MétaCan
Menu
Retour à la cohorte
Enregistrement W2132464965 · doi:10.5539/ijef.v7n10p222

The Impact of Managerial Opportunism on Earnings Reliability

2015· article· en· W2132464965 sur OpenAlexvenueno aff
Chee Fei Chang

Notice bibliographique

RevueInternational Journal of Economics and Finance · 2015
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAuditing, Earnings Management, Governance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésOpportunismCorporate governanceBusinessAccountingEarnings managementIncentiveLeverage (statistics)EnforcementAccounting information systemEarningsEconomicsFinance

Résumé

récupéré en direct d'OpenAlex

This study is motivated by the increasing incidences of corporate failures caused by fraudulent accounting and breaches in corporate governance and ethical conducts. For example, it is expected that managers will resort to activities that are not consistent with appropriate governance and ethics just to keep up with the market expectations to safeguard their position. This study investigates the impact of five managers’ opportunistic incentives on the reliability of firms’ reported earnings (namely free cash flow, abnormal capital expenditure, bonus plan, distress sign and leverage), controlled by six other widely implemented standard structural governance mechanisms. The earnings reliability tests are conducted using the balanced panel data analysis specification covering 323 sample firms with continuous accounting and corporate governance data of 15 years beginning 1993. Consistent with literature, the results reveal that firms’ earnings reliability is significantly related to all managerial opportunism attributes, implying the adverse effect of these incentives on the usefulness of accounting information in assessing management’s stewardship. These findings suggest the need for a better management mechanism to integrate governance and effective enforcement of control requirements to mitigate managerial opportunism and hence uphold the quality of published accounting information.

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)0,009
score de la tête « metaresearch » (Gemma)0,073
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 enseignants0,009
Score d'incertitude au seuil0,048

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0090,073
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,018
Tête enseignante GPT0,238
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

Citations4
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Economics and FinanceMême sujetAuditing, Earnings Management, GovernanceTravaux en français237 207