Do Rapid Reversals of Prior-Quarter Asset Impairment Recognition and the Strength of Corporate Governance Influence Earnings Quality?
Notice bibliographique
Résumé
This study primarily explores the influence of rapid and frequent reversals ofprior-quarter asset impairment recognition on the earnings quality of firms. Firmsthat recognize asset impairment losses in a quarter and reverse them in thesubsequent quarters of the same year and firms that recognize impairment reversalsin a quarter and recognize impairment losses in the subsequent quarters areexamined.We use the absolute level of abnormal accruals as a proxy for earnings qualityand compare the earnings quality of firms that reverse asset impairment losses orloss reversals recognized in the prior quarter of the year (the changed group) withthe earnings quality of firms that do not (the unchanged group). The empiricalresults reveal that the changed group has lower abnormal accruals than those of the unchanged group, implying that rapid and frequent reversals of prior-quarter assetimpairment recognition are used for reflecting changes in asset values rather thanearnings manipulation. The changed group has higher earnings quality relative tothe unchanged group.We classified the sample firms into two subgroups according to the strength oftheir corporate governance. We find that the aforementioned higher earningsquality in the changed group exists only in the strong governance subgroup. Thisfinding supports the hypothesis that strong corporate governance guarantees rapidand frequent reversals of prior-quarter asset impairment recognition for timelyreflection of asset value changes.
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 | 0,002 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».