MétaCan
Menu
← Retour à la cohorte
Enregistrement W7115743480 · doi:10.7910/dvn/drxi9f

IFRS 18 AND THE GLOBAL STANDARDIZATION OF RESULT SUBTOTALS: A MULTI-JURISDICTIONAL ECONOMETRIC ANALYSIS IN THE LIGHT OF INSTITUTIONAL THEORY

2025· dataset· W7115743480 sur OpenAlexaboutno aff

Notice bibliographique

RevueHarvard Dataverse · 2025
Typedataset
Langue
Domaine
Thématique
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésStandardizationPanel dataInstitutional theoryInternational Financial Reporting StandardsPanel analysisSample (material)Random effects modelEconometric analysisMultilevel model

Résumé

récupéré en direct d'OpenAlex

This study investigates the impact of IFRS 18 on the standardization of performance subtotals through the lens of institutional theory, critically addressing methodological limitations inherent to the short post-implementation period. Using a hybrid sample of 425 companies (85 per country) and aggregated data from regulators in the United Kingdom, Australia, Canada, South Korea, and Brazil over the period 2015-2024, we implement a multilevel econometric strategy combining triple fixed-effects panel models with difference-in-differences approaches, instrumental variables, and mediation analysis. Our results, robust to extensive sensitivity tests including statistical power analysis (1-β = 0.89), indicate that the adoption of IFRS 18 is associated with a 42.3% reduction in cross-country dispersion of operating profit (p < 0.01), an effect mediated by 65% through the quality of institutional enforcement. Heterogeneity analyses reveal that the effects are 73% larger in jurisdictions with high-quality enforcement, corroborating institutional theory assumptions. Additionally, we document a 58.7% contraction in heterogeneous Management Performance Measures (MPMs) intensity (p < 0.01) and a 34.5% increase in the value relevance of standardized operating profit. We explicitly discuss the implications for accounting standardization theory and propose an integrated framework for evaluating international regulatory reforms.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,018
score de la tête « metaresearch » (Gemma)0,073
Version: metacan-v3-hybrid-931329e0061cStatut 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: Jeu de données · Signal consensuel: aucune
Score de désaccord entre enseignants0,041
Score d'incertitude au seuil0,096

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0180,073
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,009
Études des sciences et des technologies0,0000,001
Communication savante0,0020,001
Science ouverte0,0010,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,275
Écart entre enseignants0,261 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreJeu de données

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHarvard Dataverse→Travaux en français237 207→