MétaCan
Menu
Retour à la cohorte
Enregistrement W3134163359 · doi:10.5430/rwe.v12n1p394

The Impact of Liquidity and Leverage on Profitability in Industrial Sector in Jordan

2021· article· en· W3134163359 sur OpenAlexvenueno aff
Mousa Mohammad Abdullah Saleh, Muneer Mohamad Falah Jaradat, Lu'ay Mohammad Abdel-Rahman Wedyan, Haneen Mahmoud Ibrahim Saleh

Notice bibliographique

RevueResearch in World Economy · 2021
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueWorking Capital and Financial Performance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCapital structureMarket liquidityStock exchangeProfitability indexLeverage (statistics)BusinessDebt ratioDebtDebt-to-capital ratioFinanceFinancial systemEquity (law)Return on equityEquity ratio

Résumé

récupéré en direct d'OpenAlex

Financial leverage is linked to the funding structure in terms of the proportion of debt in the capital structure; the higher the financial leverage is, the more the company depends on debt in its financing structure. On the other hand, the lower the debt is, the more the company relies on equity funding. The company thus decides the optimal funding combination that minimizes the company's capital costs and maximizes shareholder returns.The aim of this analysis was to quantify the effect of the analysis on the profitability of the Jordanian industrial sector listed on the Amman Stock Exchange during the period (2008-2017) and on a sample of (54) industrial companies to assess the impact of leverage and liquidity. In order to evaluate the data obtained from the actual financial statements of the industrial companies listed on the Amman Stock Exchange, a descriptive and systematic methodology was used. As a result, the statistical conclusion showed that the effect of liquidity and leverage on profitability was a significant result.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,006
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,122
Tête enseignante GPT0,333
Écart entre enseignants0,211 · 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 source (Gemma direct ou Codex distillé), 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
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueResearch in World EconomyMême sujetWorking Capital and Financial PerformanceTravaux en français237 207