MétaCan
Menu
Retour à la cohorte
Enregistrement W4312746009 · doi:10.1561/1400000063

Timeliness, Accuracy, and Relevance in Dynamic Incentive Contracts

2022· article· en· W4312746009 sur OpenAlexaff
Peter Christensen, Gerald A. Feltham, Christian Hofmann, Florin Şabac

Notice bibliographique

RevueFoundations and Trends® in Accounting · 2022
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueAuction Theory and Applications
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésIncentiveRelevance (law)BusinessComputer scienceEconomicsMicroeconomicsPolitical science

Résumé

récupéré en direct d'OpenAlex

We examine managerial performance measures from the perspective of timeliness, accuracy, and relevance in multi-period incentive problems. Although many insights are general, we employ a simple linear framework where managerial actions do not affect risk. We compare and contrast consumption risk for a manager’s preferences with single and multiple consumption dates, respectively. We consider both full commitment to and renegotiation of long-term contracts. Under full commitment, timely and accurate information is usually relevant and desirable; the only differences arise from the modeling of managerial preferences, through the manager’s consumption risk. In particular, the timeliness of performance reports can be irrelevant; then, delaying reports is desirable if it can increase their accuracy. Under renegotiation of long-term contracts, the timeliness of information release relative to renegotiation is essential. Any information released prior to renegotiation is incorporated into an ex post efficient (renegotiated) contract and is particularly useful in insuring the manager against future consumption risk. Delayed reporting destroys this insurance value and can make late reports irrelevant, independent of the modeling of managerial preferences. But timely reports can create ex ante inefficient action incentives for managers, and then accuracy can be costly as well.

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 candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,903
Score d'incertitude au seuil0,719

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,043
Tête enseignante GPT0,388
Écart entre enseignants0,345 · 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'étudeAutre devis
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

Citations4
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFoundations and Trends® in AccountingMême sujetAuction Theory and ApplicationsTravaux en français237 207