
Dodatkowo 1. Związek między wynagrodzeniem pozarewizyjnym a typem opinii 2. Wynagrodzenie rewizyjne a zarządzanie wynikiem 3. Specjalizacja firmy audytorskiej na rynku
Warto zauważyć, iż analiza niekoniecznie musi być zaawansowana, by generować informacje potrzebne w biznesie.
Zadanie naukowe an poziomie doktoratu, prosze spróbować zreplikować badanie z artykułu na temat banków.