MétaCan
Menu
Retour à la cohorte
Enregistrement W4293228577 · doi:10.1111/acfi.12933

The association between quarter length, forecast errors, and firms’ voluntary disclosures

2022· article· en· W4293228577 sur OpenAlexaboutno aff
Stephen A. Hillegeist, James Peter Kavourakis, Matt Pinnuck

Notice bibliographique

RevueAccounting and Finance · 2022
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAuditing, Earnings Management, Governance
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of Melbourne
Mots-clésQuarter (Canadian coin)EarningsIncentiveForecast errorBusinessEconomicsEconometricsMonetary economicsDemographic economicsAccountingMicroeconomicsGeography

Résumé

récupéré en direct d'OpenAlex

Abstract Approximately 60 percent of adjacent fiscal quarters contain a different number of calendar days. In preliminary analyses, we find the change in quarter length is significantly associated with the changes in sales and earnings and that analysts condition on the prior quarter's results when making their forecasts. These results indicate that it is important for analysts to adjust for changes in quarter length when making forecasts. However, we find the quarterly change in days is positively associated with analysts’ sales and earnings forecasts errors, where forecast error equals the actual earnings minus the forecasted earnings. These results indicate that analysts systematically underestimate (overestimate) performance when quarter length increases (decreases). We find evidence indicating investors make similar errors as returns around earnings announcements are positively associated with the change in quarter length, but only when changes in firm performance is more sensitive to changes in quarter length. Corroborating these findings, managers are more (less) likely to discuss quarter length during conference calls when quarter length decreases (increases). These results are consistent with managers’ strategic disclosure incentives. In summary, our evidence suggests analysts and investors fail to fully take account of the quasi‐mechanical effect that quarter length has on firm performance and managers strategically alter their voluntary disclosures to take advantage of these failures.

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)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,505
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0020,000
Communication savante0,0010,001
Science ouverte0,0000,001
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 Opus0,006
Tête enseignante GPT0,189
Écart entre enseignants0,182 · 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

Citations1
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAccounting and FinanceMême sujetAuditing, Earnings Management, GovernanceTravaux en français237 207