MétaCan
Menu
Retour à la cohorte
Enregistrement W3203026947 · doi:10.1111/1911-3838.12266

Explaining Investors' Fixation on Increasing Revenue: An Experimental Investigation of the Differential Reaction to Revenues versus Expenses*

2021· article· en· W3203026947 sur OpenAlexaffvenue
James Smith, Michael J. Wynes

Notice bibliographique

RevueAccounting Perspectives · 2021
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAuditing, Earnings Management, Governance
Établissements canadiensWilfrid Laurier UniversityUniversity of Lethbridge
Organismes subventionnairesnon disponible
Mots-clésRevenueEarningsSurpriseDifferential (mechanical device)EconomicsMonetary economicsMicroeconomicsFinancePsychology

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Prior research has demonstrated that investors have differential reactions to revenue increases versus expense decreases in firms with positive earnings surprises. We use the experimental method to explain how this differential reaction is, at least in part, due to a heuristic‐like process in investors' decision‐making processes. Critical to our study, we further demonstrate that when revenue increases explain even a small portion of that surprise, investors make more positive judgments about the firm than one might expect. This somewhat surprising result occurs even though those same investors provide similar earnings forecasts for the next period, indicating that our results are not entirely caused by differential judgments regarding the persistence of the earnings surprise. These findings are consistent with the halo effect, a phenomenon described in psychology literature in which, when making evaluations, one's focus on a certain salient factor impacts assessments regarding other factors. This article helps to explain some of the complexities with individual investor behavior when evaluating the impact of changes in revenues and expenses. Specifically, investors' preference for revenue increases as compared to expense decreases is partially caused by biases that are not obvious to investors, making it difficult for them to adjust for these biases.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,009
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,791
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,009
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,002
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,023
Tête enseignante GPT0,256
Écart entre enseignants0,234 · 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 tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
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

Citations1
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAccounting PerspectivesMême sujetAuditing, Earnings Management, GovernanceTravaux en français237 207