MétaCan
Menu
Retour à la cohorte
Enregistrement W4289519237 · doi:10.1111/jbfa.12644

Changes in accounting estimates: An update of priors or an earnings management strategy of “last resort”?

2022· article· en· W4289519237 sur OpenAlexaff
Philip Beaulieu, Louise Hayes, Lev M. Timoshenko

Notice bibliographique

RevueJournal of Business Finance &amp Accounting · 2022
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAuditing, Earnings Management, Governance
Établissements canadiensUniversity of GuelphUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésAccrualAccountingEarningsAuditEconomicsEconometricsAccounting methodActuarial science

Résumé

récupéré en direct d'OpenAlex

Abstract Evidence from prior research is mixed about whether accounting estimate changes are strategically motivated, on average, or whether they reflect new or updated information. To interpret this difference, we investigate, by category of material changes in accounting estimates, the association between estimate changes and subsequent restatements. We also explore the determinants of both income‐increasing and income‐decreasing estimate changes for different categories of estimate changes. We find that the motivations for and the determinants of estimate changes depend on the type of change and on whether the changes in estimates are income‐increasing or income‐decreasing. Overall, we conclude that when companies are motivated to bias earnings and they cannot do so by manipulating other within generally accepted accounting principles (GAAP) accruals, they sometimes resort to using estimate changes. Our more detailed investigation of estimate changes at the account level suggests a more nuanced view of the determinants of changes in accounting estimates. We develop a more complete model of the determinants of changes in accounting estimates than those used in this emerging literature, which should be of interest to accounting academics, regulators, audit practitioners and audit committee members.

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)0,004
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
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 enseignants0,282
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,004
Études des sciences et des technologies0,0000,000
Communication savante0,0000,005
Science ouverte0,0020,001
Intégrité de la recherche0,0000,001
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 Opus0,018
Tête enseignante GPT0,245
Écart entre enseignants0,226 · 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'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

Citations7
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Business Finance &amp AccountingMême sujetAuditing, Earnings Management, GovernanceTravaux en français237 207