MétaCan
Menu
Retour à la cohorte
Enregistrement W2090413812 · doi:10.5430/ijfr.v6n2p139

Empirical Analysis of Firm Attributes before and after the Sarbanes-Oxley Act

2015· article· en· W2090413812 sur OpenAlexvenueno aff
Pennye K. Brown, Dong Y. Nyonna

Notice bibliographique

RevueInternational Journal of Financial Research · 2015
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCorporate Finance and Governance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCorporate governanceSarbanes–Oxley ActLeverage (statistics)Listing (finance)BusinessAccountingProfitability indexLegislationVoluntary disclosureCross listingMonetary economicsFinanceEconomicsStatisticsLaw

Résumé

récupéré en direct d'OpenAlex

This paper examines whether voluntary delisting from U. S. exchanges by international firms surged during the five years following the passage of Sarbanes-Oxley ACT of 2002 (SOX). Using 278 international firms, which include 139 delisted international firms from NYSE and NASDAQ and a matched pair of 139 non-delisted international firms, we document that the number of voluntary delisting increased significantly from 12.9% in the pre-SOX period (1997 – 2001) to 87.1% in the post-SOX period (2002 – 2007). This represents an increase of 74.2% in the number of international firms that delisted. In addition, using a predictive model advanced by Piotroski and Srinivasan (2008) and Doidge, Karolyi, and Stulz (2009), we find that yearly profitability ratio is negatively affected by ADR listing status and is the strongest predictor of delisting in the logistical regression model. Furthermore, firm size, corporate governance and leverage ratio are not statistically significant in predicting ADR listing status or associated with SOX legislation. This supports the documented evidence that the SOX legislation did not decrease or negatively affect firm size, corporate governance, or leverage ratio.

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)0,002
score de la tête « metaresearch » (Gemma)0,007
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 enseignants0,020
Score d'incertitude au seuil0,039

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
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 Opus0,102
Tête enseignante GPT0,374
Écart entre enseignants0,272 · 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
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Financial ResearchMême sujetCorporate Finance and GovernanceTravaux en français237 207