Predicting earnings management through machine learning ensemble classifiers
Notice bibliographique
Résumé
Abstract In this paper, we utilize six novel ensemble classifiers to predict earnings management (EM) in both its forms, accrual‐based earnings management (AEM) and real earnings management (REM), and then compare the EM prediction accuracy of wrapper feature selection (FS) and filtering FS techniques in the context of EM. Specifically, we integrate three well‐known filtering FS techniques (information gain [IG], principal component analysis [PCA], and relief [Re]) and three popular wrapper FS techniques (particle swarm optimization [PSO], genetic algorithm [GA], and artificial bee colony [ABC]) with the support vector machine (SVM) to generate our ensemble classifiers. We then assess the performance of each of the six ensemble classifiers to predict AEM and REM based on three criteria: type Ι error, type ΙΙ error, and average accuracy. The results show that the ABC‐SVM ensemble classifier outperforms the others in predicting both AEM and REM. We also find that, overall, wrapper FS ensemble classifiers outperform filtering FS ensemble classifiers in predicting AEM and REM and that it is more difficult for our ensemble classifiers to predict REM than to predict AEM. This paper contributes to the literature on EM prediction by introducing six new ensemble classifiers. It is also the first work (to the best of our knowledge) in the domain of ensemble classifiers' applications (a) to consider both REM and AEM in one context and to show that REM is more difficult to predict than AEM and (b) to compare the performance of wrapper and filtering FS techniques in the EM prediction setting.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».