Accruals and Long-Term Nonfinancial Assets and Liabilities
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study proposes improvements to accrual models. Existing models explain how working capital maps cash flows from operations into earnings and how this mapping reflects accounting conservatism. However, except for fixed asset depreciation, accruals associated with long-term nonfinancial balance sheet accounts (e.g., intangible assets, goodwill, deferred revenues) are not modeled. We show that these unmodeled accruals have grown in importance over time and that a significant portion of them can be explained by utilizing a fundamental property of accrual accounting: most nonfinancial assets and liabilities will eventually be transferred to earnings as accruals, especially during bad times. Using a large U.S. sample for the 1988–2019 period, we document that beginning-of-year long-term nonfinancial assets and liabilities are significantly associated with total accruals and that, consistent with conditional conservatism, a greater proportion of long-term nonfinancial assets is expensed as accruals when current performance is poor. In simulations, compared to traditional models, models that include long-term nonfinancial assets and liabilities as regressors are more likely to detect seeded discretionary accruals between 2% and 20% of total assets, suggesting that these expanded models should be used to decrease the likelihood of making erroneous inferences.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 découle