Does the Way Variables Are Calculated Change the Conclusions to Be Drawn? A Study Applied to the Ratio ROI (Return on Investment)
Notice bibliographique
Résumé
This research aims to analyse the financial performance of companies using one of the most used profitability indicators, the return on investment (ROI), which measures the company’s performance in terms of the profit generated over time. To this end, several different methods are used to calculate the ROI indicator, considering the different calculation methods used by different authors over the years. The use of different ROI calculation formulas has been identified in the literature, leading to different conclusions. Based on a sample of 2805 Portuguese companies, it examines how the different indicators react to the different variables analysed, using nine different econometric models. Through this study, it is possible to verify that the different variables that depend on the return on investment have different results, namely that the variables “age” and “size” have a negative effect on the return on investment. On the other hand, “financial leverage” and “ROA” have a positive impact on the contribution to the return on investment. We also found that the different variables behave similarly for virtually all types of ROI calculation, although not completely harmonious, especially in terms of impact. The results are empirically vital, as they alert researchers and companies to the need for standardised formulas for calculating variables such as ROI so that results are not distorted. Using one to the detriment of the other impacts the results obtained and the analyses to be carried out. How empirical research will continue to use the ROI metric will always depend on its users’ discretion and free will.
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 | 0,104 | 0,365 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,004 | 0,009 |
| Études des sciences et des technologies | 0,002 | 0,008 |
| Communication savante | 0,011 | 0,012 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».