What Determines Effective Tax Rates? The Relative Influence of Tax and Other Factors*†
Notice bibliographique
Résumé
ABSTRACT Many studies use GAAP effective tax rates (ETRs) as a proxy for tax avoidance and assume that very low (high) ETRs represent the greatest (least) tax avoidance, yet ETRs can be affected by items unrelated to tax avoidance. Despite awareness of the potential limitations of ETRs versus other factors as a measure of tax avoidance, the literature lacks consistent evidence on the extent to which ETRs capture tax avoidance. We take a step toward filling this void using income tax footnote disclosures from 2008 through 2016 to investigate how well ETRs versus other factors capture cross‐sectional differences in tax avoidance. We document that ETRs below 5% and above 40% are significantly influenced by items largely unrelated to tax avoidance, such as valuation allowances and goodwill impairments. Truncating ETRs at zero and one, controlling for standard determinants of tax avoidance, and using industry‐size‐adjusted ETRs or multiyear GAAP ETRs do not eliminate the clustering of factors largely unrelated to tax avoidance in the tails of the ETR distribution. Cash ETRs attenuate but do not eliminate this clustering. Researchers can use ETR rate reconciliation data to construct an adjusted ETR that removes the influence of factors largely unrelated to tax avoidance. Our findings inform researchers about factors largely unrelated to tax avoidance that drive significant deviations in ETRs from the statutory tax rate. This is of increasing importance as the number of studies examining the consequences of very high and very low ETRs grows.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,005 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».