MétaCan
Menu
Retour à la cohorte
Enregistrement W1922739777 · doi:10.1177/0148558x0702200405

Did Adoption of Forward-Looking Valuation Methods Improve Valuation Accuracy in Shareholder Litigation?

2007· article· en· W1922739777 sur OpenAlexaff
Feng Chen, Kenton K. Yee, Yong Keun Yoo

Notice bibliographique

RevueJournal of Accounting Auditing & Finance · 2007
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAuditing, Earnings Management, Governance
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésValuation (finance)EarningsShareholderActuarial sciencePlaintiffBusinessDiscounted cash flowCash flowAccountingEconomicsFinanceLawCorporate governancePolitical science

Résumé

récupéré en direct d'OpenAlex

Before 1984, Delaware judges relied exclusively on the Delaware Block method—an appraisal formula based on trailing earnings and liquidation value—to price shares in shareholder litigation. In 1984, the Delaware Supreme Court changed the law to permit its judges to use any valuation method they deem appropriate. As a result, judges and litigants began switching from the Block method and adopting forward-looking valuation techniques based on cash flow and earnings forecasts. While the use of forward-looking methods potentially improves valuation accuracy by incorporating forecast information, the use of forecasts allows more room for subjective manipulation. Did the adoption of forward-looking methods improve or reduce valuation accuracy in shareholder litigation? We address this question using a comprehensive hand-collected sample of all Delaware corporate “appraisal-remedy” cases published between 1966 and 2002 in Lexis-Nexis. The sample identifies, on a case-by-case basis, the plaintiff's, the defendant's, and the judge's valuation methods and resulting valuation estimates. We show that the adoption of forward-looking valuation methods improves litigants' valuation accuracy on average.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,059
score de la tête « metaresearch » (Gemma)0,317
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,059
Score d'incertitude au seuil0,315

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0590,317
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,001
Communication savante0,0030,006
Science ouverte0,0010,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,023
Tête enseignante GPT0,302
Écart entre enseignants0,279 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Accounting Auditing & FinanceMême sujetAuditing, Earnings Management, GovernanceTravaux en français237 207