COVID-19 IN INDONESIA: ANALYSIS OF DIFFERENCES EARNINGS MANAGEMENT IN THE FIRST QUARTER
Notice bibliographique
Résumé
The COVID-19 pandemic, which began in the first quarter (Q1) of 2020 in Indonesia, has certainly had a major impact on the company’s financial performance. The first-quarter financial report should have been able to show the actual condition of the financial company because it can be a projection for investors and analysts regarding the company’s performance in the next period. Unfortunately, many gaps in financial reporting that can provide space for management to commit earnings management. This study aims to prove the difference in earnings management in the Q1 of 2020, namely the period after the COVID-19 pandemic with the Q1 of 2019, namely the period before the COVID-19 pandemic. The data type of the research is secondary data using the financial statements of companies listed on the Indonesian Stock exchange in the Q1 of 2018, the Q1 of 2019, and the Q1 of 2020. The Q1 of 2018 is needed in this research related to the search for the Q1 of the year of 2019 data. Hypothesis testing was conducted using the Wilcoxon test with SPSS 25 software. This research has proven that there is a difference in earnings management in the Q1 of 2019, namely before the COVID-19 pandemic, and the Q1 of 2020, named after the COVID-19 pandemic. The level of earnings management during the COVID-19 pandemic represented in the Q1 of 2020 was lower than the earnings management in the period before the COVID-19 pandemic, namely in the Q1 of 2019.
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 | 0,001 | 0,002 |
| 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 | 0,000 |
| 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 ».