MétaCan
Menu
Retour à la cohorte
Enregistrement W3209861529 · doi:10.1111/1911-3846.12741

Do Firms Time Changes in Accounting Estimates to Manage Earnings?<sup>†</sup>

2021· article· en· W3209861529 sur OpenAlexvenueno aff
Philip Keunho Chung, Marshall A. Geiger, Daniel Gyung Paik, Collin Rabe

Notice bibliographique

RevueContemporary Accounting Research · 2021
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAuditing, Earnings Management, Governance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEarningsAccrualEarnings response coefficientBenchmark (surveying)AccountingEarnings managementOrder (exchange)BusinessEconomicsFinance

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Prior earnings management research often focuses on specific accounts or on estimations of discretionary accruals but provides only limited insight into the methods firms actually use to manage earnings. In order to begin exploration of some of the operational details regarding how earnings are managed, we investigate whether firms time their decisions to make changes in accounting estimates (CAEs) in consideration of their earnings benchmarks. Using CAE data across all accounts from 2006 to 2018, we find that 28.1% of income‐increasing CAEs are implemented in quarters where pre‐CAE earnings are below a forecasted earnings benchmark but inclusion of the CAE effectively allows the firm to meet the benchmark. We find that income‐increasing CAEs are more likely implemented when a firm's pre‐CAE earnings are further below the benchmark. We also find that firms are more likely to implement income‐decreasing CAEs under two scenarios: (i) when pre‐CAE earnings are relatively high, as a way either to smooth earnings or to “bury bad news,” and (ii) when pre‐CAE earnings are already low, as a way to take a financial “big bath” and position the firm for positive future earnings. In addition, we present evidence that firms using CAEs to achieve an earnings benchmark face financial consequences in terms of poorer immediate stock price performance and subsequent return on assets. Our conclusions hold after performing several additional analyses, including consideration of other discretionary options, addressing endogeneity concerns, and conducting falsification tests. In sum, we contribute to the earnings management literature by presenting consistent evidence that firms appear to time CAEs to meet earnings benchmarks or achieve other reporting objectives.

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)0,005
score de la tête « metaresearch » (Gemma)0,078
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 enseignants0,017
Score d'incertitude au seuil0,043

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,078
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0030,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0130,003

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 Opus0,037
Tête enseignante GPT0,293
Écart entre enseignants0,257 · 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

Citations14
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueContemporary Accounting ResearchMême sujetAuditing, Earnings Management, GovernanceTravaux en français237 207