MétaCan
Menu
Retour à la cohorte
Enregistrement W2095200496 · doi:10.1108/01140580810920236

The Relative Ability of Earnings and Cash Flow Data in Forecasting Future Cash Flows: Some Australian Evidence

2011· article· en· W2095200496 sur OpenAlexaff
Shadi Farshadfar, Chew Ng, Mark Brimble

Notice bibliographique

RevueGriffith Research Online (Griffith University, Queensland, Australia) · 2011
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAuditing, Earnings Management, Governance
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésCash flowCash flow forecastingOperating cash flowCash flow statementCash on cash returnPredictabilityEconometricsCash managementEarningsTerminal valueCash conversion cycleEconomicsBusinessCash and cash equivalentsFinancial economicsFinanceStatisticsMathematics

Résumé

récupéré en direct d'OpenAlex

Purpose: This paper examines the relative predictive ability of earnings, cash flow from operations as reported in the cash flow statement, and two traditional measures of cash flows (i.e. earnings plus depreciation and amortisation expense, and working capital from operations) in forecasting future cash flows for Australian companies. Further, an empirical investigation of the extent to which firm size, as a contextual factor, influences the predictability of earnings and cash flow from operations is presented.\nMethodology: Our sample includes 323 companies listed on the Australian Stock Exchange between 1992 and 2004 (3,512 firm-years). We employ the ordinary least squares and fixed effects approaches to estimate our regression models. To evaluate the forecasting performance of the regression models, both within-sample and out-of-sample forecasting tests are employed.\nFindings: We provide evidence that reported cash flow from operations has more power in predicting future cash flows than earnings and traditional cash flow measures. Further, the predictability of both earnings and cash flow from operations significantly increases with firm size. However, the superiority of cash flow from operations to earnings in predicting future cash\nflows is robust across small, medium and large firms.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,009
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict)
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 enseignants0,063
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,009
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0000,004
Science ouverte0,0020,003
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,206
Tête enseignante GPT0,329
Écart entre enseignants0,123 · 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 tête enseignante, pas un consensus.

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

Citations9
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGriffith Research Online (Griffith University, Queensland, Australia)Même sujetAuditing, Earnings Management, GovernanceTravaux en français237 207