کد مقاله کد نشریه سال انتشار مقاله انگلیسی ترجمه فارسی نسخه تمام متن
382624 660772 2013 7 صفحه PDF 18 صفحه WORD دانلود کنید
عنوان انگلیسی مقاله
Fuzzy linear regression-based detection of earnings management
ترجمه فارسی عنوان
ارائه یک مدل خطی فازی مبتنی بر رگرسیون به منظور شناسایی مدیریت درآمدها
کلمات کلیدی
مدیریت سود - اقلام تعهدی اختیاری - رگرسیون خطی فازی -
فهرست مطالب مقاله
چکیده مقدمه
مدلهای تخمین اقلام تعهدی-احتیاطی مبتنی بر سری های زمانی
رگرسیون خطی فازی
تخمین ضرایب رگرسیون خطی فازی
نمودار یک: ضریب فازی با مقدار مرکزی و پراکندگی
نمودار دو : خروجی تخمینی در برابر خروجی مشاهده‌شده
پیش بینی با رگرسیون خطی فازی
روش شناسی پژوهش
وظیفه پژوهش
توصیف مجموعه داده
مدل اقلام تعهدی-احتیاطی رگرسیون خطی فازی
استراتژی تحلیل
جدول 1-مشخصات مجموعه داده نهایینتایج و بحث و بررسی
آماره های توصیفی
جدول 2- آماره های توصیفی برای شرکتهای مجموعه دادهارزیابی عملکرد مدل
جدول 3- اماره های توصیفی برای اقلام تعهدی احتیاطی
جدول 4- نرخ شناسایی دستکاری مخارج شبیه سازی شده
جدول 5- نرخ های شناسایی دستکاری عایدی شبیه سازی شدهبحث و بررسی
نتیجه گیری
ترجمه چکیده
تعداد زیادی از مطالعات حسابداری به بررسی مقوله مدیریت درآمدها در بافت‌های مختلف پرداخته اند. در اکثر این مطالعات، مدل شناسایی مدیریت درآمد مبتنی بر یک مدل رگرسیون خطی است که توسط جونز (1991) معرفی شده است. مشکل اصلی در مدل جونز نیاز به سری‌های زمانی بلند برای داده‌های صورتحساب مالی است. یک راه حل جایگزین به منظور تخمین ضرایب مدل رگرسیون خطی با حداقل مربعات معمولی (OLS) استفاده از مدل رگرسیون خطی فازی (FLR) است. یکی از مزایای اصلی روش FLR که در ادبیات پژوهشی توصیف شده است توانایی آن برای پردازش مجموعه داده‌های کوچک است. هدف این مطالعه مقایسه عملکرد مدل جونز مبتنی بر OLS با عملکرد مدل جونز مبتنی بر FLR است. نتایج نشان می دهند که اختلاف معناداری بین مدلها در خصوص اقلام تعهدی-احتیاطی تخمین‌زده شده وجود ندارد. علاوه بر این نتایج نشان می دهند هنگامی که سری های زمانی تخمینی کوتاه باشند مدل جونز مبتنی بر FLR عملکرد بهتری از مدل جونز مبتنی بر OLS در شناسایی مدیریت درآمد شبیه‌سازی‌شده دارد. به طور کل، نتایج نشان می دهند که مدل جونز مبتنی بر FLR جایگزین مناسبی برای مدل جونز مبتنی بر OLS است، بویژه وقتی که طول سری‌های زمانی تخمینی توسط میزان در دسترس بودن داده ها محدود شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
A large number of accounting studies have examined the occurrence of earnings management in various contexts. In most of these studies, the earnings management detection model is based on the linear regression model suggested by Jones (1991). A considerable problem with the Jones model is the requirement of long time series of financial statement data. An alternative to estimating the linear regression model coefficients with ordinary least squares (OLS) is to use fuzzy linear regression (FLR) instead. One of the main advantages with FLR described in the literature is its ability to handle small data sets. The purpose of this study is to compare the performance of the OLS-based Jones model with the performance of the FLR-based Jones model. The results show that the performance of both types of models decreases when the length of the time series decreases and that there is no significant difference in the estimated discretionary accruals between the models. The results also show that the FLR-based Jones model outperforms the OLS-based Jones model in detecting simulated earnings management when the estimation time series is short. Overall, the results show that the FLR-based Jones model is a feasible alternative to the OLS-based Jones model, especially when the length of the estimation time series is restricted by data availability.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 40, Issue 15, 1 November 2013, Pages 6166–6172
نویسندگان
,