Earnings quality before and after the implementation of PSAK 69
Notice bibliographique
Résumé
PSAK 69 Agriculture regulates the accounting treatment of agricultural activities in Indonesia. The measurement of biological assets is the most important part of the arrangement of PSAK 69. PSAK 69 deals with biological assets measured at fair value less costs to sell at the beginning and end of the reporting period. Characteristics of growing biological assets will have an impact on the growth in fair value of assets, so there will be differences in fair value at the beginning and end of the financial reporting period. The difference in fair value of biological assets, whether realized or not, is recognized as gain in the current period. This will have an impact on the quality of the company's earnings. This study aims to examine differences in earnings quality before and after the implementation of PSAK 69 in agricultural sector companies listed on the Indonesia Stock Exchange. The research was conducted on 14 agricultural companies listed on the Indonesia Stock Exchange in the 2016-2019 observation period. Earnings quality is measured by the earnings response coefficient. Earnings response coefficients are estimated using the firm specific coefficient model (FSCM) and pooled cross-sectional regression model (CSRM) methods. This study measures the quality of earnings before and after the application of PSAK 69. The quality of earnings before and after the application of PSAK 69 is tested by a paired two-sample t-test. The results of this study found no difference in earnings quality before and after the application of PSAK 69.
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 | 0,003 | 0,011 |
| 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 | 0,000 |
| 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) | 0,002 | 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 ».