MétaCan
Menu
Retour à la cohorte
Enregistrement W2126746557 · doi:10.1111/j.1745-6622.2004.tb00598.x

PERHAPS EVA DOES BEAT EARNINGS—REVISITING PREVIOUS EVIDENCE

2004· article· en· W2126746557 sur OpenAlexaffabout
Glenn D. Feltham, Grant E. Issac, Chima Mbagwu, Ganesh Vaidyanathan

Notice bibliographique

RevueJournal of applied corporate finance · 2004
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueFinancial Reporting and Valuation Research
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesnon disponible
Mots-clésEarningsEconomicsStock (firearms)AccountingStock marketEarnings per shareFinancial economicsActuarial scienceHistory

Résumé

récupéré en direct d'OpenAlex

In two articles, the first published in 1997 in the Journal of Accounting and Economics and the second in 1999 in this journal, Gary Biddle, Robert Bowen, and James Wallace presented evidence that reported earnings are more closely related than EVA to marketadjusted stock returns– in other words, that earnings are more “value relevant” than EVA. These papers, which are among the most widely cited in finance and accounting, fundamentally affected perceptions about the importance of EVA as a measure of corporate performance. The current article addresses a simple question: Do the Biddle, Bowen, and Wallace results continue to hold for a different set of companies, a different time period, and a different market? The authors first examined updated EVA information for different companies in the same time period examined in the Biddle, Bowen, and Wallace study. They then looked at a more recent time period (1995–1999) and a different market (the Canadian stock market), and found in all cases that “EVA has greater power than earnings in explaining marketadjusted stock returns.” Their findings validate the widespread corporate acceptance of EVA as a management tool.

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)0,017
score de la tête « metaresearch » (Gemma)0,089
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,089

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0170,089
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,005
Études des sciences et des technologies0,0010,006
Communication savante0,0060,009
Science ouverte0,0040,003
Intégrité de la recherche0,0030,007
Charge utile insuffisante (le modèle a refusé de juger)0,0120,003

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 Opus0,066
Tête enseignante GPT0,286
Écart entre enseignants0,220 · 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

Citations48
Publié2004
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of applied corporate financeMême sujetFinancial Reporting and Valuation ResearchTravaux en français237 207