MétaCan
Menu
Retour à la cohorte
Enregistrement W4220813848 · doi:10.1108/raf-11-2020-0317

Information uncertainty of fiscal year end quarter earnings

2022· article· en· W4220813848 sur OpenAlexaboutno aff
Linda H. Chen, George J. Jiang, Kevin Zhu

Notice bibliographique

RevueReview of Accounting and Finance · 2022
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAuditing, Earnings Management, Governance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEarningsQuarter (Canadian coin)Corporate governanceEarnings response coefficientBusinessAccountingActuarial scienceEconomicsFiscal yearFinance

Résumé

récupéré en direct d'OpenAlex

Purpose The purpose of this study is to investigate whether within the same firm, earnings risk is exacerbated in the fiscal year end (FYE) quarters relative to that of other quarters, more importantly, if this type of earnings risk is unique. Further, the authors discuss solutions to mitigate this type of information risk. Design/methodology/approach This study provides evidence that the information risk associated with FYE quarter earnings cannot be explained by other identified risk factors. Solutions to mitigate this risk include strong corporate governance and a more streamlined financial reporting structure. Findings The paper shows that there is significantly lower earnings response coefficient for FYE quarters than for non-FYE quarters (1984–2015). Furthermore, strong corporate governance and a more streamlined financial reporting structure, either by firms willingly reducing the usage of extraordinary item reporting or by FASB codification changes such as FASB 145, can help mitigate this type of information uncertainty. Research limitations/implications This study explains that the causes of the exacerbated information risk associated with FYE quarter earnings identified in prior literature, namely, the “integral explanation” and “manipulation explanation,” are not mutually exclusive. Therefore, the authors deem it futile to disentangle the two. Instead, the authors offer two possible solutions.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,901
Score d'incertitude au seuil0,541

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
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 Opus0,005
Tête enseignante GPT0,200
Écart entre enseignants0,195 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
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

Citations6
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueReview of Accounting and FinanceMême sujetAuditing, Earnings Management, GovernanceTravaux en français237 207