Analisis Pangaruh Asset Growth, Total Asset Turnover, Firm Size, Operating Leverage, Dan Financial Leverage Terhadap Beta Saham (StudiKasusPerusahaan Finansial yang terdaftar di Bursa Efek Indonesia Periode 2013-2016)
Notice bibliographique
Résumé
Penelitian ini bertujuan untuk memperolah bukti secara empiris pengaruh, Asset Growth, Total Asset Turnover, Firm Size, Operating Leverage , dan Financial Leverage terhadap Beta Saham (Studi Kasus Perusahaan Finansial yang terdaftar di Bursa Efek Indonesia Periode 2013-2016).Berdasarkan purposive sampling diperoleh 28 pada Perusahaan Finansial di Bursa Efek Indonesia (BEI) sebagai sampel dalam penelitian ini dan periode pengamatan dari tahun 2013 sampai tahun 2016. Dalam pemecahan masalah peneliti memakai uji asumsi klasik dan uji hipotesis dengan analisa regresi berganda. Hasil perhitungan, pengujian, dan pembahasan membuktikan bahwa Asset Growth, Total Asset Turnover, Operating Leverage, dan Financial Leverage berpengaruh positif dan Signifikan terhadap Beta Saham,sedangkan Firm Size berpengaruh negatif dan Signifikan terhadap Beta Saham. Kata kunci :Beta Saham, Asset Growth, Total Asset Turnover, Firm Size, Operating Leverage , dan Financial Leverage
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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) | 0,006 | 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 ».