Does Accrual Management Impair the Performance of Earnings-Based Valuation Models?
Notice bibliographique
Résumé
This study examines empirically how the presence of accrual management may affect firm valuation. We compare the performance of earnings-based and non-earnings-based valuation models, represented by Residual Income Model (RIM) and Discounted Cash Flow (DCF), respectively, based on the absolute percentage pricing and valuation errors for two subsets of US firms: “Suspect” firms that are likely to have engaged in accrual management and “Normal” firms matched on industry, year and size. Results indicate that RIM enjoys an accuracy advantage over DCF when accrual management is not a serious concern. However, the presence of accrual management significantly narrows RIM’s accuracy advantage over DCF from the level observed for the matched Normal firms. These results are robust to the choice of model benchmark (i.e., current stock price vs. ex post intrinsic value), alternative definitions of Suspect (i.e., loss or earnings-decline avoidance vs. earnings-decline avoidance only vs. loss avoidance only) and of Normal firms (i.e., excluding vs. including real activity manipulators), and different assumptions about post-horizon growth (i.e., 2% vs. 4%). The overall conclusion that accrual management impairs RIM’s performance extends to settings where the regression model is expanded to include accrual components and when we focus on large, rather than small, earnings manipulators. Taken together, these results highlight the importance of considering earnings quality when assessing the performance of earnings-based valuation models.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,032 | 0,119 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».