Taxpayers' Prepayment Positions and Tax Return Preparation Fees*
Notice bibliographique
Résumé
Abstract Individuals who have their tax returns professionally prepared often overpay estimated income taxes, effectively giving the government an interest‐free loan. To understand why tax professionals may place their clients in positive prepayment positions, we draw on mental accounting theory. Mental accounting theory suggests that by placing taxpayers in positive prepayment positions, tax professionals induce a favorable mental representation of tax return preparation fees, perhaps allowing them to collect larger fractions of billable time and costs incurred on taxpayers' behalves. Thus, we hypothesize that tax return preparation fees are higher for taxpayers in positive prepayment positions than for taxpayers in negative prepayment positions. Regression results using tax return data for 68,736 taxpayers provide strong support for this hypothesis. To more fully understand the general nature of the relationship between taxpayers' prepayment positions and tax return preparation fees, we adapt the prospect theory value function to the tax domain and formulate three additional hypotheses. Consistent with theory, regression results indicate that the relation between taxpayers' prepayment positions and tax return preparation fees is (1) positive, (2) stronger for taxpayers who receive refunds that are less than fees than it is for taxpayers who receive refunds that are greater than fees, and (3) stronger for taxpayers in negative prepayment positions than for taxpayers in positive prepayment positions.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».