MétaCan
Menu
Retour à la cohorte
Enregistrement W2903628835 · doi:10.5267/j.msl.2018.11.006

Future earnings growth and dividend payout: Evidence from Malaysia

2018· article· en· W2903628835 sur OpenAlexvenueno aff
Kamarun Nisham Taufil Mohd, Khairul Zharif Zaharudin

Notice bibliographique

RevueManagement Science Letters · 2018
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCorporate Finance and Governance
Établissements canadiensnon disponible
Organismes subventionnairesUniversiti Utara Malaysia
Mots-clésDividend payout ratioEarningsBusinessDividendEarnings growthAccountingMonetary economicsEconomicsFinanceDividend policy

Résumé

récupéré en direct d'OpenAlex

This study investigates the effect of dividend payout on firms' future earnings growth (FEG) in Malaysia. We use panel data analysis methodology to determine the effect of dividend payout and other control variables on FEG in 1, 2, 3, 4, and 5 years. Our results show that firm size and payout ratio had significant positive relationship on four out of five dynamic models tested. The remaining factors except of debt ratio are significant at least four out of the five years used in dynamic models in this study. We find evidence that Malaysian firms show mean reversion pattern in their earnings; smaller firms would enjoy greater future earnings growth; increased monitoring from creditors leads to better earnings performance; firms with better investment prospect have greater future growth in earnings; and higher investment in assets leads to higher future earnings growth. The findings show that in Malaysia, managers use dividend as a tool to signal their positive private information about the firms' future prospect.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 seuil0,772

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 savante0,0010,004
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,001

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,203
Écart entre enseignants0,191 · 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.

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

Citations5
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueManagement Science LettersMême sujetCorporate Finance and GovernanceTravaux en français237 207