* ابریشمی، حمید (1387)، مبانی اقتصادسنجی، جلد دوم، چاپ پنجم، تهران: انتشارات دانشگاه تهران.
* احمدپور، احمد؛ طاهرآبادی، علیاصغر؛ و شعیب عباسی (1389). تاثیر متغیرهای مالی و غیرمالی بر صدور اظهارنظر مشروط حسابرسی (شرکتهای پذیرفته شده در بورس اوراق بهادار تهران). فصلنامه بورس اوراق بهادار تهران، شماره 9، صص. 97-114.
* ارباب سلیمانی، عباس و محمود نفری (1384). اصول حسابرسی. جلد اول، چاپ شانزدهم، تهران: مرکز پژوهشات تخصصی حسابداری و حسابرسی- سازمان حسابرسی.
* 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، سال پنجم، شماره 19، صص. 134-150.
* بنیمهد، بهمن و سعید علیاحمدی (1392). بررسی تحلیلی سودمندی گزارش های حسابرسی در بازار سرمایه. دانش حسابداری و حسابرسی مدیریت، دوره دوم، شماره 6، صص. 13-29.
* پورحیدری، امید و زینب اعظمی (1389). شناسایی نوع اظهارنظر حسابرسان با استفاده از شبکههای عصبی. دانش حسابداری، شماره 3، صص. 77-97.
* پویان فر، احمد؛ فلاح پور، سعید؛ نوروزییان لکوان عیسی؛ و امیرحسین فرهادی (1394). استفاده از روش هیبرید انتخاب ویژگی و الگوریتم نزدیکترین همسایگی برای پیشبینی جهت حرکتی روزانه شاخص 50 شرکت فعالتر بورس و اوراق بهادار تهران. مهندسی مالی و مدیریت اوراق بهادار (مدیریت پرتفوی)، شماره 25، صص. 1-20.
* حساس یگانه، یحیی و سارا یعقوبیمنش (1382). تأثیر گزارشهای حسابرسی بر قیمت سهام. مطالعات حسابداری، شماره 3، صص. 58-27.
* حساس یگانه، یحیی؛ تقوی فرد، محمدتقی؛ و فرشاد محمدپور (1393). استفاده از شبکه های عصبی احتمالی برای شناسایی نوع اظهارنظر حسابرس. حسابرسی: نظریه و عمل، سال اول، شماره 1، صص. ۱۳۱-۱۵۹.
* راعی، رضا و سعید فلاحپور (1387). کاربرد ماشین بردار پشتیبان در پیشبینی درماندگی مالی شرکتها با استفاده از نسبتهای مالی. بررسیهایحسابداریوحسابرسی، دوره پانزدهم، شماره 53، صص. 17-34.
* ستایش، محمدحسین و مظفر جمالیانپور (1388). بررسی رابطه نسبتهای مالی و متغیرهای غیرمالی با اظهارنظر حسابرس. تحقیقات حسابداری، شماره 2، صص. 157-130.
* ستایش، محمدحسین؛ ابراهیمی، فهیمه؛ سیف، سیدمجتبی؛ و مهدی ساریخانی (1392). پیشبینی نوع اظهارنظر حسابرسان با رویکردی بر روش های داده کاوی. حسابداری مدیریت، دوره پنجم، شماره 4، صص. 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، دوره چهاردهم، شماره ۵۷، صص. ۵-۲۶.
* سجادی، حسین؛ فرازمند، حسن؛ دستگیر،محسن؛ و دلشاد دهقانفر (1387). عوامل موثر بر گزارش مشروط حسابرسی. فصلنامه مطالعات حسابداری، شماره 18، صص. 145-123.
* شباهنگ، رضا و محمد علی خاتمی (1378). تأثیر شروط حسابرسی بر قیمت سهام و بر تحلیل صورت های مالی سالانه توسط کارگزاران بورساوراق بهادار تهران.اقتصاد و مدیریت، شماره 25، صص.50-40.
* مرادی، مهدی و عباس فخرآبادی (1388). بررسی تأثیر عوامل فرهنگی بر ارزیابی حسابرسان از کنترل داخلی و تعین ریسک کنترل. حسابداری مالی، شماره 1 و2، صص. 102-89.
* مؤمنی، منصور و علی فعال قیومی (1386). تحلیلهای آماری با استفاده از SPSS. چاپ اول، انتشارات کتاب نو، تهران.
* 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 Elizondo, D. (2008). “Bankruptcy Forecasting: An Empirical Comparison of AdaBoost and Neural Networks”, Decision Support Systems, Vol. 45, pp. 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, Vol. 2, No. pp. 1-21.
* Atiya, A. F. (2001). “Bankruptcy Prediction for Credit Risk Using Neural Networks: A Survey and New Results”, IEEE Transactions on Neural Networks, Vol. 12, No. 4, pp. 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, Vol. 17 No. 3, pp. 429-55.
* DeAngelo, L. (1981), ‘Auditor Size and Auditor Quality’, Journal of Accounting and Economics, Vol. 1, pp. 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, Volume 13, Issue 4, pages 197–215.
* Firth, M (1980). “A note on the impact of audit qualifications on lending and credit decisions”. Journal of Banking & Finance, Vol. 4 No.3, pp. 257-267.
* Gaganis Ch., Pasiouras F., Doumpos M., (2007), “Probabilistic Neural Networks for the Identification of Qualified Audit Opinions”, Expert Systems with Applications, vol. 32, no.1, pp. 114-124.
* Gaganis, C., F. Pasiouras, C. Spathis, and Zopounidis, C., (2007), “A Comparison of Nearest Neighbours, Discriminant and Logit Models for Auditing Decisions”, Intelligent Systems in Accounting, Finance and Management, Vol. 15, no. 1-2, pp. 23-40.
* 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”, Information Sciences, Vol. 180, pp. 2528–2539.
* Jardin, P. (2010). “Predicting Bankruptcy Using Neural Networks and Other Classification Methods: The Influence of Variable Selection Techniques on Model Accuracy”, Neurocomputing, Vol. 73, pp. 2047–2060.
* Keasey K, Watson R, Wynarzcyk P., (1987),’The small company audit qualification: a preliminary investigation’, Accounting and Business Research, Vol 18, PP. 323–333.
* Kirkos, E.; Spathis, C.; Nanopoulos, A.; and Manolopoulos, Y (2007). “Identifying Qualified Auditors opinion: A Data Mining Approachˮ, Journal of Emerging technologies in Accounting, Vol. 4, pp. 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 To, C (2010). “Comparison of Support Vector Machine and Back Propagation Neural Network in Evaluating the Enterprise Financial Distress.” International Journal of Artificial Intelligence & Applications (IJAIA), Vol. 1, No.3, pp. 31-43.
* Liang, D., Tsai, C. H., and Wu, H. T. (2015). “The effect of feature selection on financial distress prediction”, Knowledge-Based Systems, Vol. 73, pp. 289–297.
* Lindenbaum, M., Markovitch, S., and Rusakov, D. (2004). “Selective Sampling for Nearest Neighbor Classifiers”, Machine Learning, Vol. 2, pp. 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, Vol. 28, pp. 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, Vol. 19, No. 10, pp. 268-287.
* 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, Vol. 41, No. 5, pp. 2353-2361.
