Measuring Real Activity Management
Notice bibliographique
Résumé
ABSTRACT To test hypotheses about earnings management, many studies investigate managers' manipulation of real activities (real earnings management, REM). Tests using measures of abnormal REM hinge critically on the measurement of normal real activities. Yet, there is no systematic evidence on the statistical properties of commonly used REM measures. We provide such evidence by documenting the Type I error rates and power of the test of the REM measures commonly used in the literature. We find these measures are often misspecified with Type I error rates that deviate from the nominal significance level of the test, especially in samples of firms with extreme performance or firm characteristics. We also compare the specification and power of traditional REM measures with performance‐matched REM measures to see if the latter provide better specified and more powerful tests. While performance‐matched REM measures are not immune from misspecification in all settings, in general they are better specified under the null hypothesis (i.e., in terms of Type I errors) than are traditional REM measures. Comparisons of the power to detect abnormal REM reveal that neither approach, traditional or performance‐matched, is consistently more powerful than the other in terms of detecting abnormal REM ranging from 1 to 10 percent of (lagged) total assets. The absence of a dominant approach to measure abnormal REM leads us to recommend that future researchers report results using both traditional and performance‐matched measures, so that readers are able to clearly assess the reliability of the inferences drawn about the magnitude and significance of the abnormal REM documented in a given study.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,009 |
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 tête enseignante, 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 ».