Improving Financial Reports by Revealing the Accuracy of Prior Estimates*
Notice bibliographique
Résumé
Abstract Several researchers (e.g., Lundholm 1999; Ryan 1997; Petroni, Ryan, and Wahlen 2000) have proposed a reporting mechanism to enhance the reliability of estimates and other forward‐looking information in financial reports. Their proposals require companies to report reconciliations of prior‐year estimates to actual realizations as supplemental information in their financial reports. Such disclosures would enable investors to distinguish between accurate and opportunistic reporting behavior, and, arguably, should create incentives for companies to estimate accurately in the first place. Our study provides evidence on these proposals. Specifically, we conduct two experiments within the context of an important intangible asset requiring estimation ‐ software development costs. Our results show that the proposed reporting mechanism is effective in communicating information about the accuracy of financial estimates. We find, however, that not all disclosures are equally useful. The most effective disclosures explicitly describe the implications of misestimation (if any) on both the balance sheet and on earnings, thereby reducing the computational complexity associated with less explicit disclosures. Furthermore, our results show that when the disclosures explicitly describe the implications of misestimation, investors reward accurate estimators but do not explicitly punish those who are inaccurate. We conclude that information about previous estimate accuracy is useful to investors and that regulators should consider the type of disclosure, because not all disclosures may be equally effective in creating management incentives for accurate estimation. Moreover, the competitive advantage conferred on firms that provide accurate estimates arguably should create incentives for all companies to estimate accurately in the future.
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 | 0,045 | 0,285 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,008 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».