پارس پروژه پرتال خدمات دانشگاهی
این مقاله علمی پژوهشی (ISI) به زبان انگلیسی از نشریه اسپرینگر مربوط به سال ۲۰۲۱ دارای ۴۳ صفحه انگلیسی با فرمت PDF می باشد در ادامه این صفحه لینک دانلود رایگان مقاله انگلیسی و بخشی از ترجمه فارسی مقاله موجود می باشد.
کد محصول: H770
سال نشر: ۲۰۲۱
نام ناشر (پایگاه داده): اسپرینگر
نام مجله: Review of Accounting Studies
نوع مقاله: علمی پژوهشی (Research articles)
تعداد صفحه انگلیسی: ۴۳ صفحه PDF
عنوان کامل فارسی:
مقاله انگلیسی ۲۰۲۱ : حسابداری برای عدم قطعیت: کاربرد روش های بیزین برای مدل های اقلام تعهدی
عنوان کامل انگلیسی:
Accounting for uncertainty: an application of Bayesian methods to accruals models
برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید
وضعیت ترجمه: این مقاله تاکنون ترجمه نشده برای سفارش ترجمه ی مقاله بر روی دکمه ذیل کلیک نمایید (کد مقاله:H770)
مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه) بر روی دکمه ذیل کلیک نمایید
چکیده فارسی
در این مطالعه مقدمه ای کاربردی برای روش های تخمین بیزین در تحقیقات حسابداری تجربی ارائه می دهیم. برای نمایش روش‌ها، تخمین مدل‌های اقلام تعهدی را از طریق رویکرد بیزین با رویکرد استاندارد ادبیات مقایسه و مطابقت می دهیم. رویکرد استاندارد یک مدل مشخص از اقلام تعهدی عادی را بدیهی می‌داند و هرگونه عدم قطعیت در مورد مدل و پارامترهای آن را نادیده می‌گیرد. در مقابل، رویکرد بیزین به ما اجازه می دهد تا پارامترها و عدم قطعیت مدل را در تخمین اقلام تعهدی عادی دخیل کنیم. این رویکرد با برآوردهای بهتر اقلام تعهدی عادی و استنتاج‌های قوی‌تر می‌تواند قدرت تخمین را افزایش داده و نتایج مثبت کاذب در آزمون‌های مدیریت سود فرصت‌طلبانه را کاهش دهد. ما از استفاده بیشتر از روش‌های بیزین در تحقیقات حسابداری حمایت می‌کنیم، به‌ویژه که می‌توان این روش ها را به راحتی در بسته‌های نرم‌افزاری آماری محبوب پیاده‌سازی کرد.
کلمات کلیدی: بیز • پیش بینی • اقلام تعهدی • مدیریت سود • عدم قطعیت اندازه گیری
Abstract
We provide an applied introduction to Bayesian estimation methods for empirical accounting research. To showcase the methods, we compare and contrast the estimation of accruals models via a Bayesian approach with the literature’s standard approach. The standard approach takes a given model of normal accruals for granted and neglects any uncertainty about the model and its parameters. By contrast, our Bayesian approach allows incorporating parameter and model uncertainty into the estimation of normal accruals. This approach can increase power and reduce false positives in tests for opportunistic earnings management as a result of better estimates of normal accruals and more robust inferences. We advocate the greater use of Bayesian methods in accounting research, especially since they can now be easily implemented in popular statistical software packages.
Keywords: Bayes · Prediction · Accruals · Earnings management · Measurement uncertainty
۱.Introduction
A central theme in accounting is the measurement of latent constructs (e.g., economic earnings, managerial effort, or abnormal accruals). Such measurement is inherently uncertain (e.g., Barker et al. 2020). To account for the uncertainty, the Bayesian framework provides a formal approach (e.g., Gelman et al. 2013) that is commonly used in accounting theory (e.g., Johnstone 2018). In empirical accounting research, by contrast, the formal Bayesian approach is uncommon, despite its conceptual appeal. An important barrier to adoption has been the Bayesian framework’s computational requirements. But as a result of increasing computational power, this barrier has diminished in recent years. A remaining barrier is unfamiliarity.
۶.Conclusion
We provide an applied introduction to key methods of Bayesian estimation of relevance to empirical accounting research. To illustrate the methods, we apply them to an issue of central concern to the literature and practice: the detection of accruals-based earnings management.
Our proposed Bayesian approach explicitly incorporates uncertainty about parameters and models in the estimation of normal (or unmanaged) accruals and tests for abnormal (or suspect) accruals. We document that the Bayesian approach significantly reduces the extent of accruals that can confidently be classified as abnormal and lowers the incidence of false positives in tests for earnings management. Our approach even increases the power to detect earnings management (i.e., reduce false negatives). This improvement is due to the fact that it allows for firm-level heterogeneity in accruals processes via hierarchical modelling. Firm-level heterogeneity appears to be key for improving the modelling of normal accruals and detection of abnormal accruals…
| مقالات مرتبط با این موضوع |
|
مقالات لاتین ترجمه شده حسابداری |