مقاله انگلیسی رایگان در مورد مدل مارکوف پنهان برای اندازه گیری کیفیت سود – الزویر ۲۰۱۹

elsevier

 

مشخصات مقاله
ترجمه عنوان مقاله استفاده از یک مدل مارکوف پنهان برای اندازه گیری کیفیت سود
عنوان انگلیسی مقاله Using a Hidden Markov Model to Measure Earnings Quality
انتشار مقاله سال ۲۰۱۹
تعداد صفحات مقاله انگلیسی ۵۸ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه الزویر
نوع نگارش مقاله
مقاله پژوهشی (Research Article)
مقاله بیس این مقاله بیس میباشد
نمایه (index) Scopus – Master Journals List – JCR
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۳٫۸۹۱ در سال ۲۰۱۹
شاخص H_index ۱۳۲ در سال ۲۰۲۰
شاخص SJR ۶٫۶۰۶ در سال ۲۰۱۹
شناسه ISSN ۰۱۶۵-۴۱۰۱
شاخص Quartile (چارک) Q1 در سال ۲۰۱۹
مدل مفهومی ندارد
پرسشنامه ندارد
متغیر دارد
رفرنس دارد
رشته های مرتبط مدیریت، حسابداری
گرایش های مرتبط مدیریت مالی، حسابداری مالی
نوع ارائه مقاله
ژورنال
مجله / کنفرانس مجله حسابداری و اقتصاد – Journal of Accounting and Economics
دانشگاه  Smeal College of Business, Pennsylvania State University, University Park, PA 16802, USA
کلمات کلیدی مدل مارکوف پنهان، چارچوب سلسله مراتبی بیزی، روشهای زنجیره مارکوف مونت کارلو، کیفیت سود، درستی سود
کلمات کلیدی انگلیسی Hidden Markov model; Bayesian hierarchical framework; MCMC methods; Earnings quality; Earnings fidelity
شناسه دیجیتال – doi
https://doi.org/10.1016/j.jacceco.2019.101281
کد محصول  E14148
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
Abstract
JEL classification
۱٫ Introduction
۲٫ The model and estimation method
۳٫ Data, variables, and estimation results
۴٫ Empirical analysis
۵٫ Concluding remarks
Appendix.
References

 

بخشی از متن مقاله:
Abstract

We propose and validate a new measure of earnings quality based on a hidden Markov model. This measure, termed earnings fidelity, captures how faithful earnings signals are in revealing the true economic state of the firm. We estimate the measure using a Markov chain Monte Carlo procedure in a Bayesian hierarchical framework that accommodates cross-sectional heterogeneity. Earnings fidelity is positively associated with the forward earnings response coefficient. It significantly outperforms existing measures of quality in predicting two external indicators of low-quality accounting: restatements and Securities and Exchange Commission comment letters.

Introduction

Earnings reports are affected by both a firm’s fundamental performance and the measurement process as governed by reporting standards, auditing technology, and managerial discretion (e.g., Dechow et al., 1998; Nikolaev, 2017). Prior research has used the statistical properties of earnings (e.g., smoothness, kinks in earnings, and target beating) and regression-based abnormal accrual models to measure the quality of earnings (for a review, see Dechow et al., 2010). In regression-based models, researchers separate the “abnormal” portion of accruals from the “normal” portion related to fundamental performance and define accruals quality based on abnormal accruals (e.g., Dechow and Dichev, 2002). Yet recent studies point out that an important issue with this approach is that proxies for unobservable “true” earnings may confound performance shocks with reporting discretion (e.g., Guay et al., 1996; Ball, 2013; Dichev et al., 2013; Owens et al., 2017). Our approach uses a structural model to separate accounting quality from the process of true earnings, thereby significantly alleviating the concern of having to rely on the noisy proxies. We assume that each firm transitions among states according to a Markov process. The fundamental performance of the firm is its state, which is either Low (L) or High (H). The firm’s state is unobservable; however, in each period, the firm issues an earnings signal, which is either low (l) or high (h). The probability that the firm issues a particular signal depends on the unobservable state, so inferences about the firm’s state can be made from its earnings signals.

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *