MétaCan
Menu
Retour à la cohorte
Enregistrement W2903375835 · doi:10.5430/afr.v8n1p1

Does Manager Ability Influence Prospectus Earnings Quality and IPO Underpricing?

2018· article· en· W2903375835 sur OpenAlexvenueno aff
Stephanie Hairston, Ji Yu, Zenghui Liu

Notice bibliographique

RevueAccounting and Finance Research · 2018
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAuditing, Earnings Management, Governance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésInitial public offeringProspectusBusinessEarnings qualityQuality (philosophy)EarningsBargaining powerEquity (law)AccountingEarnings managementFinanceEconomicsMicroeconomics

Résumé

récupéré en direct d'OpenAlex

Prior literature suggests that manager ability influences several factors, including financial reporting quality, key to the bargaining power of an issuing firm during their initial public offering (IPO). However, we also know that high ability managers are better able to engage in and conceal opportunistic behavior which may dampen any positive effects their abilities have in the IPO process. Given the conflicting affect that managerial ability may have on financial reporting and firm performance in the IPO setting, we examine the impact of manager ability on prospectus earnings quality and IPO underpricing. We find that IPO firms with high ability managers tend to have better earnings quality and are less underpriced than firms with low ability managers. We also find preliminary evidence that equity ownership strengthens the relationship between manager ability and IPO underpricing. Our findings are consistent with the streams of literature suggesting that better managers produce higher quality earnings and raise more capital during the IPO to invest in future growth opportunities if they are closely monitored. These findings should be useful to issuing firms considering hiring high caliber managers, investors in evaluating IPO firms, and researchers in examining the influence of human capital on IPO underpricing.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,015
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Études des sciences et des technologies, Communication savante
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 enseignants0,167
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,015
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,025
Tête enseignante GPT0,313
Écart entre enseignants0,288 · 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 tête enseignante, pas un consensus.

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
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAccounting and Finance ResearchMême sujetAuditing, Earnings Management, GovernanceTravaux en français237 207