استانداردهای حسابداری

استانداردهای حسابداری

مقدار اطلاعات
متوسط بازده غیرعادی
مقدار اطلاعات
متوسط بازده غیرعادی
یادداشت: نتایج بدست آمده در استفاده از حداقل محدودیت فراوانی تجارت و براساس روش تخصیص تجارت به تجارت است. علاوه براین در ستون 2 و 3 برسد. ستون 4 و 5 برای 344 مورد از دوره 1999 تا 2001 و ستون 6 و 7 برای نتایج 282 مورد در دوره زمانی 2002 تا 2004 می باشد. ستون اطلاعات مطالب آماری آزمون ZUt را نشان می دهد. همچنین در جدول 5 می بینیم که توسط بازده غیر طبیعی هنوز هم به طور قابل توجهی متفاوت از مقدار صفر است. زمانی که (EAS) همزمان با حذف نمونه ها همراه است. بنابراین وجود بسیاری از انواع دیگر اطلاعات لازم است. در حال حاضر در روز 21 ام در سطح %10 بوده و در روز صفرم به طور متوسط بازده غیر طبیعی به طور قابل توجهی مثبت است. بنابراین حذف (EAs) برای دیگر اطلاعات به نظر می رسد. تمرکز نتایج در واکنش بازار به (EAS) است. به عنوان تجزیه و تحلیل حساسیت طبقه بندی نمونه را در دو دوره زمانی 1999 تا 2001 و 2002 تا 2004 انجام می دهیم. این به معنی از بین بردن نگرانی های موجود است. اول استاندارد های حسابداری دانمارک را در سال 2002 دریافت گروه و جایگزینی استانداردهای حسابداری قبل از سال 1997 می کنیم. این یکی از نگرانی های موجود می باشد. بنابراین تغییر در استاندارد های حسابداری در برخی از شیوه ها تاثیر می گذارد. بنابراین، به طور زمانی 1999 تا 2001 را که در آن اجتناب از هرگونه نفوذ در معرفی استانداردهای حسابداری جدید است. را در نظر گرفته و (EAS) در این دوره تحت استانداردهای حسابداری جدید است را در نظر گرفته و (EAS) در این دوره تحت استانداردهای حسابداری یکسان بوده و در نتیجه متناسب است. دومین نرگانی این است که تکنولوژی در سال 2000 تحت تاثیر قرار گرفته است. در زیر نمونه هایی از سال 2002 تا 2004 را که ممکن است تحت تاثیر قرار گیرند ارائه شده است. از نتایج ارائه شده در جدول 5 می بینیم که واکنش های بازار در هر دو دوره زمانی نشان می دهد که بازار سهام کشور دانمارک ناکارآمد می باشد. در دوره 1999 تا 2001 هنوز هم واکنش های بازار در روز 5 ام پس از اعلام وجود دارد. در حالیکه در سال 2002 تا 2004 واکنش بازار پس از 4 روز اعلام به پایان رسیده است.علاوه براین هردو دوره زمانی برگشت های غیرطبیعی قابل توجهی دارد. هر چند تنها در سطح %10 از سال 2002 تا 2004 بوده است. بنابراین هرچند تفاوت در نتایج دو دوره زمانی وجود دارد. شاید انتظار می رود. که نتیجه گیری می تواند بدون تغییر انجام شود. بنابراین می توان نتیجه گیری کرد که نفوذ تغییر استانداردهای حسابداری و تکنولوژی بالا واکنش بازار به (EAS) محدود است. و می توان به دنبال مسائل بیشتر آنها را انتخاب کرد. آزمون های غیر پارامتریک با توجه به شواهد و غیر نرمال بودن بازده غیر طبیعی در جدول 1 این امکان وجود دارد. که استنتاج های ساخته شده با آمار آزمون فوق نامعتبر باشد. به همین دلیل نیز بررسی محتوای (EAS) با استفاده از دو روش تست غیر پارامتری فرضیات مربوط به توزیع پارامتریک بازده غیر طبیعی انجام می شود. ابتداء آمار های مانیس وو رومسی برای سهام های کم قیمت توسعه یافته اعمال می شود. این آمار برای اولین در رتبه بازده غیر طبیعی استاندارد در دوره برآورد و رویداد است. پس از این استاندارد جمع آن به صورت مقطعی برای هر روز در رویداد برای تولید یک آمار آزمون دارای توزیع نرمال استاندارد می باشد. این روش معادلا است با تست بازار در حالت واقع بینانه همچنین استفاده از روش برای محتوای اطلاعات آزمون ها در رتبه بندی و پس از آن استاندارد سازی و جمع آوری آنها در نهایت ما انجام یک آزمایش را برای بدست آوردن انتظارات به طور متوسط با استفاه از آزمون علامت تعمیم کودن (1992) را انجام می دهیم. این آزمون های غیر پارامتریک بر روی مجموعه داده ساخته شده است. و با استفاده از انجام روش تجارت به تجارت است. و محدودیت های فراوانی نوسانات حداقل و حذف (EAS) است. نتایج کیفی از این آزمون ها شبیه به آزمونهای پارامتری ارائه شده در جدول 4 می باشد. بنابراین آمار آزمون در اینجا ارائه شده است. مدارک و شواهد محتوای اطلاعات برای روز صفرم از طریق هر دو آزمون ناپارامتریک بازده غیرعادی مثبت و غیرطبیعی را در 21 روز نشان می دهد. در خال حاضر که مانیس و رومسی بازده غیرعادی مثبت را در صفر روز نشان می دهد.
2-1-6 : خلاصه :
به طور خلاصه نتایج ما نشان می دهد. علاوه براین (EAS) دانمارک به آرامی به (EAS) واکنش نشان می دهد. علاوه براین (EAS) دانمارک به طور قابل توجهی بازده غیرعادی مثبتی را دارد. تغییر این دو نتیجه را نشان می دهد که بازار سهام واکنش ناکارآمدی به (EAS) دارد. نتایج قوی تر نیز یافت می شود. به این معنا که انها نسبت به استفاده از محدودیت های مختلف فراوانی معاملات محدود نبوده و روش های تخصیص بازگشت داده شده است. علاوه براین نتیجه گیری بدون تغییر باقی می ماند. صرف نظر از اینکه چگونه (EAS) همزمان مشکلش حل می شود. که آیا نمونه هایی فرض مورد بررسی قرار می گیرد. یا خیر و اینکه یا خیر و اینکه آیا روشن آزمون پارامتریک است و یا ناپرامتریک .
2-6 : توضیح محتوای اطلاعات :
در این بخش باید نتایج مربوط به توضیح اطلاعات بررسی محتوای (EAS) انجام شود. اول نتایج در مورد اطلاعات پیش افشاشده و محتوای اطلاعات خواهد بود. پس از آن تلاشی خواهد شد که کشف اینکه ایا مدل (IBES) بهترین پروکسی را برای درآمد غیر منتظره دارد یا نه. در نهایت، تجزیه و تحلیل چند متغیره را که در آن بازده غیر طبیعی در حال انجام با رگراسیون سود غیر منتظره است. را انجام داده و اثرات متقابل میان سود غیر منتظره و اطلاعات از قبل افشا شده را در می یابیم.
1-2-6 : اطلاعات از پیش افشاشده :
ارتباط بین yj,t و دو پروکسی برای اطلاعات از قبل فاش شده اندازه شرکت و تعدادی از تحلیل گران در شرکت در جدول 6 به تصویر کشیده شده است. همانطور که در جدول می بینید بسیاری از رابطه ها اختلاف معنی داری در سطح %5 دارد. با این حال همبستگی مثبت می باشد. و نشان می دهد که جهت مخالف از رابطه بین محتوای اطلاعات پروکسی ما را برای اطلاعات از قبل فاش شده توسط فرضیه به این نتیجه می رساند. که در تضاد با شواهد تجربی موجود می باشد. این مطالعه بر روی داده هایی از کشور ایالات متحده انجام شده است. (آتیاس 1985 ) (دمپسی 1989) و در انگلستان در رینپگتون و تافلر 1995 ) (پاپ و اینیانگت 1992) و بنابراین این فرضیه قبلا در بازار های سهام بزرگ مورد آزمایش قرار گرفته است. در نتیجه ما به نظر می رسد که نتایج این مطالعات مربوط به بازار سهام کوچک نمی باشد. از آنجایی که، نتایج متفاوتی را پیدا کرده ایم. در مواجه با این نتیجه جالب توجه است که یک احتمال است که به سادگی اندازه شرکت و تعدادی از تحلیل گران یک شرکت ارائه پروکسی های با مقدار اطلاعات از پیش فاش شده را برای یک شرکت در بردارد. در نتیجه به همین دلیل ما رابطه بین محتوای اطلاعات و اطلاعات از پیش فاش شده را بررسی می کنیم. سرمایه گذاران بیشتر برای سهام های کوچک معادله را کاهش می دهند. و در این زمینه افزایش بالقوه ای در اطلاعات خصوصی دیده می شود. این موجب کاهش انگیزه برای جمع آوری اطلاعات شخص و انتشار یک رابطه منفی دارد. از آنجا که انتظار می رود. نقدینگی همبستگی منفی دارد. انتظار داریم که یک رابطه منفی بین نقدینگی و محتوای اطلاعات به وجود آید. به لحاظ نظری بهترین تعریف را برای نقدینگی نداریم و نقدینگی با استفاده از اندازه گیری گردش مالی در تعداد سهام معامله شده در 30 روز بر تعداد کل سهام محاسبه می شود. این اندازه گیری در سال انجام شد. و بر خلاف اقداماتی مانند ارزش دلار در معادلات آن را در شرکت ها استفاده می کنند. بنابراین با این نوع تعریف به شرکت ارتباط پیدا نمی کند. ارگ چه این ارتباط به عنوان یک مورد قوی در اطلاعات از پیش افشاشده است. تحلیل گران تاکید بر رابطه مثبت بین محتوای اطلاعات و پروکسی برای اطلاعات از قبل فاش شده را دارد.
جدول 6 : ارتباط بین اطلاعات از قبل فاش شده و محتوای اطلاعات.
یادداشت: براساس داده ها با محدودیت های فراوانی حداقل معادلات و استفاده از بازگشت تجارت به تجارت است. CU نشان دهنده محتوای اطلاعات انباشته شده و متراکم شده است که در آن محتوای اطلاعات با استفاده از Uj,t اندازه گیری شده و در دوره مشخص (EA) جمع آوری شده است. ستون 3 تا 5 محصول لحظه ای پیرسون (PPM) و ضریب همبستگی آن است. در حالی که ستون 6 تا 7 ضریب همبستگی رتبه بندی (اسپیرمن SRO) است. MV نشان دهنده مقدار بازار سهام صاحبان سهام قبل از شروع رویداد اندازه گیری شده است. توجه به اینکه ما می توانیم اطلاعات افشاشده قبلی را به طور مستقیم اندازه گیری کنیم. اما به جای استفاده از متغیرهای مختلف به عنوان نماینده دو تفسیر ممکن است از موارد فوق وجود دارد. اول اگر متغیرهای انتخاب شده ارائه پروکسی خوبی برای اطلاعات از پیش افشاشده داشته باشد. پژوهش در اطلاعات از پیش فاش شده است. را نشان خواهد داد. این تفسیر در تضاد آشکار با فرضیه اطلاعات از پیش فاش شده است. تصویر دوم این است که به سادگی این متغیر به دلیل ارائه پروکسی های ضعیف برای اطلاعات از پیش فاش شده در بازار سهام دانمارک وجود دارد. در ارتباط با این تفسیر می توان گفت که این قابل قبول است. که کیفیت (EA) برای شرکت های بزرگ بالا بوده و به دنبال آن تحلیل بالایی نیز داشته است. بنابراین در نتیجه یک واکنش بازار بزرگتر برای (EA) از این شرکت وجود خواهد داشت. به طور خاص این کیفیت بالا می تواند برای بخش غیر کمی (EA) برجسته باشد. علاوه براین ممکن است که در بازار به سادگی علاقه به شرکت های کوچک باشد. بنابراین محتوای اطلاعات (EAS) کوچک خواهد بود. لذا ممکن است دو عامل مشغول به کار در دو جهت های مخالف باشند. که مطالب اطلاعاتی را تحت تاثیر قرار خواهند داد. یافته های فوق از رابطه مثبت بین محتوای اطلاعات و اندازه لزوم یک بازنگری در نشانه های قبلی از اطلاعات می باشد. هنگامی که محدودیت های قبلی از اطلاعات می باشد. هنگامی که محدودیت های فراوانی در معاملات وجوددارد. پیش از این پیشنهاد شد که اطلاعات مربوط به یک توضیح احتمالی این است که آرامش از محدودیت های فراوانی تجارت منجر به افزایش نسبت شرکت های کوچک می شود. با این حال ما قادر به پذیرش این فرضیه هستیم. در نتیجه بایدبا توجه به عواملی دیگر نیز باشیم. احتمال دیگر این حضور آشکار در همزمان است. در بخش آشکار همزمان دیدیم که این محتوای اطلاعات وجود دارد. اگر این آشکاری بیشتر در شرکت های کوچک رایج باشد. این امر منجر به افزایش محتوای اطلاعاتی می شود. سئوال از این آشکاری نشان می دهد که این مورد وجود ندارد. در واقع %58 از (EAS) ما با آشکاری همزمان در نمونه حذف می شود. در نتیجه با افزایش محتوای اطلاعاتی هنگام فراوانی تجارت های محدود وجود دارد. با این حال به نظر می رسد که محتوای اطلاعات از (EAS) با آشکاری همزمان در نمونه با محدودیت های فراوان معاملات ضعیف باشد. بنابراین به طور متوسط از مجموع Uj,t در رویداد با محدودیت های فراوانی تجارتی سخت برای 21 نمونه (EAS) آشکار همزمان اتفاق می افتد. اما برای 27 نمونه اینگونه نیست. برخلاف این برای EAs بدون اشکارسازی همزمان به طور متوسط مجموعUj,t در رویداد با فراوانی تجارت محدودیت 20 نمونه است. اما تنها برای نمونه هایی که محدودیت های ضعیفی دارند 16مورد می باشد. بنابراین به نظر می رسد که آشکاری همزمان افزایش در محتوای اطلاعات EAs را ندارد. این پشتیبانی از یافته های فوق مار را به رابطه مثبتی بین محتوای اطلاعاتی و اندازه شرکت می رساند. علاوه برای تاکید براین مورد ممکن است که تاثیر EAs با آشکاری همزمان در نمونه میسر باشد.
2-2-6:درآمد غیر مترقبه:
جدول 8-2-7 بین بازده غیرعادی و سود غیر منتظره از یک مدل ساده و مدل IBES ارائه شده است. از انجا که بسیاری از متغیرهای مورد نیاز برای محاسبه سود غیر منتظره ار دو مدل مشاهده شده اند. همبستگی با توجه به تفاوت بسیاری از مشاهدات می باشد. و N براساس انها است. اگر ما ارزیابی عملکرد مدل را توسط تعدادی از ارتباط ها که تفاوت معنی داری با مقدار صفر در سطح اهمیت 5%در نظر بگیریم می بینیم که مدل IBES بهتر از مدل های دیگر برای PPM و SRO است. این توسط تحقیقات و پیش بینی تحلیل گران مالی پروکسی های برتر نیز پشتیبانی می شود. در حالی که بسیاری از منابع ارائه شده از این برتری وجود دارد. براون و همکاران در سال 1987 تونستند بخشی از برتری را در پیش بینی تحلیل گران مالی به نفع خود نسبت دهند. به طوری که آنها قادر به استفاده از اطلاعات بازار بین 2EAs در پیش بینی های خود شدند. بنابراین می توان نتیجه گیری کرد که مدل IBES یک پروکسی بهتر برای درامد غیر منتظره در دانمارک می باشد.
جدول 8 به نظر نمی رسد که عملکرد مدل IBES را به منبع EPs متصل کرده باشد. به طور خاص روشن نیست که زمانی که EPs واقعی از پایگاه داده IBES استخراج شده است کی بوده است. این است که فیلبریک و ریکز در سال 1991 یافته های خود را برای پیدا کردن مناسب ترین استفاده از EPS از پایگاه داده IBES را اقدام کردند که در ان پیش بینی انجام شد. این نیز علاقه به بررسی تاثیرات مختلف در عملکرد مدل را در برداشت. بازهم جدول 8 به وضوح نشان می دهد که با استفاده از ارزش حقوق صاحبان سهام در ابتدای دوره به عنوان تعدیل کننده منجر به عملکرد قوی IBES شده که مطابق با یافته های نظری کریستی در سال 1987 است. بنابراین ما می توانیم از مدل ها نتیجه گیری کنیم و انها را براساس مدل IBES و براساس داده های در امد واقعی از پایگاه داده IBES مورد بررسی قرار داده و با استفاده از بازار ارزش حقوق صاحبان سهام در ابتدای دوره به عنوان تعدیل کننده بهترین پروکسی برای درامد غیرمنتظره را ارئه کنیم.
جدول 7:ارتباط مدل غیرمنتظره درامد
یادداشت ها: براساس داده ها با محدودیت های فراوانی معالالت کم داریم. علاوه بارین روش تخصیص بازگشت تجارت به تجارت برای CAR استفاده شده است. بازده غیر طبیعی متراکم نشان داده شده است. ستون 3 تا 5،EPS واقعی از پایگاه داده IBES است در حالی که ستون 6 تا 8 استفاده از EPS واقعی را از داده ها نشان می دهد. هیچ نشان دهنده عدم استفاده از تعدیل کننده در محاسبه درآمد غیر منتظره وجود ندارد.
تجزیه و تحلیل حساسیت:
برای بررسی استحکام این نتیجه گیری ما ابتدا باید توجه به جداول نشان داده در این بخش را داشته باشیم. که تعداد مشاهدات اسای در دو مدل و منابع EPs واقعی متفاوت است. یک سوال در اینجتا به وجود می اید که آن این است که نتایج در برخی صادق است. بنابراین ما همبستگی برای مجموعه ای از داده های را محاسبه کرده که در ان همه مشاهدات با مقدار هریک از متغیرهای درگیر در محاسبه سود غیر منتظره حذف شده و 421 مورد مانده است. علاوه براین همبستگی ها برای یک مجموعه داده که فقط شامل EAs بدون اشکاری همزمان است. اگرچه نتایج از مدل IBES ما حمایت می کند،برتری مدل IBES دیده می شود این است که تا حدودی شگفت اور بوده و شواهد نشان می دهد که پیدا کردن همزمان آشکاری محتوای اطلاعات امکان پذیر است. بنابراین انتظار می رود که EAs برای از بین بردن آشکاری همزمان و ارتباط بین سود غیر منتظره و بازده غیر طبیعی وجود دارد. ما از یافته ها به عنوان نتیجه کاهش حجم نمونه تفسیر می کنیم. نتیجه گیری ما از برتری مدل IBES به عنوان یک مدل ساده و قوی نسبت به تغییرات می بینیم. در بخش بعدی تست خواهد شد که ایا دو مدل دارای قدرت توضیحی برروی یکدیگر در تجزیه و تحلیل چند متغیره هستند یا خیر.
جدول 8:جدول ارتباطات IBES با مدل در امد غیر منتظره و CAR
یادداشت ها: براساس داده های با محدودیت های فراوانی معاملات کم دیده می شود. علاوه براین روش تخصیص بازگشت تجارت به تجارت در کار استفاده شده است که نشان دهنده بازده غیر طبیعی انباشت شده است که در ان فاصله پنجره جمع اوری شده است. یتون 3 تا 5،EPS واقعی از پایگاه داده IBES را نشان می دهد در حالی که ستون 6 تا 8 استفاده از EPs واقعی از داده های حساب را نشان می دهد.
3-2-6: تجزیه و تحلیل چندمتغیره:
علاوه براین بررسی عملکرد پروکسی های مختلف برای سود غیر منتظره به طور جداگانه ای انجام شده است. و قدرت توضیحی روی یکدیگر ئاشته و در نتیجه ضبط اطلاعات متفاوت است. مطالعات انجام شده توسط هیوز و ریکس در سال 1987 و براون و همکارانش در سال 1987 نشان دادند که این مورد در واقع وجود دارد. برای بررسی این ما یک رگراسیون چند متغیره را در نظر می گیریم که در ان CAR در پروکسی در امد غیر منتظره از هردوی IBES و رگراسیون مدل ساده است. از تجزیه و تحلیل بالا روشن است که ترکیبی وجود دارد که با توجه به انتخاب تعدیل کننده و منبع اطلاعاتی در امد واقعی دیده می شود. تمام احتمالات در حال حاضر در اینجا ذکر نشده است. اما در عوض باعث شده است که تمرکز برروی بهترین عملکرد هریک از مدل ها به صورت جداگانه انجام شود. اندازه گیری غیر منتظره در امد برای مدل ساده و در IBES غانجام می شود. بنابراین اطلاعات در امد واقعی از IBES در پایگاه داده ها و با استفاده از ارزش بازر به عنوان تعدیل کننده است. ما همچنین در صورت وجود عدم تقارن در پاسخ بازار به EAs متغیر ساختگی برای سود غیر منتظره منفی داشته و تعاول بین متغیر ساختگی و درآمد غیرمنتظره در رگراسیون محاسبه شده است. علاوه بارین تحقیقات کریستیان و همکارانش در سال 2004 نشان می دهد که واکنش بازار به این سطح از درامد پایین در شرکت های با سطح بالاتری از اطلاعات از پیش افشا شده توسط رگراسیونCAR در سود غیرمنتظره محاسبه شده و اثرات متقابل میان سود غیرمنتظره و پروکسی برای اطلاعات از پیش افشا شده بدست امده است. در نهایت در تمام رگراسیون برای کنترل و اثر زمان از متغیرهای ساختگی استفاده شده است. جدول 9 ارائه نتایجی از بازده غیر بیعی متراکم شده در روز اعلام و روز بعد از ان را نشان می دهد. از رگراسیون 1و2 می بینیم که هر دوی IBES و مدل ساده در درامد غیرمنتظره قابل توجه بوده زمانی که به طور جداگانه گنجانده شده است. علاوه براین ضرایب مثبت انتاظر می رود. با این حال در حالی که مدل ساده 10%معنی دار است،مدل IBES در 1%معنی دار می باشد. رگراسیون CAR در مدل IBES با رگراسیون دوبرابر از مدل ساده است. حمایت از این باعث برتری مدل IBES شده است. بنابراین هیچ شواهدی وجود ندارد که این دو مدل درآمد غیرمنتظره دارای قدرت توضیحی بیش از انواع دیگر باشد. این نتیجه در تضاد با تحقیقات هیوز و ریک در سال 1987 و براون و همکاران در سال 1987 بوده و نشان می دهد که در دانمارک هیچ گونه اطلاعاتی در مدل IBES لحاظ نشده و شامل درامد غیرمنتظره نمی شود. و در نهایت نشان می دهد که بخش بزرگی از بازده غیرطبیعی هنوز هم غیر قابل توضیح است. در واقع نتایج نشان می دهد که عدم تقارنی در واکنش بازار به EAS وجود دارد و ان تنها ضریب تعامل بین متغیر ساختگی برای در امد غیرمنتظره منفی و مقادیر IBES است که به طور قابل توجهی مثبت می باشد. بنابراین یک واکنش منفی بازر به سود غیرمنتظره منفی وجود دارد. اما واکنش بازار به درامد غیرمنتظره مثبت است. هرچند این نتیجه شاید کمی تعجب اور است اما شبیه با یافته های کوتاری و همکاران در سال 2005 است که برای پیش بینی درامد مدیریتی است.

Share