دانلود مقاله ISI انگلیسی شماره 24668 + ترجمه فارسی
عنوان فارسی مقاله

ارائه یک مدل خطی فازی مبتنی بر رگرسیون به منظور شناسایی مدیریت درآمدها

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی
24668 2013 7 صفحه PDF 18 صفحه WORD
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
Fuzzy linear regression-based detection of earnings management
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Expert Systems with Applications, Volume 40, Issue 15, 1 November 2013, Pages 6166–6172

فهرست مطالب ترجمه فارسی

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 نهایی
نتایج و بحث و بررسی
آماره های توصیفی

جدول 2- آماره های توصیفی برای شرکتهای مجموعه داده
ارزیابی 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 شده
بحث و بررسی
نتیجه گیری
کلمات کلیدی
مدیریت سود - اقلام تعهدی اختیاری - رگرسیون خطی فازی -
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.
ترجمه مقدمه
تعداد زیادی از مطالعات حسابداری به بررسی مقوله مدیریت درامدها در بافت های مختلف پرداخته اند. به عنوان مثال، شواهدی وجود دارد مبنی بر اینکه شرکتها به منظور اجتناب از نقض قراردادهای بدهی (دیفوند و جیامبالو 1994) و یا اثرگذاری بر روی ارزش خدمات عمومی اولیه (IPO) ( تئو و همکاران، 1998) اقدام به مدیریت درامدها می کنند. چالش اصلی در مطالعات مدیریت درآمدها پیدا کردن شاخصی برای اندازه‌گیری میزان مدیریت درآمدها توسط شرکتها است. یکی از پیشفرض های مرسوم این است که درآمدها از طریق اقلام تعهدی حسابداری مدیریت می‌شوند. با این پیشفرض شاخص مدیریت درآمد تبدیل به بخشی غیرمنتظره از اقلام تعهدی کل شرکت می‌شود. مدلهای مختلفی برای تقسیم بندی اقلام تعهدی کل به اقلام غیراحتیاطی ( مورد انتظار) و احتیاطی ( غیرمنتظره) پیشنهاد شده است. اکثر این مدلها مبتنی بر مدل شناسایی مدیریت درآمدی هستند که توسط جونز در سال 1991 معرفی شده است. مدل جونز یک مدل رگرسیون خطی است که سطح اقلام تعهدی کل توسط دارایی ها، کارگاه و تجهیزات و تغییرات در فروش تشریح می‌شود. در مدل جونز اصلی، ضرایب رگرسیون با استفاده از سری های زمانی ویژه‌ای تخمین زده می‌شود که شامل داده‌های قبل از سال رویداد می‌شود. آنگاه سطح موردانتظار اقلام تعهدی با استفاده از ضرایب تخمین‌زده‌شده با داده‌های سال رویداد محاسبه می‌شود. مشکل اصلی در مدل جونز نیاز به سری‌های زمانی طولانی از داده‌های صورتحساب مالی است. معمولا، در مطالعاتی که مدل جونز استفاده می‌شود این قید حداقل برای 10 سال از داده‌های قبل از سال رویداد تنظیم می شود ( دچاو و همکاران، 1995؛ توماس و ژانگ، 2000). این قید می تواند مشکلات متعددی را به همراه داشته باشد؛ نظیر سوگیری ابقاء و ضرایب رگرسیون غیرایستا ( پیسنل و همکاران، 2000). راه حل جایگزین برای تخمین ضرایب رگرسیون ویژه‌ی شرکت با مدل رگرسیون حداقل مربعات معمولی (OLS) استفاده از مدل رگرسیون خطی فازی است که توسط تاناکا و همکاران (1982) معرفی شد. برخلاف مدل رگرسیون OLS مبتنی بر تئوری احتمال، مدل FLR مبتنی بر تئوری امکان و تئوری مجموعه های فازی است. هدف در مدل FLR مینیمم کردن میزان فازی بودن مدل است تا مجموع باقیمانده های مربع. یکی از مزایای اصلی مدل FLR توانایی آن در پردازش مجموعه داده های کوچک است ( شاپیرو، 2004). این توانایی به صروت تجربی توسط کیم و همکاران (19969 تصدیق شده است. این محققان شواهدی ارائه می دهند که ظرفیت پیشبینی مدل FLR با مجموعه داده های کوچک بهتر از مدل رگرسیون خطی آماری است. لذا، این امکان وجود دارد که رگرسیون مدل جونز با استفاده از FLR برای سری های زمانی کوتاه تر اجرا شود. اگر چنین موضوعی مصداق داشته باشد، مدل جونز مبتنی بر FLR می تواند مشکلات متعددی که ناشی از قید سری های زمانی طولانی هستند را کاهش دهد. هدف این مقاله مقایسه عملکرد مدل جونز مبتنی بر OLS با عملکرد مدل جونز مبتنی بر FLR است. در این مطالعه بر روی نسخه سری های زمانی مدل جونز تمرکز می شود و با استفاده از طول های متفاوتی از سری های زمانی مقایسات لازم انجام می شود. بقیه مطالب در این مطالعه به صورت زیر سازماندهی شده اند. اصل عملیاتی پایه برای مدلهای اقلام تعهدی مبتنی بر رگرسیون خطی در قسمت 2 پوشش داده می شود. در قسمت 3 تخمین ضرایب FLR و پیشبینی با مدلهای FLR‌ بررسی می شود. طرح پژوهش در قسمت 4 و نتایج حاصل از مطالعه تجربی در قسمت 3 ارائه می شود. در قسمت 6 نیز نتیجه گیری هایی انجام می شود.
پیش نمایش مقاله
پیش نمایش مقاله ارائه یک مدل خطی فازی مبتنی بر رگرسیون به منظور شناسایی مدیریت درآمدها

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.

مقدمه انگلیسی

A large number of accounting studies have examined the occurrence of earnings management in various contexts. There is, for example, evidence suggesting that firms manage earnings in order to avoid violating debt covenants (DeFond & Jiambalvo, 1994) or to influence initial public offering (IPO) valuations (Teoh, Welch, & Wong, 1998). A major challenge in earnings management studies is to find a measure for how much firms have managed their earnings. A common assumption is that earnings are managed through accounting accruals. With this assumption the measure of earnings management is the unexpected part of a firm’s total accruals. Various models have been suggested for dividing the total accruals into non-discretionary (expected) and discretionary (unexpected) accruals. Most of these models are based on the earnings management detection model suggested by Jones (1991). The Jones model is a linear regression model where the level of total accruals is assumed to be explained by property, plant and equipment and the change in sales. In the original Jones model, the regression coefficients are estimated using a firm specific time series comprising data prior to the event year. The expected level of accruals is then calculated using the estimated coefficients with event year data. A considerable problem with the Jones model is the requirement of long time series of financial statement data. Typically, in studies where the Jones model is used the requirement is set to at least ten years of data prior to the event year (e.g. Dechow et al., 1995 and Thomas and Zhang, 2000). This requirement might lead to several problems, such as survivorship bias and non-stationary regression coefficients (Peasnell et al., 2000 and Young, 1999). An alternative to estimating the firm specific regression coefficients with ordinary least squares (OLS) regression is using fuzzy linear regression (FLR), first introduced by Tanaka, Uejima, and Asai (1982). Contrary to probability theory-based OLS regression, FLR is based on possibility theory and fuzzy set theory. With FLR the objective is to minimize the fuzziness of the model rather than the sum of squared residuals. One of the main advantages with FLR described in the literature is its ability to handle small data sets (Shapiro, 2004). This was corroborated empirically by Kim, Moskowitz, and Koksalan (1996) who provided evidence that FLR outperforms statistical linear regression in predictive capability with small data sets. Thus, it is possible that the Jones model regression could be run with shorter time series using FLR. If this is the case, an FLR-based Jones model could reduce several problems originating from the requirement of long time series. 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 focus is on the time series version of the Jones model and the comparison is made using different lengths of the time series. The remainder of this study is organized as follows. The basic operating principle of the linear regression-based accrual models is covered in Section 2. In Section 3 the estimation of FLR coefficients and prediction with FLR models are covered. The research design is presented in Section 4 and the results from the empirical study are presented in Section 5. Section 6 concludes the study.

نتیجه گیری انگلیسی

The purpose of this study was to compare the performance of the OLS-based Jones model with the performance of the FLR-based Jones model. The two types of models were compared with different lengths of the estimation data set time series. The results show that the performance of both types of models decreases when the length of the time series decrease 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. This study could be extended by assessing other fuzzy linear regression approaches besides the one suggested by Tanaka, Uejima, and Asai (1982). Furthermore, the performance of a cross-sectional FLR-based Jones model could be compared with the performance of cross-sectional and time series OLS-based Jones models.

خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.