MétaCan
Menu
Retour à la cohorte
Enregistrement W4310751682 · doi:10.5267/j.ac.2022.9.003

The effects of profit volatility, income smoothing, good corporate governance and non-performing financing on profit quality of sharia commercial banks

2022· article· en· W4310751682 sur OpenAlexvenueno aff
Amy Kurniasari, Mohamad Adam, Umar Hamdan

Notice bibliographique

RevueAccounting · 2022
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueFinancial Analysis and Corporate Governance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMulticollinearityCorporate governanceVolatility (finance)Earnings before interest and taxesPanel dataBusinessHeteroscedasticityProfit (economics)EconometricsNormality testEconomicsAccountingFinanceRegression analysisStatisticsStatistical hypothesis testingMathematicsMicroeconomics

Résumé

récupéré en direct d'OpenAlex

The purpose of this study was to analyse the effects of profit volatility (X1), income smoothing (X2), corporate governance (X3), and non-performing financing (X4) on profit quality (Y) of sharia banks in Indonesia. The samples of this study were 10 sharia commercial banks in the period of 2012-2018 with 66 panel data that had been tested for outliers and normality. This study used a purposive sampling method, and it used the classical assumption tests, namely multicollinearity, autocorrelation, heteroscedasticity, and normality tests. This study used panel data regression analysis. The results of the study showed that profit volatility was detrimental to profit quality as evidenced by a beta coefficient of 0.0929 and the significance level of 0.1100, income smoothing was detrimental to profit quality as evidenced by a beta coefficient of -0.015 and the significance level of 0.1009, corporate governance had a negative influence on profit quality as evidenced by a beta coefficient of 0.0468 and the significance level of 0.293, non-performing financing was detrimental to profit quality as evidenced by a beta coefficient of -0.0096 and the significance level of 0.9139. The predictive ability of the four variables on profit quality was 16.34% while the remaining 83.66% was influenced by other factors not included in the research model.

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)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,063
Score d'incertitude au seuil0,913

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0010,001
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 Opus0,015
Tête enseignante GPT0,220
Écart entre enseignants0,205 · 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'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 revueAccountingMême sujetFinancial Analysis and Corporate GovernanceTravaux en français237 207