Notice bibliographique
Résumé
This paper examines the effects of the IFRS adoption on earnings quality of 1245 Canadian firms. I analyze the effects IFRS adoption on earnings persistence, earnings predictability, persistence of earnings components, cash flow predictability, accruals quality, value relevance, earnings smoothness, conservatism, and timeliness. I find that earnings quality of Canadian firms, on average, improves following the adoption and the improvements are mostly driven not by U.S. adopters but by IFRS adopters, suggesting that IFRS has a positive impact on earnings quality. Partitioning the sample, I find that firms with incentives for transparent reporting have stable earnings quality throughout the sample period whereas firms without such incentives show an improvement in earnings quality following the adoption. I also find that earnings quality declines to a greater degree for firms in extractive/high-litigation-risk industries relative to firms in non-extractive/low-litigation-risk industries. Further analyses reveal that (1) earnings quality seems to deteriorate for firms with intense reliance on fair value accounting after the adoption but not for firms with minimal reliance on fair value accounting, that (2) R&D intensive firms see some weak improvements in earnings quality following the adoption in comparison to non-R&D intensive firms, and that (3) IFRS adoption is associated with a greater improvement in earnings quality for loss firms than for profitable firms. Finally, the effects of IFRS seem unlikely to be uniform across different measures of earnings quality. Taken all together, the findings suggest that standard setters and researchers should probably not consider the effects of IFRS in isolation of firms' reporting incentives and that the SEC, that the Financial Accounting Standards Board's (FASB) concerns about the lack of implementation guidance in extractive and high-litigation-risk industries are warranted, and that fair value accounting is likely to be harmful to earnings quality.
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 | 0,003 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».