Akrual, Akuntansi Berbasis Model Penilaian, dan Prediksi Nilai Ekuitas

Mary E. Barth

William H. Beaver

Graduate School of Business

Stanford University

John R. M. Tangan

Wayne R. Landsman

Kenan-Flagler Business School

University of North Carolina di Chapel Hill

September 2004

Kami menghargai dana dari Research Initiative Keuangan, Graduate School of Business,

Stanford University, Pusat Penelitian Keuangan dan Akuntansi di UNC-Chapel Hill, Stanford

GSB Fakultas Trust, dan Bank of America Fellowships Penelitian. Kami juga berterima kasih

kepada peserta lokakarya di Lancaster University dan University of Utah untuk komentar

membantu, dan Brian Rountree, Steve Stubben, Qian Wang, dan Rui Yao atas bantuan risetnya

mampu. Sesuai penulis: William H. Beaver, Graduate School of Business, Universitas Stanford,

518 Way Memorial, Stanford, CA 94305-5015, (650) 723-4409, fbeaver@leland.stanford.edu

Akrual, Akuntansi Berbasis Model Penilaian, dan Prediksi Nilai Ekuitas

Abstrak

Penelitian ini menggunakan out-of-sampel nilai ekuitas memperkirakan untuk menentukan

apakah disagregasi pendapatan, menerapkan penilaian informasi model linier (LIM) struktur, dan

estimasi industri yang terpisah bantuan valuasi parameter model dalam memprediksi nilai ekuitas

kontemporer. Kami mempertimbangkan tiga tingkat disagregasi laba: agregat laba, arus kas dan

akrual total, dan arus kas dan empat komponen utama dari akrual. Untuk mengumpulkan

estimasi, menerapkan hasil struktur LIM dalam kesalahan prediksi secara signifikan lebih kecil,

karena oleh-industri estimasi, tidak. Namun, dengan industri-kesalahan prediksi secara

substansial lebih kecil, menunjukkan dengan industri-estimasi yang lebih baik ditentukan. Berarti

kesalahan prediksi kuadrat dan mutlak yang terkecil saat disaggregating laba ke dalam aliran kas

dan komponen akrual utama, kesalahan prediksi median yang terkecil saat disaggregating laba ke

dalam aliran kas dan akrual total. Temuan ini menunjukkan bahwa (1) Jika perhatian adalah

dengan kesalahan dalam ekor dari distribusi ekuitas nilai prediksi kesalahan, maka penghasilan

harus dipisahkan ke dalam aliran kas dan komponen akrual utama, jika pendapatan harus

dipisahkan hanya menjadi arus kas dan akrual total. (2) Menerapkan struktur LIM tidak

meningkat atau menurun kesalahan prediksi, yang memberikan dukungan untuk keberhasilan

menarik kesimpulan dari persamaan penilaian berdasarkan model residual income yang tidak

menerapkan struktur tersirat oleh model. (3) Penilaian dari pendapatan abnormal, akrual,

komponen akrual, nilai buku ekuitas, dan informasi lainnya bervariasi secara signifikan di

seluruh industri.

Akrual, Akuntansi Berbasis Model Penilaian, dan Prediksi Nilai Ekuitas

1. Pengantar

Ada banyak literatur meneliti bagaimana akuntansi jumlah, termasuk pendapatan, dan laba

dirinci menjadi arus kas dan akrual, berhubungan dengan ekuitas kontemporer values.1 Ohlson

(1995, 1999) dan Feltham dan Ohlson (1995, 1996) mengembangkan model penilaian yang

memiliki pranala akuntansi jumlah dan nilai ekuitas dengan mengasumsikan hubungan antara

nilai ekuitas dan struktur informasi linear dari jumlah akuntansi. Meskipun model-model tersebut

telah menjadi subyek pengujian empiris, beberapa studi menguji apakah mereka membantu

dalam memprediksi nilai ekuitas. Tujuan dari penelitian ini adalah untuk menentukan apakah dan

sejauh mana disagregasi pendapatan dan valuasi Model menerapkan informasi bantuan struktur

linear dalam memprediksi nilai ekuitas kontemporer keluar dari sampel. Kami juga menentukan

apakah dan sejauh mana mendasarkan prediksi tersebut pada estimasi industri yang terpisah dari

parameter model valuasi mempengaruhi akurasi mereka.

Tujuan utama dari pelaporan keuangan adalah membantu investor dalam membuat keputusan

ekonomi. Sebuah investor keputusan utama ekonomi buat adalah menilai nilai perusahaan di

mana mereka berinvestasi atau mempertimbangkan untuk berinvestasi. Financial Accounting

Standards Board (FASB) mengakui ini motivasi untuk pelaporan keuangan dengan mencatat

dalam Pernyataan Konsep Akuntansi Keuangan No 1, ayat 34, "pelaporan keuangan harus

menyediakan informasi yang berguna untuk investor saat ini dan potensi, dan kreditor, dan

pengguna lain dalam membuat investasi rasional, kredit, dan keputusan serupa. "Meskipun

FASB mengakui pentingnya kepada investor dari jumlah laporan keuangan, laporan konsep

memberikan sedikit petunjuk mengenai bagaimana jumlah yang akan digunakan. Sebaliknya,

akuntansi berbasis akrual menggabungkan model penilaian akuntansi berdasarkan

1 Sepanjang kita menggunakan laba bersih dan pendapatan bergantian.

di Feltham-Ohlson kerangka memberikan bimbingan ini. Kami menggunakan kerangka ini untuk

memberikan bukti empiris mengenai pertanyaan penelitian kami.

Pertanyaan empiris pertama kita mengatasi adalah apakah disaggregating laba ke dalam aliran

kas dan akrual total, dan ke dalam aliran kas dan komponen utama dari akrual, mengakibatkan

perbedaan dalam kemampuan ekuitas nilai prediksi. Kami melakukan ini karena beberapa studi

menemukan bahwa arus kas dan akrual berbeda dalam kemampuan mereka untuk memprediksi

laba masa depan dan menjelaskan lintas bagian variasi dalam nilai ekuitas. Pertanyaan empiris

kedua kami alamat adalah apakah akuntansi berbasis model penilaian menggabungkan investor

akrual bantuan dalam memprediksi nilai pasar ekuitas. Akuntansi berbasis model penilaian telah

menjadi fokus penelitian dalam beberapa konteks, termasuk memeriksa apakah model tersebut

berlaku secara deskriptif, dan menilai relevansi nilai jumlah akuntansi. Beberapa penelitian

menggunakan akuntansi berbasis model penilaian untuk memprediksi nilai ekuitas untuk tujuan

mengeksploitasi perbedaan antara nilai ekuitas teoritis dan aktual. Namun, mereka hanya

mempertimbangkan pendapatan agregat dan tidak membahas apakah menerapkan struktur

informasi linear model ini mempengaruhi prediktabilitas. Pertanyaan empiris ketiga kita adalah

apakah alamat mendasarkan prediksi estimasi industri yang terpisah dari parameter model

valuasi mempengaruhi prediksi nilai pasar ekuitas. Parameter penilaian dapat berbeda di seluruh

industri karena campuran relatif komponen akrual dapat berbeda di seluruh industri, dan karena

pendapatan forecastability atau kegigihan komponen akrual tertentu dapat berbeda di seluruh

industri.

Untuk menjawab pertanyaan penelitian kami, kami menggunakan sampel perusahaan Compustat

1987-2001. Kami memprediksi nilai pasar ekuitas kontemporer menggunakan out-of-sampel

estimasi, yaitu, kita menggunakan persamaan penilaian cross-sectional bahwa untuk setiap tahun

mengecualikan setiap perusahaan dari persamaan yang digunakan untuk memprediksi nilai

ekuitas pada tahun itu. Akhirat, kita menggunakan istilah untuk merujuk prediksi tersebut

2

out-of-sampel prediksi nilai pasar ekuitas. Untuk menguji apakah laba disagregasi

mempengaruhi nilai ekuitas kemampuan prediktif, kami memperkirakan nilai ekuitas

menggunakan tiga model penilaian informasi linier (LIMS) menggunakan tiga tingkat

disagregasi laba. LIMS terdiri peramalan persamaan untuk pendapatan abnormal dan setiap

komponen laba dianggap terpisah, dan persamaan valuasi ekuitas. Struktur LIM menyediakan

link antara kelipatan dalam persamaan penilaian dan orang-orang di persamaan peramalan. The

LIM pertama berdasarkan penghasilan agregat. Yang kedua, berikut Barth, Beaver, Tangan, dan

Landsman (1999), disaggregates laba ke dalam aliran kas dan akrual total. Yang ketiga,

diperkenalkan di sini, laba disaggregates ke dalam aliran kas dan empat komponen utama dari

akrual-perubahan piutang, perubahan persediaan, perubahan hutang, dan depresiasi.

Kami mengembangkan prediksi nilai ekuitas untuk setiap LIM menggunakan dua prosedur

estimasi. Prosedur pertama adalah valuasi ekuitas persamaan yang mencakup jumlah akuntansi

sebagai variabel penjelas, tetapi tidak menerapkan struktur LIM tersirat oleh pemilahan tingkat

pendapatan. Prosedur kedua menerapkan struktur LIM. Untuk menguji apakah laba disagregasi

bantu dalam memprediksi nilai ekuitas, kita membandingkan kesalahan prediksi di tiga LIMS.

Untuk menguji apakah menerapkan struktur bantu LIM dalam memprediksi nilai ekuitas, kita

membandingkan mean dan median kesalahan prediksi kuadrat dan mutlak dari estimasi ketika

struktur LIM dikenakan kepada mereka dari ketika tidak. Untuk menguji apakah mendasarkan

prediksi pada estimasi industri yang terpisah dari parameter model valuasi mempengaruhi

prediksi ekuitas nilai, kita membandingkan kesalahan prediksi dari dikumpulkan dan estimasi

industri yang terpisah untuk masing-masing LIM.

Pengaruh menerapkan struktur LIM pada out-of-sampel kesalahan prediksi tidak dapat

diprediksi. Hal ini kontras dengan di-sampel kesalahan prediksi, di mana untuk LIM diberikan,

kesalahan diperoleh ketika struktur LIM tidak dikenakan dijamin akan tidak lebih besar dari

mereka

3

diperoleh bila dikenakan. Ada dua alasan mengapa menerapkan struktur LIM dapat

mengakibatkan lebih kecil out-of-sampel kesalahan prediksi. Pertama, menggunakan

pengetahuan tentang keterkaitan jumlah akuntansi dalam penataan LIM harus, hal-hal lain yang

sama, meningkatkan kemampuan valuasi ekuitas persamaan untuk memprediksi nilai ekuitas.

Kedua, menerapkan struktur LIM yang meringankan sejauh mana persamaan valuasi ekuitas

overfits data. Namun, menerapkan struktur LIM dapat menghasilkan lebih besar out-of-sampel

kesalahan prediksi karena inefisiensi dalam memperkirakan parameter peramalan tambahan.

Satu juga mungkin berharap kesalahan prediksi nilai ekuitas menurun sebagai tingkat meningkat

disagregasi laba. Hal ini karena sebagai tingkat pendapatannya meningkat pemilahan, komponen

yang berbeda dari pendapatan yang diizinkan untuk memiliki kelipatan penilaian yang berbeda.

Namun, laba pemilahan dapat menjadi mahal dalam hal kesalahan prediksi peningkatan.

Pertama, out-of-sampel kesalahan prediksi dapat meningkat karena tingkat pendapatan

meningkat disagregasi karena potensi overfitting data. Kedua, sebagai tingkat meningkat

pemilahan pendapatan, demikian juga tingkat struktur yang dikenakan oleh LIM pada hubungan

peramalan dan penilaian. Dengan kata lain, meskipun pendapatan pemilahan rileks kendala pada

koefisien penilaian dengan mengizinkan mereka untuk berbeda, itu menambah kendala pada

koefisien valuasi ketika struktur LIM dikenakan. Akibatnya, kemampuan prediksi masing-

masing relatif LIM dengan yang lain bisa berbeda tergantung pada apakah struktur LIM

dikenakan.

Sebelum membahas pertanyaan penelitian pertama kami dengan membandingkan kesalahan

prediksi berdasarkan berbagai tingkat disagregasi pendapatan, yaitu, LIMS yang berbeda, kami

menjawab pertanyaan penelitian kedua dengan membandingkan kesalahan prediksi dalam setiap

LIM untuk menentukan apakah menerapkan struktur LIM mempengaruhi kesalahan prediksi.

Kami menemukan bahwa untuk ketiga LIMS, menerapkan hasil struktur LIM dalam kesalahan

prediksi secara signifikan lebih kecil untuk estimasi dikumpulkan. Namun,

4

kesalahan prediksi tidak berbeda secara signifikan ketika struktur LIM adalah atau tidak

dipaksakan untuk oleh-industri estimasi. Ini dukungan menemukan kemanjuran menarik

kesimpulan dari persamaan penilaian berdasarkan model residual income yang tidak menerapkan

struktur tersirat oleh model karena hal itu tidak bertambah atau berkurang kesalahan prediksi.

Hasil mencolok dari dalam perbandingan kesalahan prediksi LIM adalah bahwa, konsisten

dengan prediksi kami berkaitan dengan pertanyaan penelitian ketiga, prediksi kesalahan

berdasarkan oleh industri-estimasi yang jauh lebih kecil daripada berdasarkan estimasi

dikumpulkan. Temuan ini menunjukkan bahwa penilaian pendapatan abnormal, akrual,

komponen akrual, nilai buku ekuitas, dan informasi lainnya bervariasi secara signifikan di

seluruh industri. Temuan ini juga menunjukkan bahwa kesimpulan yang berkaitan dengan

apakah menerapkan struktur LIM mengurangi kesalahan prediksi harus didasarkan oleh industri-

estimasi.

Mengenai pertanyaan penelitian pertama kami, kami menemukan bukti dari beberapa

pengurangan kesalahan prediksi rata-rata dari disaggregating laba ke dalam aliran kas dan akrual

total, dan beberapa pengurangan tambahan dari disaggregating akrual total ke empat komponen

utama. Bukti dari kesalahan prediksi median menggambarkan gambaran yang agak berbeda.

Secara khusus, sedangkan kesalahan prediksi rata-rata umumnya mendukung disagregasi laba ke

dalam aliran kas dan empat komponen akrual utama, kesalahan prediksi median umumnya

mendukung disagregasi pendapatan hanya menjadi arus kas dan akrual total. Temuan ini

menunjukkan bahwa jika saat memprediksi pasar ekuitas menghargai kekhawatiran adalah

dengan kesalahan dalam ekor dari distribusi kesalahan prediksi, maka laba bersih harus

dipisahkan ke dalam aliran kas dan empat komponen akrual utama. Namun, jika kekhawatiran

tersebut tidak dengan kesalahan dalam ekor dari distribusi kesalahan prediksi, maka penghasilan

harus dipisahkan hanya menjadi arus kas dan akrual total. Dengan demikian, akrual

5

komponen muncul untuk memberikan informasi tambahan tambahan dengan yang di total akrual

membantu untuk memprediksi nilai ekuitas ketika mempertimbangkan perusahaan dengan lebih

kesalahan prediksi yang ekstrim.

Sisa kertas ini disusun sebagai berikut. Bagian 2 mengembangkan desain penelitian. Bagian 3

menjelaskan sampel dan data, dan bagian 4 menyajikan temuan. Bagian 5 merangkum dan

menyimpulkan penelitian.

2. Desain Penelitian

2.1 MODEL INFORMASI LINEAR

Pengujian kami kesalahan prediksi ekuitas nilai ekuitas menggunakan perkiraan nilai dari tiga

model informasi linier (LIMS) berdasarkan kerangka Feltham-Ohlson. Setiap LIM

mencerminkan tingkat yang berbeda dari disagregasi laba. Pertanyaan penelitian pertama kami

adalah apakah berturut-turut disaggregating laba ke dalam aliran kas dan akrual total, dan arus

kas dan akrual empat besar komponen membantu dalam nilai ekuitas prediksi. Pertanyaan

penelitian kedua kami adalah apakah menerapkan struktur bantu LIM dalam memprediksi nilai

ekuitas.

Model informasi pertama linier, LIM1, didasarkan pada Ohlson (1995), dan terdiri dari tiga

persamaan. Persamaan (1a) - (1c) meramalkan persamaan, dan persamaan (1d) adalah persamaan

penilaian tersirat oleh dinamika informasi linier dari persamaan peramalan. Misalnya, Ohlson

(1995) menunjukkan bahwa pendapatan abnormal valuasi koefisien dalam persamaan (1d), α1,

adalah fungsi nonlinear dari ω11 dan tingkat diskonto, r.

itititaitaitBVNINI111311211110ενωωωω + + + + = --- (1a)

itititBVBV212220εωω + + = - (1b)

ititit313330ενωων + + = - (1c)

itititaitituBVNIMVE + + + + = ναααα3210 (1d) 6

MVE adalah nilai pasar ekuitas, Nia pendapatan abnormal didefinisikan sebagai laba minus

kembali normal pada nilai buku ekuitas, BV, εks dan u adalah istilah kesalahan, dan subskrip i

dan t menunjukkan tegas dan tahunnya.2 tν, informasi lainnya, didefinisikan sebagai 11 ---

ttMVEMVE, di mana 1-tMVE adalah nilai dipasang dari didasarkan pada versi dari persamaan

(1d) yang tidak termasuk 1-tMVEtν. Dengan demikian, tν menangkap sejauh mana variabel

akuntansi tidak menjelaskan nilai pasar ekuitas (Feltham dan Ohlson, 1995; Ohlson, 1995). Kami

termasuk nilai buku ekuitas dalam persamaan (1a) dan pendapatan abnormal dan persamaan

komponen peramalan untuk LIM2 dan LIM3 untuk meningkatkan stasioneritas dari persamaan

peramalan (Barth, Beaver, Tangan, dan Landsman, 1999). LIM1 implisit mengasumsikan bahwa

semua komponen laba memiliki bobot yang sama dalam meramalkan pendapatan abnormal dan

karenanya memiliki bobot yang sama dalam persamaan penilaian.

Kami memperkirakan LIM1 karena berfokus pada pendapatan agregat dan memainkan peran

penting dalam literatur akuntansi empiris. Beberapa penelitian (Bernard, 1995; Lundholm

kemudian membuat, 1995, Barth, Beaver, Tangan, dan Landsman, 1999, Dechow, Hutton, dan

Sloan, 1999; Myers, 1999) menemukan bahwa LIMS laba agregat menggunakan deskriptif yang

berlaku. Dalam terang ini, literatur agak kuat menggunakan spesifikasi berdasarkan LIM1 untuk

memeriksa bagaimana jumlah akuntansi berhubungan dengan nilai ekuitas kontemporer untuk

memperoleh kesimpulan tentang jumlah akuntansi, yaitu, relevansi nilai mereka (Barth, Beaver,

dan Landsman, 2001; Holthausen dan Watts , 2001). Penelitian lain (Frankel dan Lee, 1998; Lee,

Myers, dan Swaminathan, 1999) menggunakan model yang mirip dengan LIM1 untuk

memperkirakan harga teoritis untuk mengeksploitasi perbedaan antara nilai ekuitas teoritis dan

aktual untuk menemukan sekuritas mispriced.

Yang kedua, LIM2, adalah bahwa diperkirakan pada Barth, Beaver, Tangan, dan Landsman

(1999). Ini menenangkan asumsi bahwa total akrual, ACC, dan komponen arus kas dari laba

memiliki

2 Kami menggunakan notasi yang sama untuk koefisien dan istilah kesalahan di tiga LIMS untuk

memfasilitasi penjelasan. Mereka

7

model LIM2 parameters.3 yang sama dapat dilihat sebagai versi dari model di Ohlson (1999),

yang model komponen fana laba, meskipun model berlaku untuk setiap komponen laba. LIM2

terdiri dari empat persamaan, di mana persamaan (2a) sampai dengan (2d) adalah persamaan

peramalan, dan persamaan (2e) adalah persamaan penilaian tersirat oleh dinamika informasi

linier dari persamaan peramalan. Jadi, relatif terhadap LIM1, dengan menambahkan persamaan

peramalan tambahan, LIM2 menerapkan asumsi tambahan pada parameter penilaian.

ititititaitaitBVACCNINI111411311211110ενωωωωω + + + + + = ---- (2a)

ititititBVACCACC212312220εωωω + + + = - (2b)

itititBVBV313330εωω + + = - (2c)

ititit414440ενωων + + = - (2d)

ititititaitituBVACCNIMVE + + + + + = νααααα43210 (2e)

Kami memperkirakan LIM2 karena berfokus pada arus kas dan komponen akrual total

pendapatan dan beberapa studi menemukan bahwa komponen ini berbeda dalam kemampuan

mereka untuk memprediksi laba masa depan dan menjelaskan cross-sectional variasi dalam nilai

ekuitas (Dechow, 1994, Sloan, 1996; Barth, Beaver, Tangan, dan Landsman, 1999; Barth, Cram,

dan Nelson, 2001).

Yang ketiga, LIM3, lanjut melemaskan asumsi yang berkaitan dengan komponen laba dengan

mengizinkan parameter model untuk empat komponen utama untuk akrual berbeda satu sama

lain dan juga dari orang-orang pada komponen lain dari pendapatan, termasuk arus kas. LIM3

terdiri dari tujuh persamaan. Jadi, relatif terhadap LIM2, dengan menambahkan tiga persamaan

peramalan tambahan, LIM3 memberlakukan asumsi tambahan yang berkaitan dengan parameter

penilaian.

kemungkinan berbeda.

8

itititititititBVDEPINVRECREC212712612512312220ενωωωωωω + + + + + Δ Δ + Δ = ----- (3b)

itititititititBVDEPAPINVRECINV313613513413313230εωωωωωω + + + + Δ Δ + Δ + Δ = -----

(3c)

itititititBVAPINVAP414614414340εωωωω + + Δ + Δ + Δ = --- (3d)

ititititBVDEPDEP515615550εωωω + + + = - (3e)

itititBVBV616660εωω + + = - (3f)

ititit717770ενωων + + = - (3g)

itititititititaitituBVDEPAPINVRECNIMVE + + + + + Δ Δ + Δ + + = ναααααααα76543210 (3h)

RECΔis perubahan tahunan piutang, INVΔ adalah perubahan dalam persediaan, APΔ adalah

perubahan dalam hutang, dan depresiasi dan amortisasi Depis.

Kami memperkirakan LIM3 karena berfokus pada pendapatan dirinci menjadi arus kas dan

empat komponen akrual utama dan temuan di Barth, Cram, dan Nelson (2001) menunjukkan

komponen berbeda dalam kemampuan mereka untuk meramalkan arus kas masa depan dan

menjelaskan cross-sectional variasi dalam nilai ekuitas . Selain itu, Barth, Beaver, Tangan, dan

Landsman (1999) menemukan LIM2 yang mungkin mispecified, yang menunjukkan bahwa

disaggregating akrual menjadi komponen utama bisa meningkatkan kemampuan kita untuk

memprediksi nilai ekuitas.

Lampiran A menjelaskan bagaimana kita mengembangkan LIM3 dan menyajikan temuan-

temuan dari memperkirakan persamaan peramalan LIM untuk ketiga LIMS. Lampiran B

mengembangkan hubungan aljabar antara koefisien penilaian dan koefisien persamaan

peramalan untuk LIM3. Sebagaimana dijelaskan dalam Lampiran B, tanda-tanda dan besaran

dari αjs dalam persamaan (3h) tergantung pada ωs dalam persamaan (3a) melalui (3g).

Hubungan antara αjs dan ωs yang kompleks karena jumlah variabel penjelas dalam persamaan

(3h), yang masing-masing memiliki peramalan sendiri

3 Perhatikan bahwa memungkinkan suatu koefisien yang berbeda untuk total akrual dalam

persamaan (2a) dan (2e) secara implisit memungkinkan

9

persamaan. Kompleksitas hubungan diperburuk karena persamaan (3a) melalui (3g) tidak

memiliki struktur segitiga. Misalnya, dengan struktur segitiga, tanda-tanda α1and α2 ditentukan

semata-mata oleh tanda-tanda ω11, dan ω22 masing (Myers, 1999). Meskipun dapat ditunjukkan

bahwa tanda α1is ditentukan oleh tanda ω11, tanda dari masing-masing αs tersisa tidak

ditentukan oleh ω tunggal.

Pertanyaan penelitian ketiga kita adalah apakah alamat memperkirakan parameter penilaian

dengan menggunakan alat bantu industri estimasi terpisah dalam memprediksi nilai pasar

ekuitas. Parameter penilaian dapat berbeda di berbagai industri karena dua alasan. Yang pertama

adalah bahwa campuran relatif komponen akrual dapat berbeda di berbagai industri. Sebagai

contoh, perusahaan manufaktur memiliki investasi besar dalam persediaan, namun perusahaan

jasa tidak. Sehubungan dengan LIM3, jika ini adalah satu-satunya perbedaan, maka semua

penilaian dan parameter peramalan akan sama di seluruh industri. Namun, karena persediaan

digabungkan dengan akrual lainnya di LIM1 dan LIM2, penilaian dan peramalan parameter akan

berbeda di seluruh industri untuk ini LIMS. Yang kedua adalah bahwa pendapatan forecastability

atau kegigihan komponen akrual tertentu dapat berbeda di berbagai industri. Sebagai contoh,

perusahaan manufaktur cenderung memiliki piutang yang lebih gigih dari perusahaan ritel.

Sampai-sampai perusahaan dalam menghadapi kondisi industri yang sama ekonomi yang sama,

termasuk biaya modal, dan memiliki praktik akuntansi yang sama, termasuk tingkat

konservatisme, parameter penilaian dan peramalan untuk perusahaan dalam industri tertentu

akan sama. Namun, parameter dapat berbeda di berbagai industri sebagai akibat dari perbedaan

dalam lingkungan ekonomi dan praktik akuntansi. Estimasi industri yang terpisah

memungkinkan semua parameter penilaian dan peramalan untuk mencerminkan variasi

sistematis dalam lingkungan ekonomi dan akuntansi di seluruh industri, misalnya,

koefisien pada arus kas, yaitu, ω11 dan α1, berbeda dari orang-orang di akrual, yaitu, ω11 + ω12

dan α1 + α2.

10

diferensial ketekunan dalam pendapatan abnormal. Hal ini juga memungkinkan tingkat

konservatisme dan biaya modal terkait dengan pendapatan abnormal bervariasi oleh industry.4

2.2 OUT-OF-CONTOH PREDIKSI

Kami menggunakan prosedur jack-knifing untuk menghasilkan kontemporer out-of-sampel

prediksi nilai pasar ekuitas. Alasan utama untuk menggunakan jack-knifing adalah bahwa kita

berusaha untuk memperoleh prediksi nilai ekuitas untuk masing-masing perusahaan tanpa

menggunakan data yang perusahaan untuk menghasilkan ekuitas diprediksi nya value.5 Jack-

knifing juga menghasilkan statistik kami mendapatkan untuk pengujian hipotesis yang tidak

bergantung pada diketahui parametrik distribusi, misalnya, normalitas (Noreen, 1989) .6

Prediksi perusahaan nilai ekuitas i di tahun t adalah nilai prediksi dari persamaan penilaian di

setiap persamaan LIM, yaitu, (1d), (2e), dan (3h), dengan menggunakan koefisien yang

diperkirakan dari persamaan penilaian dan data semua perusahaan ' kecuali perusahaan i ada di

tahun t. Karena perusahaan data saya di tahun t tidak digunakan untuk memperkirakan koefisien,

prediksi setiap out-of-sampel. Kami diatur ke nol nilai ekuitas negatif diprediksi pasar karena

ekuitas nilai pasar tidak bisa negative.7

Menerapkan struktur tersirat oleh LIM menghambat koefisien estimasi valuasi berhubungan

dengan koefisien persamaan peramalan perkiraan dengan cara yang ditentukan oleh LIM

tertentu. Ketika kita menerapkan struktur LIM, kita mengecualikan Data perusahaan i pada tahun

t saat

4 Sebagaimana dijelaskan dalam bagian 3.1, ketika kami memperkirakan persamaan penyatuan

perusahaan sampel di seluruh industri, kita menggunakan industri dan tahun fixed-efek. Hal ini

memungkinkan penyadapan bervariasi di seluruh industri dan tahun, tetapi membatasi koefisien

kemiringan harus sama.

5 motivasi lain untuk menggunakan out-of-sampel prediksi adalah untuk membantu

membedakan antara dua interpretasi alternatif untuk temuan di Barth, Beaver, Tangan, dan

Landsman (1999) yang menerapkan struktur LIM2 hasil di lebih besar dalam sampel-kesalahan

ekuitas nilai prediksi . Secara khusus, salah satu interpretasi temuan itu adalah bahwa LIM2 tidak

benar ditentukan. Lain adalah bahwa LIM2 benar ditentukan dan overfits data. Artinya, ada

kemungkinan bahwa menerapkan struktur tersirat oleh LIM2 menghasilkan koefisien estimasi

valuasi yang lebih dekat dengan kelipatan valuasi teramati dengan mengorbankan daya penjelas

yang lebih rendah dibandingkan dengan perkiraan di mana struktur tidak dipaksakan. Sulit untuk

menentukan penafsiran yang benar tanpa out-of-sampel tes prediksi.

6 Prosedur jack-pisau mengasumsikan bahwa estimasi parameter yang dihasilkan dari sampel

yang dikumpulkan secara acak dan pengamatan dalam sampel independen.

11

memperkirakan semua persamaan yang LIM itu. Misalnya, saat membuat prediksi LIM1 untuk

perusahaan i pada tahun t tanpa menerapkan struktur LIM, kami memperkirakan persamaan (1d)

menggunakan data untuk semua perusahaan, kecuali perusahaan i pada tahun t. Ketika

menghasilkan prediksi LIM1 untuk perusahaan i pada tahun t dengan menerapkan struktur LIM,

kami memperkirakan persamaan (1a) melalui (1d) menggunakan data untuk semua perusahaan,

kecuali perusahaan i pada tahun t dan membatasi koefisien dalam persamaan (1d) untuk sama

yang tersirat oleh persamaan (1a) melalui (1c), misalnya,. ) / (11111ωωα-R =

ERROR PREDIKSI TES 2.3

Untuk setiap LIM, kita membangun dua distribusi kesalahan prediksi, yang dihasilkan tanpa

menerapkan struktur LIM dan satu dengan. Untuk setiap distribusi, kita menghitung dua metrik

kesalahan prediksi umum digunakan, persentase kesalahan mutlak, AE, dan persentase kesalahan

kuadrat, SE:

AE = itititMVEMVEMVE) / diprediksi abs (- dan (4a)

SE =. (4b) 2)) / diprediksi ((itititMVEMVE MVE-

Untuk menilai signifikansi statistik perbedaan kesalahan prediksi, kami membandingkan kedua

sarana dan median untuk AE dan SE.8 ini menghasilkan total delapan metrik kesalahan untuk

setiap LIM. Untuk tes membandingkan berarti, MeanAE dan MeanSE, kita asumsikan varian

yang tidak sama ketika tes kesetaraan varians menolak nol. Untuk tes membandingkan median,

MedAE dan MedSE, kami menggunakan tes tanda dipasangkan nonparametrik yang tidak

memerlukan simetri perbedaan dipasangkan di jajaran.

Untuk menjawab pertanyaan penelitian pertama kami, apakah laba pemilahan bantu dalam

memprediksi nilai ekuitas, kita membandingkan kesalahan prediksi di tiga LIMS, ketika struktur

LIM adalah

7 Jumlah negatif nilai ekuitas diperkirakan pasar sekitar 10 persen di setiap LIM diperkirakan.

Tidak mengherankan, perusahaan dengan nilai ekuitas negatif diprediksi terkonsentrasi antara

perusahaan dengan nilai pasar ekuitas kecil.

8 yang signifikan Istilah menunjukkan signifikansi statistik pada tingkat 0,05 atau kurang

menggunakan uji satu sisi untuk prediksi ditandatangani, dan uji dua sisi sebaliknya. 12

dikenakan dan ketika itu tidak. Untuk menjawab pertanyaan penelitian kedua, apakah

menerapkan struktur bantu LIM dalam memprediksi nilai ekuitas, dalam setiap LIM, kita

membandingkan prediksi dari estimasi ketika struktur LIM dikenakan kepada mereka dari ketika

tidak. Untuk menjawab pertanyaan penelitian ketiga kami, apakah mendasarkan prediksi pada

estimasi industri yang terpisah dari parameter model valuasi mempengaruhi prediksi ekuitas

nilai, kita membandingkan kesalahan prediksi dari dikumpulkan dan estimasi industri yang

terpisah untuk setiap LIM, ketika prediksi didasarkan pada menerapkan struktur LIM dan ketika

mereka tidak.

3. Data dan Statistik Deskriptif

3.1 DATA

Kami memperoleh data untuk 1987-2001 dari Compustat Primer, Sekunder, dan Tersier,

Cakupan Kendali, dan File Penelitian Industri Tahunan. Periode sampel kami dimulai pada tahun

1987 karena sebelum itu arus kas dari operasi tanggal diungkapkan dalam Pernyataan Standar

Akuntansi Keuangan No 95 (FASB, 1987) tidak tersedia. Untuk mengurangi efek outlier, untuk

setiap variabel, tahun dan dalam masing-masing industri, kita memperlakukan hilang

pengamatan yang berada di atas dan bawah yang ekstrim satu persentil (Collins, Maydew, dan

Weiss, 1997, Fama dan French, 1998; Barth , Beaver, Tangan, dan Landsman, 1999), dan

pengamatan yang nilai absolut dari setiap komponen akrual digunakan dalam LIM3 dibagi

dengan total pendapatan lebih besar dari satu. Untuk menghindari pengaruh perusahaan kecil,

kita membatasi sampel untuk perusahaan dengan total aset lebih dari $ 10 juta. Untuk

mempermudah perbandingan dengan LIMS, kami menuntut perusahaan sampel memiliki data

lengkap untuk memperkirakan semua peramalan dan persamaan valuasi, yang menghasilkan

sampel umum di LIMS. Semua variabel diukur pada akhir tahun fiskal, termasuk nilai pasar

saham, dan dinyatakan dalam jutaan dolar.

13

Laba bersih, NI, adalah laba sebelum pos luar biasa dari laporan arus kas. Meskipun

mendefinisikan NI dengan cara ini melanggar asumsi kelebihan bersih Ohlson (1995),

menghilangkan efek berpotensi membingungkan besar satu kali item dan konsisten dengan

penelitian sebelumnya (misalnya, Dechow, Hutton, dan Sloan, 1999) .9 Temuan dalam Tangan

dan Landsman (2004) menunjukkan bahwa melanggar Surplus bersih harus memiliki sedikit efek

pada temuan kami. Dalam menghitung pendapatan abnormal, Nia, kami menetapkan R - 1 ≡ r =

12%, return jangka panjang terhadap ekuitas (Barth, Beaver, Tangan, dan Landsman, 1999;

Dechow, Hutton, dan Sloan, 1999) .10 Total akrual , ACC, sama dengan NI dikurangi arus kas

dari operasi.

Kami memperkirakan semua persamaan dengan untabulated tahun tetap-efek, dan dengan

untabulated industri fixed-efek, ketika berlaku, penyatuan tersedia perusahaan-tahun pengamatan

dari semua sampel tahun. Kami menggunakan data dari empat tahun saat ini dan terbaru

sebelumnya ketika memperkirakan penilaian dan peramalan equations.11 Karena jumlah

tertinggal muncul sebagai variabel penjelas dalam persamaan peramalan, estimasi persamaan

menggunakan data dari enam tahun. Ini mencerminkan tradeoff antara efisiensi dan stasioneritas

parameter, di mana mungkin mantan (yang terakhir) adalah kenaikan (penurunan) dalam

beberapa tahun dimasukkan dalam persamaan estimasi.

Kami mendasarkan klasifikasi industri kami pada mereka di Barth, Beaver, dan Landsman

(1998) dan Barth, Beaver, Tangan, dan Landsman (1999), dan termasuk makanan, tekstil,

percetakan dan penerbitan, bahan kimia, obat-obatan; industri ekstraktif, produsen tahan lama;

komputer, ritel, dan jasa. Kami membagi perusahaan manufaktur tahan lama menjadi tujuh

industri: karet, plastik, kulit, batu, tanah liat & kaca, logam, mesin, peralatan listrik, peralatan

transportasi, instrumen, dan lain-lain. Kami juga membagi perusahaan ritel menjadi tiga industri:

grosir;

9 Hal ini juga konsisten dengan satu kali item yang memiliki ketekunan nol sehubungan dengan

pendapatan abnormal masa depan (Ohlson, 1999).

10 Tidak ada kesimpulan eksperimental kami dipengaruhi oleh asumsi nilai alternatif untuk r,

mulai dari 8 sampai 14 persen. 14

aneka ritel, dan restoran. Kami membagi produsen tahan lama dan industri ritel untuk

meningkatkan kemungkinan bahwa parameter yang sama dalam industri masing-masing, dan

untuk membantu menyeimbangkan jumlah perusahaan sampel di seluruh industri.

LIMITASI Namun, kita mengecualikan lembaga keuangan dan perusahaan-perusahaan dalam

industri asuransi dan real estate. Kami melakukannya untuk memastikan bahwa komponen

akrual yang kita fokus bermakna bagi perusahaan-perusahaan sampel kami. Misalnya, persediaan

bukanlah prediktor laba masa depan bagi lembaga keuangan. Kami memperkirakan semua

persamaan menggunakan data unscaled (Barth dan penelitian Kallapur, 1996) .12

3.2 DESKRIPTIF STATISTIK

Tabel 1 menyajikan statistik deskriptif untuk setiap variabel yang digunakan dalam persamaan

estimasi. Panel Sebuah laporan statistik distribusi, panel B mengandung Pearson dan korelasi

Spearman, dan panel C menggambarkan komposisi industri sampel. Panel A menunjukkan

bahwa rata-rata, nilai pasar ekuitas melebihi nilai buku ekuitas, menunjukkan bahwa nilai buku

ekuitas saja tidak cukup untuk menjelaskan nilai ekuitas pasar. Konsisten dengan penelitian

sebelumnya, (Sloan, 1996; Barth, Beaver, Tangan, dan Landsman, 1999; Barth, Cram, dan

Nelson, 2001), panel A juga mengungkapkan bahwa rata-rata, total akrual adalah negatif. Hal ini

disebabkan beban penyusutan yang termasuk dalam akrual, namun pengeluaran modal yang

termasuk dalam investasi arus kas. Secara khusus, berarti beban penyusutan dan amortisasi, $

27.450.000, lebih dari tiga kali lebih besar dari perubahan berarti dalam piutang, $ 5.590.000,

komponen akrual terbesar berikutnya. Untuk memberikan wawasan tentang ukuran relatif dari

setiap panel, komponen akrual A juga mencakup statistik distribusi untuk nilai absolut dari setiap

komponen dibagi dengan total pendapatan. Temuan menunjukkan bahwa keempat komponen

akrual terdiri dari proporsi non-sepele dari total

11 Seperti disebutkan di atas, kita mengecualikan Data perusahaan i pada tahun t ketika

memprediksi tahun nilai ekuitas pasar t. Namun, kami menggunakan data perusahaan i selama

bertahun-tahun sebelum tahun t karena mereka dikenal ketika memprediksi nilai pasar saham

untuk tahun t.

15

pendapatan, dengan penyusutan dan amortisasi menjadi komponen terbesar (rata-rata = 5,98%

dari total pendapatan), dan perubahan persediaan yang terkecil (rata-rata = 2,36% dari total

pendapatan).

Panel B menunjukkan bahwa sebagian besar variabel yang sangat berkorelasi satu sama lain.

Panel C menunjukkan bahwa industri dengan konsentrasi terbesar perusahaan-tahun pengamatan

adalah Komputer, 15,32%, Tekstil, percetakan & penerbitan, 9,49%, dan Jasa, 9,18%.

4. Hasil

4.1 RINGKASAN STATISTIK DARI LIM estimasi

Tabel 2, panel A sampai C, ringkasan statistik regresi hadir untuk persamaan nilai pasar ekuitas

untuk tiga LIMS, persamaan (1d), (2e), dan (3h) .13 Statistik ini tidak didasarkan pada prosedur

jack-knifing dijelaskan dalam bagian 2.2. Kami menyajikan statistik ini untuk memberikan bukti

deskriptif pada besaran dan tanda-tanda dari perkiraan valuasi parameter dan efek pada perkiraan

menerapkan struktur LIM, dan untuk memfasilitasi perbandingan dengan penelitian sebelumnya.

Dua baris pertama dalam setiap statistik laporan panel didasarkan pada penyatuan semua

pengamatan. Garis tersisa melaporkan statistik dari industri-industri oleh-estimasi, khususnya

sarana, minimum dan maksimum, jumlah industri yang koefisien secara signifikan positif dan

negatif, dan jumlah industri yang koefisien estimasi dengan dan tanpa menerapkan struktur LIM

berbeda secara signifikan . Misalnya, perkiraan rata-rata α1 dalam tabel 2, panel A, 6,82,

merupakan rata-rata dari 17 nilai rata-rata industri. Pengujian

12 Untabulated temuan dari regresi menggunakan berbagai kontrol untuk perbedaan skala di

seluruh hasil perusahaan dalam kesimpulan serupa dengan yang dari temuan ditabulasikan.

13 Kami menerapkan regresi yang tampaknya tidak berhubungan ketika memperkirakan setiap

sistem persamaan. Dengan demikian, parameter estimasi dari persamaan penilaian

mencerminkan dampak dari kesalahan memungkinkan regresi dari masing-masing persamaan

peramalan berkorelasi dengan orang-orang dalam persamaan penilaian.

16

apakah masing-masing koefisien rata-rata berbeda dari nol didasarkan pada standar deviasi dari

17 berarti industri (Fama dan Macbeth, 1972).

Temuan yang berkaitan dengan LIM1 di panel A yang konsisten dengan penelitian sebelumnya

(Barth, Beaver, Tangan, dan Landsman, 1999; Dechow, Hutton, dan Sloan, 1999). Secara

khusus, koefisien valuasi pada pendapatan abnormal dan nilai buku ekuitas, α1 α2 dan, secara

signifikan positif dalam sampel dikumpulkan dan di semua industri (dan oleh karena itu

koefisien rata-rata di industri juga signifikan positif), baik dengan dan tanpa menerapkan LIM

struktur. Koefisien penilaian, α3, informasi lainnya, ν, juga selalu positif dan signifikan. Sebagai

contoh, tanpa menerapkan struktur LIM, perkiraan koefisien estimasi pooled (t-statistik) untuk

α1, α2, dan α3 adalah 9,45, 2,52, dan 0,69 (69,75, 143,44, dan 80.38). Kisaran besar dalam

perkiraan koefisien seluruh 17 industri, sebagaimana dibuktikan oleh minimum dan maksimal,

menunjukkan prediksi ekuitas didasarkan pada estimasi industri terpisah daripada estimasi

dikumpulkan mungkin lebih akurat. Sebagai contoh, tanpa menerapkan struktur LIM, perkiraan

α1 di berbagai industri 2,02-21,84.

Panel A juga mengungkapkan bahwa koefisien penilaian, α1, α2, dan α3, diperkirakan dengan

dan tanpa menerapkan struktur LIM berbeda secara signifikan untuk hampir semua industri.

Sebagai contoh, untuk 8 (7) industri, α1 perkiraan secara signifikan lebih besar ketika struktur

LIM tidak (adalah) diberlakukan, hanya menyisakan dua industri dimana α1 perkiraan tidak

berbeda secara signifikan. Hal ini menimbulkan kemungkinan bahwa prediksi dari nilai ekuitas

pasar berdasarkan koefisien estimasi dengan dan tanpa menerapkan struktur LIM bisa berbeda

secara signifikan.

Beralih ke LIM2, temuan di panel B juga konsisten dengan penelitian sebelumnya (Barth,

Beaver, Tangan, dan Landsman, 1999). Secara khusus, untuk sampel dikumpulkan dan untuk

semua industri, koefisien valuasi pada pendapatan abnormal dan nilai buku ekuitas, dan α3 α1,

yang

17

positif dan signifikan. Koefisien penilaian tambahan pada total akrual, α2, secara signifikan

negatif di sebagian besar (semua) industri ketika struktur LIM tidak (adalah) diberlakukan. Cara

di industri α1,, α2 α3 dan tanpa menerapkan struktur LIM adalah 7,43, -2,18, dan 2,10, yang

berarti dibandingkan dengan seluruh industri dari 8,95, -1,94, dan 1,87 di Barth, Beaver, Tangan,

dan Landsman (1999 ). Fakta bahwa koefisien total akrual berbeda dari yang di komponen lain

dari pendapatan abnormal menunjukkan bahwa disaggregating laba ke dalam aliran kas dan

akrual total dapat meningkatkan prediksi ekuitas valuasi. Adapun LIM1, koefisien penilaian

untuk informasi lainnya,, α4 secara signifikan positif dalam semua kasus.

Panel B juga mengungkapkan bahwa koefisien valuasi diperkirakan dengan dan tanpa

menerapkan struktur LIM berbeda secara signifikan untuk hampir semua industri. Misalnya,

selama 10 (5) industri, α2 perkiraan secara signifikan lebih besar ketika struktur LIM tidak

(adalah) diberlakukan, hanya menyisakan dua industri dimana α2 perkiraan tidak berbeda secara

signifikan. Seperti LIM1, ini lagi meningkatkan kemungkinan bahwa prediksi dari nilai ekuitas

pasar berdasarkan koefisien estimasi dengan dan tanpa menerapkan struktur LIM bisa berbeda

secara signifikan.

Temuan di panel C berkaitan dengan LIM3, yang memungkinkan koefisien terpisah untuk empat

komponen akrual, menunjukkan perbedaan besar dalam koefisien seluruh komponen, serta

substansial antar-industri perbedaan koefisien untuk setiap komponen. Mengenai lintas-

komponen perbedaan, hasil dari estimasi dikumpulkan tanpa menerapkan struktur LIM

menunjukkan setiap koefisien tambahan pada perubahan persediaan, perubahan hutang, dan

depresiasi, α3, α4, dan α5, adalah positif, dan bahwa pada perubahan piutang , α2, adalah negatif.

Namun, hanya koefisien tambahan pada perubahan hutang secara signifikan berbeda dari nol.

The α2 menggenang, α3, α4, dan perkiraan koefisien α5 (t-statistik) adalah -0.22, 0,48, 1,20, dan

0,21 (-0.68, 1.15, 3.34, dan 1.10).

18

Hasil dari estimasi dikumpulkan dengan menerapkan struktur LIM menunjukkan bahwa

koefisien tambahan pada perubahan hutang dan depresiasi,, α4 dan α5, secara signifikan positif,

dan mereka pada perubahan piutang dan persediaan,, α2 α3 dan, secara signifikan negatif. The α2

menggenang, α3, α4, dan perkiraan koefisien α5 (t-statistik) adalah -1.40, -2,70, 1,17, dan 0,84 (-

7,63, -11,69, 5,90, dan 4,61). Selain itu, untabulated temuan dari uji kesetaraan koefisien di

empat komponen akrual menunjukkan koefisien berbeda secara signifikan dari satu sama lain.

Temuan ini menunjukkan bahwa koefisien total penyusutan dan perubahan piutang, persediaan,

dan hutang secara signifikan berbeda dari pada aliran kas dan komponen akrual lainnya dari

penghasilan bila struktur LIM dikenakan. Dengan demikian, berkaitan dengan pertanyaan

penelitian pertama kami, temuan ini menunjukkan bahwa disagregasi akrual total ke empat

komponen utama dapat membantu dalam memprediksi nilai ekuitas ketika struktur LIM

dikenakan. Berkaitan dengan pertanyaan penelitian kedua, menemukan koefisien yang berbeda

dengan dan tanpa menerapkan struktur LIM menimbulkan pertanyaan apakah ekuitas prediksi

nilai ditingkatkan ketika struktur LIM dikenakan.

Beralih ke estimasi industri yang terpisah, tabel 2 menunjukkan bahwa kesimpulan yang

berkaitan dengan koefisien rata-rata di industri berbeda dengan dari regresi dikumpulkan. Secara

khusus, ketika struktur LIM tidak dikenakan, tidak ada koefisien komponen tambahan akrual

memperkirakan dari α2, α3, α4, dan α5 secara signifikan berbeda dari nol. Ketika struktur LIM

dikenakan, hanya koefisien pada perubahan dalam persediaan, α3, secara signifikan berbeda dari

nol.

Juga, tabel 2, panel C, menunjukkan ada substansial lintas-industri variasi koefisien pada setiap

komponen akrual. Untuk kedua dengan dan tanpa LIM struktur yang ditetapkan estimasi,

koefisien penilaian tambahan, αj, pada setiap komponen akrual secara signifikan positif untuk

beberapa industri dan negatif bagi orang lain. Misalnya, ketika struktur LIM tidak

19

dipaksakan, koefisien pada perubahan hutang, α4, secara signifikan positif dalam lima industri,

dan secara signifikan negatif dalam lima industri. Ini kontras dengan koefisien pada komponen

lain dari pendapatan abnormal, yang meliputi arus kas, α1, nilai buku ekuitas, α6, dan informasi

lainnya, α7, yang positif dan signifikan di semua industri. Koefisien penilaian tambahan pada

perubahan piutang,, α2, dan perubahan dalam hutang, α4, lebih konsisten daripada yang positif

tentang perubahan dalam persediaan, α3, dan depresiasi, α5, yang lebih terbagi rata untuk tanda-

tanda mereka.

Secara kolektif, tabel 2, panel A, B, dan C, menghasilkan tiga temuan kunci yang berpotensi

memiliki implikasi untuk prediksi nilai ekuitas. Pertama, koefisien penilaian terhadap laba bersih

berbeda dari pada total akrual, dan koefisien penilaian pada komponen akrual utama berbeda satu

sama lain. Kedua, tanda-tanda dan besaran dari koefisien penilaian komponen akrual tergantung

pada apakah struktur LIM dikenakan. Ketiga, koefisien komponen akrual penilaian berbeda di

berbagai industri. Bagian berikutnya meneliti sejauh mana perbedaan-perbedaan ini

mempengaruhi prediksi ekuitas nilai.

4.2 PERBANDINGAN OUT-OF-CONTOH PREDIKSI NILAI EKUITAS

4.2.1 Dalam perbandingan LIM kesalahan prediksi ekuitas nilai

Tabel 3 menyajikan berarti (median) kesalahan kuadrat dan mutlak, MeanSE dan MeanAE

(MedSE dan MedAE), untuk prediksi nilai pasar saham yang diperoleh dari estimasi di mana

parameter model diperkirakan dengan dan tanpa menerapkan struktur LIM, dengan

menggunakan prosedur jack-knifing dijelaskan dalam bagian 2.2. Perbedaan signifikan ditandai

dengan huruf tebal. Untuk setiap perbandingan, Tabel 3 menyajikan temuan berdasarkan

kesalahan prediksi dari dikumpulkan dan estimasi industri yang terpisah. Dua perbandingan

disajikan untuk estimasi industri. Yang pertama didasarkan pada menggabungkan semua

kesalahan dari estimasi industri yang terpisah. Yang kedua adalah berdasarkan

20

pada metrik error mean dan median untuk masing-masing 17 industri. Tabel 3 juga

mencantumkan jumlah industri yang metrik kesalahan berbeda secara signifikan. Panel A, B, dan

C menyajikan temuan yang berkaitan dengan LIM1, LIM2, dan LIM3.

Temuan yang berkaitan dengan estimasi dikumpulkan untuk ketiga LIMS mengungkapkan

bahwa menerapkan hasil struktur LIM di MeanSEs secara signifikan lebih kecil, MeanAEs,

MedSEs, dan MedAEs. Misalnya, untuk LIM1, panel A mengungkapkan bahwa menerapkan

struktur LIM secara signifikan mengurangi MeanSEs (MeanAEs) 75,94-65,25 (2,72-2,64)

berdasarkan estimasi dikumpulkan. Namun, untuk LIM1 dan LIM2, temuan ini tidak

memperoleh dalam estimasi oleh-industri. Secara khusus, dengan satu pengecualian, semua

metrik error empat dilandasi oleh industri-estimasi secara signifikan lebih besar ketika struktur

LIM dikenakan. Misalnya, untuk LIM1, panel A mengungkapkan bahwa menerapkan struktur

LIM secara signifikan meningkatkan MeanSEs (MeanAEs) 34,04-35,98 (1,76-1,79). Untuk

LIM3, hasilnya dicampur dalam bahwa ketika struktur LIM tidak dikenakan, kesalahan prediksi

median secara signifikan lebih besar, namun kesalahan prediksi rata-rata secara signifikan lebih

kecil. Namun, untuk ketiga LIMS, tidak ada kesalahan yang berkaitan dengan metrik rata-rata

(median) berarti industri (median) berbeda secara signifikan ketika struktur LIM adalah atau

tidak dipaksakan. Konsisten dengan ini, untuk ketiga LIMS, jumlah industri yang MeanSEs

(MeanAEs) lebih kecil signifikan dengan atau tanpa menerapkan struktur LIM kurang lebih

sama, meskipun ada beberapa bukti bahwa menerapkan struktur LIM adalah sedikit bermanfaat

bagi LIM2. Secara keseluruhan, temuan ini menunjukkan bahwa menerapkan struktur LIM tidak

konsisten meningkat atau menurun secara konsisten kesalahan prediksi. Dengan demikian,

temuan ini mendukung efektivitas menarik kesimpulan dari persamaan penilaian berdasarkan

model residual income yang tidak menerapkan struktur tersirat oleh model.

21

Sebuah hasil yang mencolok dalam tabel 3 berkaitan dengan perbandingan antara temuan

dikumpulkan dan oleh-industri estimasi. Pertama, konsisten dengan prediksi kami bahwa

hubungan antara nilai pasar saham dan jumlah akuntansi berbeda antar industri, masing-masing

empat metrik kesalahan secara signifikan dan substansial lebih besar berbasis pada pooled

estimation.14 Sebagai contoh, MeanSEs dan MeanAEs berdasarkan estimasi dikumpulkan

hampir dua kali lebih besar seperti yang dilandasi oleh industri-estimasi. Ingat bahwa estimasi

dikumpulkan meliputi industri fixed-efek. Seandainya kita membatasi mencegat harus sama di

seluruh industri dalam estimasi dikumpulkan, perbedaan antara dikumpulkan dan oleh-industri

estimasi kemungkinan akan lebih besar. Kedua, kesimpulan yang berkaitan dengan apakah

menerapkan struktur LIM mengurangi kesalahan prediksi berbeda tergantung pada apakah

kesimpulan didasarkan pada perbandingan metrik kesalahan dari menggenang atau oleh-industri

estimasi. Sedangkan metrik kesalahan berdasarkan estimasi dikumpulkan secara signifikan lebih

kecil ketika struktur dikenakan, sebaliknya adalah benar dalam estimasi oleh-industri.

4.2.2 Cross-LIM perbandingan kesalahan prediksi ekuitas nilai

Tabel 4 menyajikan perbandingan dari empat metrik kesalahan di tiga estimasi LIM. Panel A (B)

menyajikan perbandingan MeanSE dan MeanAE tanpa (dengan) menerapkan struktur LIM,

panel C (D) menyajikan statistik analog untuk MedSE dan MedAE. Perbedaan yang signifikan

antara (1) dan LIM1 LIM2, (2) LIM1 dan LIM3, dan (3) LIM2 dan LIM3 metrik kesalahan yang

dilambangkan dengan tanda bintang (*), huruf miring, dan font huruf tebal, masing-masing.

Untuk setiap perbandingan berpasangan dari LIMS, 4 meja juga mencantumkan jumlah industri

yang metrik kesalahan berbeda secara signifikan.

14 MeanSE, MeanAE, MedSE, dan nilai-nilai MedAE untuk estimasi dikumpulkan secara

signifikan lebih besar dari setiap nilai industri berbasis sebanding dengan kurang dari tingkat

0,0001. Konsisten dengan temuan ini, Barth, Beaver, Tangan, dan Landsman (1999) memberikan

bukti deskriptif bahwa pendapatan arus kas akrual dan komponen bervariasi di

22

Perbandingan MeanSE dan MeanAE berdasarkan LIM1 dan LIM2 di panel A dan B

mengungkapkan bahwa disagregasi laba menjadi arus kas dan total akrual bantu dalam

memprediksi nilai pasar ekuitas. Pada 11 dari 12 perbandingan, metrik kesalahan untuk LIM2

lebih kecil daripada untuk LIM1. Namun, hanya empat dari perbedaan ini signifikan, tiga di

antaranya memperoleh ketika struktur LIM dikenakan. Secara khusus, panel B mengungkapkan

bahwa ketika struktur LIM dikenakan, tiga dari enam metrik kesalahan secara signifikan lebih

kecil untuk LIM2 dari LIM1, dan tidak ada yang secara signifikan lebih kecil untuk LIM1.

Pengurangan yang signifikan dalam MeanSE, 65,25-58,13, berdasarkan estimasi dikumpulkan,

dan di MeanAE, 2,64-2,58 dan 1,79-1,76, berdasarkan dikumpulkan dan oleh-industri estimasi.

Selain itu, ada sejumlah besar industri yang LIM2 hasil dalam pengurangan MeanSE (MeanAE),

4 versus 3 (7 vs 5).

Mengenai perbandingan kesalahan prediksi dari LIM2 dan LIM3, panel A dan B

mengungkapkan bahwa kesalahan prediksi LIM3 bukti kecil dari LIM2 ketika struktur LIM tidak

dikenakan. Misalnya, panel A mengungkapkan bahwa ketika struktur LIM tidak dikenakan,

disaggregating laba ke dalam aliran kas dan empat komponen utama akrual secara signifikan

menurunkan MeanSE 33,97-31,66 dilandasi oleh industri-estimasi, dan MeanAEs 2,69-2,66 dan

1,75-1,68 , berdasarkan dikumpulkan dan oleh-industri estimasi. Namun, panel B

mengungkapkan bahwa ketika struktur LIM dikenakan, MeanSEs dan MeanAEs meningkat

secara signifikan ketika menggunakan LIM3, 58,13-64,20 dan 2,58-2,63, berdasarkan estimasi

dikumpulkan. Untuk hanya MeanAE dilandasi oleh industri-estimasi apakah ada penurunan yang

signifikan dalam kesalahan prediksi dari LIM2 sampai LIM3 ketika struktur LIM dikenakan.

Selain itu, tabel 4, panel A dan B mengungkapkan bahwa keberhasilan disaggregating akrual

total ke empat komponen utama tampaknya industri-spesifik. Secara khusus, ketika

industri, tetapi tidak menguji apakah membatasi koefisien komponen 'harus sama di seluruh

industri mengikat.

23

LIM struktur tidak dikenakan, panel A mengungkapkan terdapat 2 (3) industri yang LIM2

menghasilkan MeanSEs secara signifikan lebih kecil (MeanAEs), dan 4 (7) industri yang LIM3

menghasilkan MeanSEs secara signifikan lebih kecil (MeanAEs). Ketika struktur LIM

dikenakan, panel B mengungkapkan jumlah industri yang LIM2 atau LIM3 memiliki signifikan

MeanSEs kecil dan MeanAEs yang terbagi rata.

Meskipun perbandingan metrik kesalahan berdasarkan LIM2 dan LIM3 gagal untuk

mengungkapkan manfaat konsisten untuk disagregasi tambahan pendapatan ke dalam aliran kas

dan empat komponen akrual utama, perbandingan kesalahan prediksi rata-rata dari LIM1 dan

LIM3 mengungkapkan gambaran yang agak jelas. Secara khusus, dalam semua 12 kemungkinan

kasus, kesalahan metrik untuk LIM3 lebih kecil dari orang-orang untuk LIM1. Ketika struktur

LIM adalah (tidak) dipaksakan, 4 dari 6 (2 dari 6) dari perbedaan yang signifikan. Misalnya,

panel A mengungkapkan bahwa ketika struktur LIM tidak dikenakan, ada penurunan yang

signifikan dalam MeanSE (MeanAE) 75,94-73,96 (2,72-2,66), berdasarkan estimasi

dikumpulkan, dan 34,04-31,66 (1,76-1,68) , yang didasarkan pada estimasi-industri. Panel B

mengungkapkan bahwa ketika struktur LIM dikenakan, terdapat penurunan yang signifikan pada

MeanAEs saja, 1,79-1,71 berdasarkan estimasi dikumpulkan, dan 1,72-1,64, dilandasi oleh

industri-estimasi.

Juga, meja 4, panel A dan B, mengungkapkan bahwa keberhasilan disaggregating laba ke dalam

aliran kas dan empat komponen akrual utama tampaknya menarik bagi sejumlah besar industri,

apakah struktur LIM dikenakan. Secara khusus, panel A mengungkapkan bahwa sementara ada 3

(8) industri yang LIM3 menghasilkan MeanSEs secara signifikan lebih kecil (MeanAEs) ketika

struktur LIM tidak dipaksakan, dan panel B mengungkapkan terdapat 8 (9) industri saat itu, ada

hanya 1 (2) industri yang LIM3 menghasilkan MeanSEs secara signifikan lebih besar

(MeanAEs) ketika struktur LIM tidak dipaksakan, dan 2 (3) industri saat itu.

24

Secara keseluruhan, temuan di panel A dan B berdasarkan metrik kesalahan prediksi berarti

menunjukkan ada beberapa pengurangan kesalahan prediksi saat penghasilan dibedakan ke

dalam aliran kas dan akrual total, dan beberapa pengurangan tambahan bila total akrual dipilah

ke dalam empat komponen utama. Namun, penurunan total kesalahan prediksi yang diperoleh

dari laba bersih disaggregating ke dalam aliran kas dan empat komponen akrual utama adalah

lebih besar daripada yang terlihat dari dua pemilahan kelompok stakeholder berurutan. Dengan

kata lain, meskipun ada beberapa pemisahan dalam kemampuan prediktif antara LIM2 dan

LIM1, dan beberapa pemisahan tambahan antara LIM3 dan LIM2, pemisahan total antara LIM3

dan LIM1 lebih jelas.

Beralih ke statistik median disajikan dalam tabel 4, panel C dan D, perbandingan kesalahan

prediksi di tiga LIMS menggambarkan gambaran yang agak berbeda dari perbandingan

berdasarkan statistik rata-rata disajikan dalam panel A dan B. Secara khusus, sedangkan

kesalahan prediksi rata-rata dan statistik jumlah industri dalam panel A dan B umumnya

mendukung disagregasi laba ke dalam aliran kas dan empat komponen akrual utama, kesalahan

prediksi median umumnya mendukung disagregasi pendapatan hanya menjadi arus kas dan

akrual total. Selanjutnya, kesimpulan ini berlaku apakah atau tidak struktur LIM dikenakan.

Misalnya, panel C mengungkapkan bahwa ketika struktur LIM tidak dikenakan, disagregasi laba

bersih menjadi arus kas dan total akrual secara signifikan mengurangi MedSEs (MedAEs) 0,85-

0,79 (0,92-0,89) berdasarkan estimasi dikumpulkan, 0,36-0,34 (0,60-0,59) dilandasi oleh

industri-estimasi. Selain itu, sedangkan jumlah industri yang menghasilkan LIM2 MedSE kecil

(MedAE) adalah 6 (6), nomor yang LIM1 menghasilkan MedSE kecil (MedAE) hanya 2 (3).

25

Perbandingan metrik kesalahan untuk LIM2 dan LIM3 mengungkapkan bahwa disagregasi total

akrual tidak menguntungkan. Misalnya, panel C mengungkapkan bahwa ketika struktur LIM

tidak dikenakan, MedSEs (MedAEs) meningkat 0,79-0,84 (0,89-0,92) berdasarkan estimasi

dikumpulkan, dan 0,34-0,36 (0,59-0,60) berdasarkan estimasi industri yang terpisah, meskipun

hanya dengan industri-perbedaan yang signifikan. Seperti dengan statistik rata-rata di panel B,

efektivitas disaggregating laba ke dalam aliran kas dan empat komponen akrual utama

berdasarkan metrik kesalahan median tampaknya industri-spesifik, dengan dasi virtual dalam hal

jumlah industri yang LIM2 atau LIM3 Hasil dalam metrik kesalahan secara signifikan lebih

kecil.

Akhirnya, perbandingan metrik kesalahan rata-rata untuk LIM1 dan LIM3 dalam tabel 4, panel C

dan D mengungkapkan beberapa bukti bahwa LIM3 hasil lebih kecil kesalahan prediksi median

dari LIM1. Paling menonjol, jumlah industri yang LIM3 hasil secara signifikan metrik kesalahan

kecil dari LIM1 sebagian besar mencerminkan manfaat dari laba bersih disaggregating ke dalam

aliran kas dan akrual total, yaitu, LIM2. Namun, disagregasi akrual total ke empat komponen

utama hanya menghasilkan sedikit peningkatan dalam jumlah industri yang ada metrik kesalahan

lebih kecil daripada yang diperoleh saat disaggregating laba bersih menjadi arus kas dan akrual

total. Dengan demikian, berbeda dengan bukti dari statistik rata-rata, bukti dari statistik

menunjukkan bahwa rata-rata nilai pasar ekuitas kemampuan prediktif meningkatkan terutama

hanya ketika disaggregating laba bersih menjadi arus kas dan total accruals.15

15 Sebagaimana dijelaskan dalam Lampiran A, LIM3 kita mengembangkan dan perkiraan

didasarkan pada model kami percaya dengan tepat menangkap keterkaitan antar komponen

akrual. Namun, ada kemungkinan bahwa kesimpulan kita mengenai manfaat relatif

disaggregating akrual total ke empat komponen utama adalah hasil dari versi LIM3 yang kita

pilih. Untuk menguji kemungkinan ini, kami memperkirakan tiga alternatif LIMS menggunakan

empat komponen utama akrual. Yang pertama memodifikasi persamaan (3b), (3c), dan (3d)

untuk menyertakan hanya nilai tertinggal dari komponen yang diperkirakan dan nilai buku

ekuitas. Yang kedua tidak memperlakukan depresiasi sebagai komponen akrual yang terpisah,

sehingga menghilangkan persamaan (3e) dan menghilangkan DEP dari persamaan yang tersisa.

Yang ketiga tidak memperlakukan perubahan dalam persediaan sebagai komponen akrual yang

terpisah, sehingga menghilangkan persamaan (3c) dan menghilangkan ΔINV dari persamaan

yang tersisa. Tak satu pun dari kesimpulan yang berkaitan dengan LIM3 dipengaruhi ketika

LIMS alternatif digunakan.

26

Secara keseluruhan, bukti-bukti dalam tabel 4 menunjukkan bahwa jika ketika memprediksi nilai

pasar ekuitas yang prihatin kesalahan dalam ekor dari distribusi kesalahan prediksi, maka kita

harus memisahkan laba bersih menjadi arus kas dan empat komponen akrual utama. Namun, jika

ada yang kurang peduli tentang kesalahan dalam ekor dari distribusi kesalahan prediksi, maka

kita harus memisahkan laba bersih hanya menjadi arus kas dan akrual total. Artinya, jika

perusahaan yang satu memprediksi nilai ekuitas serupa-dalam hal implikasi penilaian mereka

akrual-untuk perusahaan yang prediksi didasarkan, maka tidak perlu prediksi berbasis model

yang mencakup komponen akrual. Namun, jika perusahaan yang satu memprediksi nilai ekuitas

tidak seperti perusahaan yang prediksi didasarkan, maka prediksi yang lebih akurat apabila

didasarkan pada sebuah model yang mencakup komponen akrual daripada total akrual.

6. Ringkasan dan Penutup

Studi ini menentukan apakah dan sejauh mana disagregasi pendapatan dan valuasi Model

menerapkan informasi bantuan struktur linear dalam memprediksi nilai ekuitas. Hal ini juga

menentukan apakah dan sejauh mana mendasarkan prediksi estimasi industri yang terpisah dari

parameter model valuasi mempengaruhi prediksi nilai pasar ekuitas.

Menggunakan sampel perusahaan Compustat, kami memprediksi out-of-sampel nilai pasar

ekuitas kontemporer menggunakan prosedur jack-knifing. Untuk menguji apakah laba

disagregasi mempengaruhi nilai ekuitas kemampuan prediktif, kami memperkirakan nilai ekuitas

menggunakan tiga model penilaian informasi linier (LIM) menggunakan tiga tingkat disagregasi

laba. The LIM pertama berdasarkan penghasilan agregat, disaggregates kedua laba ke dalam

aliran kas dan akrual total, dan disaggregates ketiga laba menjadi arus kas dan empat komponen

utama dari akrual-perubahan piutang, perubahan persediaan, perubahan hutang, dan depresiasi .

27

Kami mengembangkan prediksi nilai ekuitas untuk setiap LIM menggunakan prosedur estimasi

dua, salah satu yang tidak menerapkan struktur LIM pada persamaan penilaian ekuitas, dan

kedua yang tidak. Untuk menguji apakah laba disagregasi bantu dalam memprediksi nilai

ekuitas, kita membandingkan kesalahan prediksi di tiga LIMS. Untuk menguji apakah

menerapkan struktur bantu LIM dalam memprediksi nilai ekuitas, kita membandingkan prediksi

dari estimasi ketika struktur LIM dikenakan kepada mereka dari ketika tidak. Untuk menguji

apakah mendasarkan prediksi pada estimasi industri yang terpisah dari parameter model valuasi

mempengaruhi prediksi ekuitas nilai, kita membandingkan kesalahan prediksi dari dikumpulkan

dan estimasi industri yang terpisah untuk masing-masing LIM.

Mengenai pertanyaan penelitian kami apakah menerapkan struktur bantu LIM dalam

memprediksi nilai ekuitas, kita menemukan bahwa untuk ketiga LIMS, menerapkan hasil

struktur LIM dalam kesalahan prediksi secara signifikan lebih kecil, berdasarkan estimasi

dikumpulkan. Sebaliknya, kita menemukan bahwa kesalahan prediksi tidak berbeda secara

signifikan ketika struktur LIM adalah atau tidak diberlakukan oleh industri-estimasi. Temuan ini

menunjukkan bahwa desain penelitian berdasarkan model residual income tidak perlu

menerapkan struktur model karena hal itu tidak bertambah atau berkurang kesalahan prediksi.

Dengan demikian, temuan ini mendukung efektivitas menarik kesimpulan dari persamaan

penilaian berdasarkan model residual income yang tidak menerapkan struktur tersirat oleh

model. Berkaitan dengan pertanyaan penelitian kami apakah dengan alat bantu industri estimasi

dalam memprediksi nilai ekuitas, kita menemukan bahwa prediksi kesalahan yang didasarkan

pada estimasi-industri yang jauh lebih kecil daripada yang didasarkan pada estimasi

dikumpulkan. Temuan ini menunjukkan bahwa penilaian pendapatan abnormal, akrual,

komponen akrual, nilai buku ekuitas, dan informasi lainnya bervariasi secara signifikan di

seluruh industri. Hal ini juga menunjukkan bahwa kesimpulan yang berkaitan dengan apakah

menerapkan struktur LIM mengurangi kesalahan prediksi harus didasarkan oleh industri-

estimasi.

28

Mengenai pertanyaan penelitian kami berkaitan dengan apakah disaggregating bantu laba dalam

memprediksi nilai ekuitas, kami menemukan beberapa kesalahan prediksi penurunan rata-rata

pada saat penghasilan dibedakan ke dalam aliran kas dan akrual total, dan beberapa pengurangan

tambahan bila total akrual dipilah ke dalam empat komponen utama. Namun, penurunan total

kesalahan prediksi rata-rata yang diperoleh dari disaggregating laba bersih menjadi arus kas dan

empat komponen akrual utama adalah lebih besar daripada yang terlihat dari dua pemilahan

kelompok stakeholder berurutan. Sebaliknya, bukti dari kesalahan prediksi median mendukung

disagregasi pendapatan hanya menjadi arus kas dan akrual total. Temuan ini menunjukkan

bahwa jika saat memprediksi pasar ekuitas menghargai kekhawatiran adalah dengan kesalahan

dalam ekor dari distribusi kesalahan prediksi, maka penghasilan harus dipisahkan ke dalam

aliran kas dan empat komponen akrual utama. Namun, jika ada kekhawatiran sedikit dengan

kesalahan dalam ekor dari distribusi kesalahan prediksi, maka penghasilan harus dipisahkan

hanya menjadi arus kas dan akrual total. Dengan demikian, untuk perusahaan dengan kesalahan

prediksi yang lebih ekstrim, komponen akrual muncul untuk memberikan informasi tambahan

tambahan dengan yang di total akrual yang membantu untuk memprediksi nilai ekuitas. 29

LAMPIRAN A

LIM Forecasting Persamaan

Akrual KOMPONEN DAN LABA MASA DEPAN

LIM3 berfokus pada empat komponen utama dari akrual, perubahan piutang, ΔREC, perubahan

inventori, ΔINV, perubahan hutang, ΔAP, dan depresiasi dan amortisasi, DEP, karena kita

mengharapkan mereka untuk memiliki implikasi yang berbeda untuk peramalan laba abnormal

dan valuasi ekuitas. Komponen akrual pertama, ΔREC, mencerminkan informasi tentang

penjualan saat ini dan penerimaan kas. Sejauh bahwa penjualan saat ini positif terkait dengan

penjualan di masa mendatang, ΔREC akan berhubungan positif dengan penjualan masa depan

dan dengan demikian laba masa depan (Stober, 1992) .16 Namun, karena ΔREC negatif yang

terkait dengan penerimaan kas, perubahan piutang dapat secara negatif terkait penjualan

berjangka. Ini hubungan negatif terjadi karena rendahnya penerimaan kas saat ini bisa menjadi

indikasi bahwa permintaan produk akan menurun di masa depan karena ada penurunan

permintaan produk sebagai akibat dari atau terkait dengan kondisi ekonomi secara umum.

Komponen akrual kedua, ΔINV, bisa negatif atau positif yang berkaitan dengan penjualan masa

depan. Dengan asumsi biaya persediaan konstan, kenaikan (penurunan) dalam persediaan dapat

disebabkan oleh peningkatan (penurunan) dalam penjualan saat ini, jika manajemen tidak dapat

segera menyesuaikan persediaan dalam menanggapi guncangan penjualan. Seperti piutang,

sejauh bahwa penjualan baru-baru ini positif memprediksi penjualan di masa mendatang, ΔINV

adalah negatif terkait dengan penjualan masa depan karena hubungan negatif dengan penjualan

saat ini. Namun, karena tingkat persediaan mencerminkan manajemen informasi pribadi

mengenai permintaan di masa mendatang, ΔINV dapat positif terkait dengan penjualan di masa

depan. Jika manajemen mengadopsi kebijakan persediaan yang mengharuskan perusahaan untuk

mempertahankan tingkat target persediaan berdasarkan

16 Demi penghematan, pengembangan prediksi kami mengenai hubungan antara komponen-

komponen akrual dan laba masa depan berfokus pada penjualan dan bukan beban. Untabulated

temuan dari regresi berdasarkan persamaan (3a) 30

penjualan diantisipasi, yaitu, mereka sebagian menanggapi guncangan penjualan saat ini,

mengamati kenaikan persediaan (penurunan) mengungkapkan harapan manajemen tentang

kenaikan permintaan di masa mendatang (penurunan) (Bernard dan Noel, 1991; Dechow,

Kothari, dan Watts, 1998; Barth, Cram, dan Nelson, 2001). Memegang kuantitas persediaan

konstan, peningkatan persediaan dapat mencerminkan peningkatan faktor-masukan harga, yang

menghasilkan biaya yang lebih tinggi saat ini dan pendapatan yang lebih rendah saat ini. Sampai-

sampai saat ini biaya memprediksi biaya masa depan, peningkatan persediaan secara negatif

terkait dengan laba masa depan.

Seperti dengan persediaan, komponen akrual ketiga, ΔAP, bisa negatif atau positif yang

berkaitan dengan penjualan masa depan. Memegang faktor-masukan harga konstan, peningkatan

hutang dapat mencerminkan peningkatan persediaan disebabkan pembelian, dan karenanya, yang

positif dalam indikator peningkatan penjualan masa depan. Memegang kuantitas pembelian

persediaan, peningkatan hutang dapat mencerminkan peningkatan faktor-masukan harga, yang

mengakibatkan biaya tinggi saat ini dan pendapatan yang lebih rendah saat ini. Sampai-sampai

saat ini biaya memprediksi biaya masa depan, peningkatan hutang yang negatif terkait dengan

masa depan earnings.17

Komponen akrual akhir pendapatan, DEP, mungkin akan positif terkait dengan penjualan masa

depan karena manajemen meningkatkan pembelian aset tidak lancar dalam mengantisipasi

peningkatan produksi, dan peningkatan hasil aktiva tidak lancar dalam penyusutan yang lebih

tinggi (Feltham dan Ohlson, 1996). Meskipun penyusutan dan amortisasi mengurangi laba,

manajemen tidak akan berinvestasi tanpa mengharapkan pengembalian positif atas investasi.

Meskipun bukan merupakan komponen akrual laba, seperti dalam LIM1 dan LIM2, kami

sertakan dalam LIM3 nilai buku ekuitas, BV, dalam persamaan pendapatan abnormal untuk

memungkinkan efek

melalui (3h) diperluas untuk memungkinkan koefisien pada penjualan dan beban berbeda

mengungkapkan bahwa koefisien perbedaan umumnya berbeda tidak nyata dengan nol. 31

konservatisme untuk mewujudkan (Feltham dan Ohlson, 1995; 1996) dan untuk bersantai asumsi

bahwa biaya modal terkait dengan menghitung pendapatan abnormal adalah cross-sectional yang

telah ditentukan konstan. BV akan berhubungan positif dengan pendapatan abnormal masa depan

jika laba yang konservatif. BV akan berhubungan negatif dengan pendapatan abnormal masa

depan jika normal kembali pada nilai buku ekuitas kurang dari kembalinya kita asumsikan dalam

tes empiris kami, yang, konsisten dengan penelitian sebelumnya, adalah 12 persen.

Meskipun setiap komponen akrual harus membantu dalam memprediksi laba masa depan

normal, kecuali untuk DEP, tanda hubungan antara masing-masing komponen dan pendapatan

abnormal masa depan tidak dapat diprediksi. Lebih penting lagi, seperti diskusi di atas

menunjukkan, hubungan kemungkinan berbeda antar komponen. Dengan demikian, LIM3

memungkinkan setiap komponen akrual memiliki hubungan peramalan yang berbeda dengan

pendapatan abnormal masa depan.

Tabel A1, panel A, B, dan C, menyajikan statistik pendapatan normal persamaan prediksi

ringkasan LIM1,, LIM2 dan LIM3. Untuk LIM1, temuan yang berkaitan dengan regresi di mana

kita tidak menerapkan struktur LIM mengungkapkan koefisien rata-rata di seluruh industri pada

pendapatan abnormal tertinggal, ω11, adalah 0,56, yang mirip dengan yang dilaporkan dalam

penelitian sebelumnya. Koefisien berarti semua signifikan positif, dan jangkauan 0,18-1,03,

menunjukkan ada substansial lintas-industri variasi dalam kegigihan pendapatan abnormal.

Temuan yang berkaitan dengan regresi di mana kita menerapkan struktur LIM serupa kecuali

bahwa sarana industri secara substansial lebih besar dalam besarnya. Untuk semua 17 industri,

koefisien berarti berbeda dari yang diperoleh dari estimasi tanpa menerapkan struktur LIM.

Panel B mengungkapkan koefisien tambahan pada ACC, total akrual tertinggal, ω12, dalam

pendapatan abnormal peramalan persamaan adalah negatif, rata-rata, untuk semua industri dan

17 Prediksi yang sama dapat menghasilkan dengan menghubungkan hutang dengan biaya yang

tidak terkait dengan persediaan, seperti komponen penjualan, umum, dan administrasi (SGA)

beban. Misalnya, memegang faktor-masukan harga konstan, meningkat dalam 32

signifikan negatif untuk semua kecuali empat. Rata-rata industri koefisien nilai -0.17 dan -0.22,

serupa dalam tanda dan besarnya untuk industri rata -0.25 dilaporkan dalam penelitian

sebelumnya (Barth, Beaver, Tangan, dan Landsman, 1999).

Panel C menunjukkan ada substansial lintas-industri variasi koefisien pada setiap komponen

akrual laba, perubahan piutang, ΔREC, perubahan inventori, ΔINV, perubahan hutang, ΔAP, dan

depresiasi dan amortisasi, DEP. Pertama, untuk semua empat komponen, pendapatan normal

tambahan peramalan koefisien, ω12, ω13, ω14, dan ω15, pada setiap komponen akrual secara

signifikan positif untuk beberapa industri dan negatif bagi orang lain. Hal ini kontras dengan

koefisien pada komponen lain dari pendapatan abnormal, yang meliputi arus kas, dan nilai buku

ekuitas, yang positif dan signifikan di hampir semua industri. Pendapatan tambahan yang

abnormal meramalkan koefisien pada perubahan piutang, ΔREC, perubahan hutang, ΔAP, dan

depresiasi, DEP, lebih konsisten daripada yang positif perubahan di dalam persediaan, ΔINV,

yang lebih konsisten negatif.

Terutama, dengan pengecualian satu industri untuk ΔAP, pendapatan normal tambahan

meramalkan koefisien yang diperoleh dengan dan tanpa menerapkan struktur LIM tidak

signifikan berbeda satu sama lain. Hal ini menunjukkan bahwa penerapan struktur LIM tidak

mengikat dalam estimasi LIM3. Ini kontras dengan temuan untuk LIM1 dan LIM2 di panel A

dan B, yang menunjukkan bahwa koefisien peramalan pada pendapatan abnormal dan total

akrual diperoleh dengan dan tanpa menerapkan struktur LIM secara signifikan berbeda satu sama

lain. Dengan demikian, semakin memisahkan LIM, LIM3, menghasilkan pendapatan abnormal

diperkirakan meramalkan koefisien yang lebih konsisten dengan koefisien penilaian dilaporkan

dalam tabel 2. Ingat, bagaimanapun, bahwa karena kompleksitas LIM3, konsistensi antara

koefisien

AP dapat mencerminkan peningkatan pembelian input faktor lain yang merupakan komponen

dari SGA.

33

peramalan tambahan dan koefisien penilaian tidak selalu berarti konsistensi dalam tanda-tanda

mereka.

PREDIKSI KOMPONEN PERSAMAAN akrual

Untuk LIM3, persamaan (3b) sampai (3e) menentukan persamaan prediksi untuk masing-masing

komponen. Konsisten dengan Ohlson (1999), setiap komponen diasumsikan mengikuti proses

autoregressive. Dengan demikian, masing-masing persamaan prediksi komponen termasuk nilai

tertinggal untuk komponen tersebut. Karena kita berharap komponen akrual secara positif

autocorrelated, berdasarkan Ohlson (1999) dan temuan yang berkaitan dengan akrual total Barth,

Beaver, Tangan, dan Landsman (1999), kami memprediksi ωjj> 0 untuk setiap komponen. Kami

tidak memprediksi ωjj ≤ 1, seperti yang akan diperlukan untuk stasioneritas jika persamaan (3a)

melalui (3g) disertakan hanya nilai tertinggal dari masing-masing komponen. Sebaliknya,

stasioneritas persamaan (3a) melalui (3g) hanya memerlukan nilai eigen untuk sistem persamaan

yang diberikan oleh persamaan (3a) melalui (3g) kurang dari 1.

Prediksi Piutang persamaan, persamaan (3b), juga mencakup ΔINV dan DEP karena, seperti

dijelaskan di atas, masing-masing komponen laba memprediksi penjualan di masa mendatang,

yang pada gilirannya mempengaruhi perubahan masa depan dalam piutang. Persamaan (3b) tidak

termasuk ΔAP karena kita mengharapkan hubungan antara perubahan dalam hutang dan

perubahan masa depan dalam piutang terkait dengan penjualan masa depan yang akan ditangkap

oleh perubahan dalam persediaan.

Seperti dalam persamaan (3b), karena perubahan dalam piutang dan penyusutan memprediksi

penjualan di masa mendatang, yang pada gilirannya mempengaruhi perubahan masa depan

dalam persediaan, persamaan prediksi persediaan, persamaan (3c), termasuk ΔREC dan DEP.

Karena hutang yang digunakan untuk membeli persediaan, kami berharap perubahan hutang

untuk memprediksi perubahan masa depan dalam persediaan. Dengan demikian, persamaan (3c)

juga termasuk ΔAP. Sejauh bahwa perubahan dalam persediaan yang terus-menerus, kami

berharap perubahan dalam persediaan untuk memprediksi perubahan di masa depan hutang.

Dengan demikian, persamaan (3d), persamaan prediksi hutang, juga termasuk ΔINV.

34

Karena kita tidak mengharapkan komponen laba untuk memiliki kemampuan urutan pertama

prediktif untuk depresiasi, persamaan (3e) hanya mencakup DEP tertinggal dan nilai buku

ekuitas.

Tabel A2 menyajikan laba statistik komponen persamaan prediksi ringkasan LIM2 di panel A,

dan untuk LIM3 di panel B melalui E. Panel A mengungkapkan rata-rata industri pada koefisien

total akrual, ACC, dalam persamaan peramalan sendiri,, ω22 0,59 dan 0,60, mirip dengan rata-

rata industri dari 0,48 dilaporkan dalam penelitian sebelumnya (Barth, Beaver, Tangan, dan

Landsman, 1999). Meskipun terdapat berbagai koefisien di seluruh industri, hampir semua secara

signifikan positif. Panel A juga mengungkapkan bahwa struktur LIM mengikat hanya 3 dari 17

industri.

Beralih ke LIM3, temuan yang dilaporkan dalam panel B, C, D, dan E umumnya menunjukkan

bahwa koefisien nilai setiap komponen yang tertinggal, ωjj, adalah positif dan signifikan. Selain

itu, nilai-nilai tertinggal dari komponen lain juga merupakan variabel penjelas sering signifikan

di setiap persamaan komponen peramalan, meskipun tanda-tanda mereka lebih spesifik industri.

Khususnya, konsisten dengan temuan yang dilaporkan untuk LIM3 pendapatan abnormal

peramalan persamaan dilaporkan dalam tabel A1, panel C, panel B melalui D menunjukkan

bahwa struktur LIM tidak mengikat bagi sebagian besar koefisien komponen peramalan

persamaan.

35

LAMPIRAN B

Derivasi dari Koefisien Penilaian untuk LIM3

Lampiran ini berasal koefisien valuasi dalam persamaan (3h) dalam hal ωjk dalam persamaan

(3a) melalui (3g). Derivasi kami adalah mirip dengan yang di Ohlson (1995) dan Myers (1999).

Setelah Ohlson (1995), nilai pasar ekuitas, MVE, didefinisikan sebagai jumlah buku ekuitas nilai

saat ini, BV, dan diharapkan pendapatan abnormal mendatang, Nia, diskon dengan laju yang

konstan, r: ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ + + = Σ ∞ = +1) 1 (EtattttrNIBVMVEττ (A1)

Tentukan M = {ωjk), enam oleh enam matriks koefisien dalam persamaan ω (3a) melalui (3g), X

= {ω11, ω12, ..., ω16}, satu per enam vektor baris yang terdiri dari koefisien yang berkaitan

dengan persamaan (3a), dan = {,,, tZatNItRECΔtINVΔtAPΔ,,}, enam per satu vektor kolom

yang terdiri dari variabel penjelas dalam persamaan (3h). Menggunakan notasi ini, persamaan

(3a) dapat ditulis kembali sebagai, atau lebih umum,. Memperhatikan bahwa,. Dengan demikian,

persamaan (A1) dapat kembali dinyatakan sebagai: (A2A) ttrrrBVZMΜIX ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ⋅ ⋅ ⋅ + + +

+ + + + = 22) 1 () 1 () 1 ((A2b)

Dengan asumsi Nilai Eigen dari) 1 (r + M semua kurang dari satu dalam nilai absolut, maka

tanda kurung

36

Istilah dalam persamaan (A2b) sama dengan 1) 1 (- ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ +-rMI.18 Ini berarti bahwa

tttrrBVMVEZMIX1) 1 () 1 (- ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ + - + + = (A3)

Tentukan T = {0, 0, 0, 0, 0, 1}, satu per enam vektor baris, dan α = {α1, α2, α3, α4, α5, α6}, juga

satu per enam vektor baris, kemudian Persamaan (A3) dapat ditulis kembali sebagai:

tttrrMVEZMIXTαZ ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ + - + + == -1) 1 () 1 ((A4)

Dengan demikian, 1) 1 () 1 (- ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ + - + + = rrMIXTα (A5)

Pembatasan Absen pada M, misalnya, triangularity dari dinamika informasi linier, solusi bentuk

tertutup untuk α adalah kompleks.

18 Asumsi ini adalah generalisasi dari asumsi di Ohlson [1995] itu, yang menjamin bahwa time-

series proses yang stasioner. 1 | | <jjω

37

Referensi

Barth, M.E., W.H. Beaver dan W.R. Landsman (1998). "Peran Penilaian Relatif Nilai Ekuitas

Buku dan Laba Bersih sebagai Fungsi Kesehatan Keuangan." Jurnal Akuntansi dan Ekonomi 25:

1-34.

Barth, M.E., W.H. Beaver dan W.R. Landsman (2001). "Relevansi dari Sastra Relevansi Nilai

untuk Menetapkan Standar Akuntansi: View lain." Jurnal Akuntansi dan Ekonomi 31: 77-104.

Barth, M.E., W.H. Beaver, J.M. Tangan, dan W.R. Landsman (1999). "Dibayar, Arus Kas, dan

Nilai Ekuitas." Ulasan Studi Akuntansi 3: 205-229.

Barth, M.E., D.P. Cram, dan K.K. Nelson. (2001). "Dibayar dan Prediksi Arus Kas Masa

Depan." The Ulasan Akuntansi 76: 27-58.

Barth, M.E., dan A.P. Hutton. (2004). "Laba Analis Forecast Revisi dan Penetapan dibayar."

Ulasan Studi Akuntansi 9: 59-96.

Barth, M.E., dan S. penelitian Kallapur (1996). "Efek dari Cross-Sectional Perbedaan Skala pada

Hasil Regresi dalam Penelitian Akuntansi Empiris." Akuntansi Penelitian Kontemporer 13: 527-

567.

Bernard, V.L. (1995). "The Feltham-Ohlson Kerangka: Implikasi untuk empirisis." Akuntansi

Penelitian Kontemporer 11: 733-747.

Bernard, V.L., dan J. Noel. (1991). "Apakah Pengungkapan Inventarisasi Memprediksi

Penjualan dan Laba?" Jurnal Akuntansi, Auditing, dan Keuangan 6: 145-181.

Collins, D.W., dan P. Hribar. (2000). "Anomali Pasar Laba-based dan berbasis Akrual: Satu atau

Dua Efek?" Jurnal Akuntansi dan Ekonomi 29: 101-123.

Collins, D.W., Maydew, E.L., dan I.S. Weiss. (1997). "Perubahan dalam Relevansi Nilai-of

38

Laba & Nilai Ekuitas Book Selama Empat Puluh Tahun Terakhir "Jurnal Akuntansi dan

Ekonomi 24:. 39-67.

Dechow, P.M. (1994). "Akuntansi Pendapatan dan Arus Kas sebagai Ukuran Kinerja

Perusahaan: Peran Akuntansi Akrual." Jurnal Akuntansi dan Ekonomi 18: 3-42.

Dechow, P.M., Hutton, A.P., dan R.G. Sloan. (1999). "Sebuah Kajian Empiris dari Model

Penilaian Residual Income." Jurnal Akuntansi dan Ekonomi 26: 1-34.

Dechow, P.M., S.P. Kothari, dan Watts R.L.. (1998). "Hubungan antara Laba dan Arus Kas."

Jurnal Akuntansi dan Ekonomi 25: 133-168.

Fama, E.F., dan K.R. Perancis. (1998). "Pajak, Keputusan Pendanaan, dan Nilai Perusahaan."

Jurnal Keuangan 53: 819-843.

Fama, E.F., dan J.D. Macbeth. (1973). "Risiko, Kembali, dan Ekuilibrium: tes empiris." Journal

of Political Economy 81: 607-636.

Feltham, G.A., dan J.A. Ohlson. (1995). "Penilaian dan Akuntansi Surplus bersih untuk Aktivitas

Operasi dan Keuangan." Akuntansi Penelitian Kontemporer 11: 689-732.

Feltham, G.A., dan J.A. Ohlson. (1996). "Ketidakpastian Resolusi dan Teori Pengukuran

Penyusutan." Jurnal Riset Akuntansi 34: 209-234.

Dewan Standar Akuntansi Keuangan. (1987). Pernyataan Standar Akuntansi Keuangan No 95:

Laporan Arus Kas (FASB, Stamford, CT).

Frankel, R.M., dan C.M.C. Lee (1998). "Akuntansi Penilaian, Harapan Pasar, dan Cross-

Sectional Pengembalian Saham." Jurnal Akuntansi dan Ekonomi 25: 283-319.

Tangan, J.R.M., dan W. Landsman. (2004). "Di dekat Dividen dan Valuasi Saham." Kertas kerja,

University of North Carolina, yang akan datang, Jurnal Keuangan Bisnis dan Akuntansi.

39

Lee, C.M.C, J.N. Myers, dan B. Swaminathan (1999). "Apa Nilai intrinsik dari Dow?" Jurnal

Keuangan 54: 1.693-1.741.

Lundholm kemudian membuat, R.J. (1995). "Sebuah Tutorial di Ohlson dan Feltham-Ohlson

Model: Jawaban untuk Beberapa Frequently Asked Questions?" Akuntansi Penelitian

Kontemporer 11: 749-761.

Myers, J.N. (1999). "Menerapkan Penilaian Residual Income dengan Dinamika Informasi

Linear." The Ulasan Akuntansi 74: 1-28.

Noreen, E.W. (1989). Komputer Intensif Metode Pengujian Hipotesis: Sebuah Pengantar. Wiley:

New York, NY.

Ohlson, J.A. (1995). "Laba, Nilai Buku Ekuitas, dan Dividen di Valuasi Saham." Riset

Akuntansi Kontemporer: 66-687.

Ohlson, J.A. (1999). "Pada Laba Pribadi." Ulasan Studi Akuntansi 3: 145-162.

Sloan, R.G. (1996). "Apakah Harga Saham Sepenuhnya Reflect Informasi dibayar dan Arus Kas

Tentang Laba Masa Depan?" Kajian Akuntansi 71: 289-315.

Stober, T.L. (1992). "Isi Tambahan Informasi Piutang Penjualan Memprediksi, Laba, dan Marjin

Laba." Jurnal Akuntansi, Auditing, dan Keuangan, 447-473.

Xie, H. (2001). "The mispricing dari Akrual Abnormal." The Ulasan Akuntansi 76: 357-373.

40

TABEL 1

Deskriptif Statistik untuk 17.601 Pengamatan Compustat Firm-tahun, 1988-2001

Panel A: Distribusi Statistik (dalam jutaan $)

Variabel

Berarti

Rata-rata

Std. Dev.

Nilai pasar ekuitas

MVE

661.95

122.63

1,887.53

Nilai buku ekuitas

BV

227.85

72.88

453.21

Abnormal laba

Nia

-0.54

-0.78

56.44

Jumlah akrual

ACC

-27.59

-4.88

84.60

Perubahan dalam persediaan

ΔINV

3.69

0.31

19.93

Perubahan piutang

ΔREC

5.59

1.02

28.92

Perubahan hutang

ΔPAY

4.03

0.65

25.48

Penyusutan + amortisasi

DEP

27.45

6.45

68.54

Informasi lain

ν

-290.65

-212.48

980.21

| ΔINV | / pendapatan

2,36%

1,21%

3.78%

| ΔREC | / pendapatan

3.49%

1,88%

5,15%

| ΔPAY | / pendapatan

2,80%

1,61%

4,49%

| ΔDEP | / pendapatan

5,98%

3,96%

7,61%

Panel B: Korelasi, dengan Pearson (Spearman) Korelasi di atas (bawah) Diagonal

MVE

BV

Nia

ACC

ΔINV

ΔREC

ΔPAY

DEP

ν

MVE

0.75

0.42

-0.52

0.29

0.35

0.29

0.63

0.47

BV

0.90

0.20

-0.68

0.28

0.30

0.24

0.83

0.27

Nia

0.30

0.17

0.07

0.27

0.29

0.25

0.13

0.24

ACC

-0.40

-0.47

0.15

0,01 *

-0.04

-0.18

-0.84

-0.19

ΔINV

0.25

0.22

0.25

0.23

0.31

0.39

0.21

0.14

ΔREC

0.35

0.29

0.33

0.15

0.28

0.58

0.27

0.23

ΔPAY

0.27

0.21

0.22

-0.11

0.30

0.43

0.20

0.20

DEP

0.78

0.87

0.09

-0.62

0.15

0.22

0.18

0.23

ν

0.11

0.09

0.17

-0.03

0.04

0.10

0.07

0.08

41

TABEL 1 (lanjutan)

Panel C: Komposisi Industri

Industri Deskripsi

Primary SIC Codes

Obs.

%

Makanan

2000 - 2111

592

3.36

Tekstil, percetakan & penerbitan

2200 - 2780

1,670

9.49

Bahan kimia

2800 - 2824, 2840 - 2899

695

3.95

Farmasi

2830 - 2836

726

4.12

Industri ekstraktif

2900 - 2999, 1300 - 1399

796

4.52

Durable produsen

Karet, plastik, kulit, batu, tanah liat & kaca

3000 - 3299

768

4.36

Logam

3300 - 3499

904

5.14

Mesin-mesin

3500 - 3569, 3580 - 3599

1,048

5.95

Peralatan listrik

3600 - 3669, 3680 - 3699

1,149

6.53

Peralatan transportasi

3700 - 3799

534

3.03

Instrumen

3800 - 3899

1,548

8.79

Miscellaneous produsen

3900 - 3999

298

1.69

Komputer

7370 - 7379, 3570 - 3579, 3670 - 3679

2,697

15.32

Eceran

Besar-besaran

5000 - 5199

921

5.23

Miscellaneous ritel

5200 - 5799, 5900 - 5999

1,266

7.19

Restoran

5800 - 5899

373

2.12

Layanan

7000 - 8999, termasuk 7370 - 7379

1,616

9.18

Total

17,601

100.00

MVE adalah nilai pasar ekuitas pada akhir tahun fiskal, BV adalah nilai buku ekuitas pada akhir

tahun fiskal, NI adalah laba sebelum pos luar biasa dan operasi dihentikan, Nia adalah

pendapatan abnormal, didefinisikan sebagai nit - rBVt-1, di mana r = 12% . ACC adalah total

akrual (NI - arus kas dari operasi). ΔINV, ΔREC, dan ΔPAY adalah perubahan tahunan dalam

persediaan, piutang, dan hutang. DEP adalah penyusutan dan amortisasi. ν merupakan informasi

lainnya.

* P-value = 0,45. Semua korelasi lainnya di panel B secara signifikan berbeda dari nol (α =

0,01).

42

TABEL 2

Regresi Statistik untuk Sampel dari 14.128 Pengamatan Compustat Firm-tahun, 1.988-2.001

Panel A: itititaitituBVNIMVE + + + + = ναααα3210

Tanpa Struktur LIM

Dengan Struktur LIM

α1

α2

α3

R2

α1

α2

α3

R2

Pemusatan

9.45

2.52

0.69

0.73

10.38

2.58

0.56

0.73

t-statistik

69.75

143.44

80.38

81.67

147.86

72.00

Dengan Industri

Berarti

6.82

2.36

0.87

0.85

7.12

2.45

0.74

0.85

FM t-statistik

4.87

12.84

14.32

5.15

12.45

10.54

Minimum

2.02

1.20

0.47

0.59

1.25

0.26

Maksimum

21.84

4.37

1.28

22.16

4.72

1.31

# Sig. positif

17

17

17

17

17

17

# Sig. negatif

0

0

0

0

0

0

# Sig. lebih besar

8

1

13

7

9

2

43

TABEL 2 (lanjutan)

Panel B: ititititaitituBVACCNIMVE + + + + + νααααα43210 =

Tanpa Struktur LIM

Dengan Struktur LIM

α1

α2

α3

α4

R2

α1

α2

α3

α4

R2

Pemusatan

9.69

-1.77

2.29

0.67

0.73

10.79

-3.18

2.18

0.54

0.73

t-statistik

68.49

-14.27

96.96

78.51

81.53

-33.42

101.67

69.52

Dengan Industri

Berarti

7.43

-2.18

2.10

0.85

0.86

8.00

-2.83

2.11

0.72

0.86

FM t-statistik

5.02

-3.23

14.90

13.96

5.46

-3.94

14.58

10.44

Minimum

1.62

-9.05

1.21

0.44

0.82

-11.19

1.21

0.25

Maksimum

24.09

1.66

3.63

1.27

24.59

-0.35

3.88

1.30

# Sig. positif

17

2

17

17

17

0

17

17

# Sig. negatif

0

10

0

0

0

17

0

0

# Sig. lebih besar

8

10

5

13

7

5

7

2

44

TABEL 2 (lanjutan)

Panel C: itititititititaitituBVDEPAPINVRECNIMVE + + + + + Δ Δ + Δ + = νααααααα7654321

Tanpa Struktur LIM

Dengan Struktur LIM

α1

α2

α3

α4

α5

α6

α7

R2

α1

α2

α3

α4

α5

α6

α7

R2

Pemusatan

9.34

-0.22

0.48

1.20

0.21

2.48

0.68

0.73

10.50

-1.40

-2.70

1.17

0.84

2.52

0.56

0.73

t-statistik

66.58

-0.68

1.15

3.34

1.10

83.29

79.49

81.19

-7.63

-11.69

5.90

4.61

88.97

72.80

Dengan Industri

Berarti

6.52

0.27

-1.57

-1.33

0.11

2.30

0.86

0.86

7.25

-0.63

-1.51

0.08

0.49

2.35

0.73

0.85

FM t-statistik

4.55

0.42

-1.46

-0.69

0.10

9.48

14.21

5.16

-1.45

-2.66

0.15

0.44

9.86

10.97

Minimum

1.64

-5.73

-7.43

-29.93

-14.17

1.14

0.47

0.69

-5.55

-7.83

-6.02

-14.80

1.20

0.30

Maksimum

22.04

5.30

7.65

5.94

6.98

5.61

1.29

22.95

1.92

2.42

3.90

7.77

5.56

1.30

# Sig. positif

17

5

3

5

6

17

17

17

2

1

5

7

17

17

# Sig. negatif

0

3

7

5

3

0

0

0

6

8

2

3

0

0

# Sig. lebih besar

6

11

6

7

3

6

15

9

2

7

9

9

6

1

Definisi variabel adalah sebagai dalam tabel 1. Panel A, B, dan C adalah estimasi berdasarkan

LIM1,, LIM2 dan LIM3. LIM1, LIM2, dan LIM3 dinamika informasi sistem persamaan

berdasarkan laba bersih agregat, laba bersih dirinci menjadi arus kas dan akrual total, dan laba

bersih dirinci menjadi arus kas dan komponen utama dari akrual, masing linier. Regresi

dikumpulkan diperkirakan dengan tahun dan industri fixed-efek, yang tidak ditabulasi. Regresi

industri yang terpisah diperkirakan dengan tahun fixed-efek, yang juga tidak ditabulasikan.

Dengan rata-rata industri (minimum, maksimum) merupakan rata-rata (minimum, maksimum)

dari 17 perkiraan industri koefisien. FM t-statistik adalah Fama-Macbeth (1973) t-statistik mean

dari 17 perkiraan industri koefisien. # Sig. positif (negatif) adalah jumlah industri dengan

koefisien memperkirakan secara signifikan lebih besar (kurang) dari nol. # Sig. besar adalah

jumlah industri di mana model tanpa atau dengan struktur LIM menghasilkan estimasi koefisien

secara signifikan lebih besar.

45

TABEL 3

Perbandingan Dari Pasar Kesalahan Nilai Contoh Ekuitas Forecast

Tanpa Dibandingkan Dengan Struktur LIM Menerapkan (N = 14.128)

Panel A: LIM1

MeanSE

MeanAE

MedSE

MedAE

w / o

dengan

w / o

dengan

w / o

dengan

w / o

dengan

Pemusatan

75.94

65.25

2.72

2.64

0.85

0.81

0.92

0.90

Dengan Industri

Rata-rata (median)

34.04

35.98

1.76

1.79

0.36

0.38

0.60

0.61

Rata-rata (median) berarti industri (median)

29.31

31.31

1.71

1.72

0.36

0.36

0.60

0.60

# Industri sig. lebih rendah tanpa atau dengan LIM

3

7

5

7

6

6

6

7

Panel B: LIM2

MeanSE

MeanAE

MedSE

MedAE

w / o

dengan

w / o

dengan

w / o

dengan

w / o

dengan

Pemusatan

71.42

58.13

2.69

2.58

0.79

0.74

0.89

0.86

Dengan Industri

Rata-rata (median)

33.97

36.05

1.75

1.76

0.34

0.35

0.58

0.59

Rata-rata (median) berarti industri (median)

27.63

29.53

1.68

1.68

0.36

0.37

0.60

0.61

# Industri sig. lebih rendah tanpa atau dengan LIM

3

8

5

8

6

9

6

9

Panel C: LIM3

MeanSE

MeanAE

MedSE

MedAE

w / o

dengan

w / o

dengan

w / o

dengan

w / o

dengan

Pemusatan

73.96

64.20

2.66

2.63

0.84

0.80

0.92

0.89

Dengan Industri

Rata-rata (median)

31.66

35.20

1.68

1.71

0.36

0.35

0.61

0.60

Rata-rata (median) berarti industri (median)

27.45

28.82

1.64

1.64

0.33

0.36

0.57

0.60

# Industri sig. lebih rendah tanpa atau dengan LIM

3

3

5

5

5

3

4

3

Bold menunjukkan perbedaan yang signifikan (α = 0,05) tanpa dan dengan menerapkan struktur

LIM. "W / o" ("dengan") merupakan estimasi tanpa (dengan) menerapkan struktur LIM. LIM1,

LIM2, dan LIM3 dinamika informasi sistem persamaan linear berdasarkan laba bersih agregat,

46

laba bersih dirinci menjadi arus kas dan akrual total, dan laba bersih dirinci menjadi arus kas dan

komponen utama dari akrual, masing-masing. Komponen utama dari akrual adalah perubahan

piutang, persediaan, dan hutang, dan depresiasi dan amortisasi. MeanSE (MeanAE) adalah

kuadrat rata-rata (absolut) ekuitas nilai kesalahan prediksi. MedSE (MedAE) adalah kuadrat

median (absolut) ekuitas nilai kesalahan prediksi. Regresi Pemusatan diperkirakan dengan tahun

dan industri fixed-efek. Regresi industri yang terpisah diperkirakan dengan tahun fixed-efek.

47

TABEL 4

Cross-LIM Perbandingan Out of Market Kesalahan Nilai Contoh Ekuitas Prediksi (N = 14.128)

Panel A: Model Estimasi Tanpa Menerapkan Struktur LIM - Berarti Prediksi Kesalahan

MeanSE

MeanAE

LIM1

LIM2

LIM3

LIM1

LIM2

LIM3

Pemusatan

71.42

75.94

73.96

2.72 *

2.69 *

2.66

Dengan Industri

Berarti

33.97

34.04

31.66

1.76

1.75

1.68

Berarti sarana industri

29.31

27.63

27.45

1.71

1.68

1.64

# Industri sig. lebih rendah:

LIM1 dibandingkan dengan LIM2

4

2

6

6

LIM2 dibandingkan LIM3

2

4

3

7

LIM1 dibandingkan dengan LIM3

1

3

2

8

Panel B: Model Estimasi Dengan Menerapkan Struktur LIM - Rata-rata Kesalahan Prediksi

MeanSE

MeanAE

LIM1

LIM2

LIM3

LIM1

LIM2

LIM3

Pemusatan

58.13 *

65,25 *

64.20

2.64 *

2.58 *

2.63

Dengan Industri

Berarti

36.05

35.98

35.20

1,76 *

1.79 *

1.71

Berarti sarana industri

31.31

29.53

28.82

1.72

1.68

1.64

# Industri sig. lebih rendah:

LIM1 dibandingkan dengan LIM2

3

4

5

7

LIM2 dibandingkan LIM3

4

4

5

5

LIM1 dibandingkan dengan LIM3

2

8

3

9

48

TABEL 4 (lanjutan)

Panel C: Model Perkiraan Tanpa Menerapkan Struktur LIM - Kesalahan Prediksi Median

MedSE

MedAE

LIM1

LIM2

LIM3

LIM1

LIM2

LIM3

Pemusatan

0.79 *

0,85 *

0.84

0,92 *

0.89 *

0.91

Dengan Industri

Rata-rata

0.34 *

0.37 *

0.36

0.61 *

0,58 *

0.60

Median median industri

0.36

0.36

0.33

0.60

0.60

0.57

# Industri sig. lebih rendah:

LIM1 dibandingkan dengan LIM2

2

6

3

6

LIM2 dibandingkan LIM3

4

5

4

5

LIM1 dibandingkan dengan LIM3

2

8

2

7

Panel D: Model Estimasi Dengan Menerapkan Struktur LIM - Kesalahan Prediksi Median

MedSE

MedAE

LIM1

LIM2

LIM3

LIM1

LIM2

LIM3

Pemusatan

0.74 *

0,81 *

0.80

0.90 *

0.86 *

0.89

Dengan Industri

Rata-rata

0,35 *

0,38 *

0.35

0.61 *

0,59 *

0.60

Median median industri

0.36 *

0.37 *

0.36

0,60 *

0.61 *

0.60

# Industri sig. lebih rendah:

LIM1 dibandingkan dengan LIM2

4

8

4

7

LIM2 dibandingkan LIM3

6

6

6

6

LIM1 dibandingkan dengan LIM3

3

8

3

9

Asterisk (Miring, Bold) menunjukkan perbedaan yang signifikan antara nilai-nilai untuk LIM1

dan LIM2 (LIM2 dan LIM3, LIM1 dan LIM3) pada tingkat signifikansi α = 0,05. LIM1, LIM2,

dan LIM3 dinamika informasi sistem persamaan berdasarkan laba bersih agregat linear, laba

bersih dirinci menjadi arus kas dan akrual total, dan laba bersih dirinci menjadi arus kas dan

utama

49

komponen akrual, masing-masing. Komponen utama dari akrual adalah perubahan piutang,

persediaan, dan hutang, dan depresiasi dan amortisasi. MeanSE (MeanAE) adalah kuadrat rata-

rata (absolut) ekuitas nilai kesalahan prediksi. MedSE (MedAE) adalah kuadrat median (absolut)

ekuitas nilai kesalahan prediksi. Regresi Pemusatan diperkirakan dengan tahun dan industri

fixed-efek. Regresi industri yang terpisah diperkirakan dengan tahun fixed-efek.

50

TABEL A1

Regresi Statistik untuk Sampel dari 14.128 Pengamatan Compustat Firm-tahun, 1.988-2.001

Panel A: itititaitaitBVNINI111311211110ενωωωω + + + + = ---

Tanpa Struktur LIM

Dengan Struktur LIM

ω11

ω12

ω13

R2

ω11

ω12

ω13

R2

Pemusatan

0.64

0.00

0.00

0.32

1.02

-0.02

0.01

0.17

t-statistik

85.52

-0.85

1.94

929.02

-19.68

40.69

Dengan Industri

Berarti

0.56

0.00

0.01

0.37

0.91

-0.02

0.02

0.19

FM t-statistik

9.77

-0.28

2.16

24.84

-3.56

8.80

Minimum

0.18

-0.03

-0.02

0.41

-0.05

0.01

Maksimum

1.03

0.04

0.03

1.07

0.02

0.04

# Sig. positif

17

4

10

17

1

17

# Sig. negatif

0

6

3

0

12

0

# Sig. lebih besar

0

15

2

17

1

14

51

TABEL A1 (lanjutan)

Panel B: ititititaitaitBVACCNINI111411311211110ενωωωωω + + + + + = ----

Tanpa Struktur LIM

Dengan Struktur LIM

ω11

ω12

ω13

ω14

R2

ω11

ω12

ω13

ω14

R2

Pemusatan

0.72

-0.17

-0.02

0.00

0.34

1.03

-0.14

-0.04

0.01

0.22

t-statistik

105.36

-26.33

-19.61

2.76

969.85

-30.96

-32.36

41.28

Dengan Industri

Berarti

0.63

-0.17

-0.02

0.01

0.41

0.94

-0.22

-0.04

0.02

0.26

FM t-statistik

11.85

-4.53

-3.55

2.59

29.63

-5.35

-6.84

8.10

Minimum

0.23

-0.59

-0.08

-0.01

0.51

-0.66

-0.09

0.00

Maksimum

0.98

0.03

0.02

0.02

1.08

-0.02

0.00

0.04

# Sig. positif

17

0

2

10

17

0

0

17

# Sig. negatif

0

13

11

3

0

17

15

0

# Sig. lebih besar

0

11

13

2

17

4

2

14

52

TABEL A1 (lanjutan)

Panel C:

Tanpa Struktur LIM

Dengan Struktur LIM

ω11

ω12

ω13

ω14

ω15

ω16

ω17

R2

ω11

ω12

ω13

ω14

ω15

ω16

ω17

R2

Pemusatan

0.66

-0.06

-0.25

0.14

0.08

-0.01

0.00

0.32

1.02

-0.13

-0.25

0.11

0.01

-0.02

0.01

0.19

t-statistik

90.85

Dengan Industri

-3.68

-11.89

8.06

7.84

-5.66

2.35

950.61

-8.09

-11.78

6.63

3.90

-14.89

42.09

Berarti

0.57

-0.02

-0.21

0.14

0.06

-0.01

0.01

0.41

0.92

-0.17

-0.24

0.05

0.03

-0.02

0.02

0.20

FM t-statistik

9.63

-0.38

-2.05

2.57

1.14

-1.12

2.53

27.21

-1.52

-2.67

0.70

1.23

-3.34

8.34

Minimum

0.13

-0.35

-0.93

-0.39

-0.31

-0.05

-0.01

0.46

-1.81

-1.09

-0.46

-0.08

-0.05

0.00

Maksimum

1.02

0.34

0.72

0.41

0.60

0.04

0.02

1.07

0.31

0.50

0.43

0.30

0.02

0.05

# Sig. positif

17

2

2

11

7

5

10

17

1

1

5

5

1

16

# Sig. negatif

0

5

11

2

4

8

4

0

7

9

3

2

11

0

# Sig. lebih besar

0

10

10

9

8

9

1

17

2

6

5

7

4

14

Definisi variabel adalah sebagai dalam tabel 1. LIM1, LIM2, dan LIM3 dinamika informasi

sistem persamaan berdasarkan laba bersih agregat, laba bersih dirinci menjadi arus kas dan

akrual total, dan laba bersih dirinci menjadi arus kas dan komponen utama dari akrual, masing

linier. Komponen utama dari akrual adalah perubahan piutang, persediaan, dan hutang, dan

depresiasi dan amortisasi. Regresi pooled diperkirakan dengan tahun dan industri fixed-efek,

yang tidak ditabulasi. Regresi industri yang terpisah diperkirakan dengan tahun fixed-efek, yang

juga tidak ditabulasikan. Dengan rata-rata industri (minimum, maksimum) merupakan rata-rata

(minimum, maksimum) dari 17 perkiraan industri koefisien. FM t-statistik adalah Fama-Macbeth

(1973) t-statistik mean dari 17 perkiraan industri koefisien. # Sig. positif (negatif) adalah jumlah

industri dengan koefisien memperkirakan secara signifikan lebih besar (kurang) dari nol. # Sig.

besar adalah jumlah industri di mana model tanpa atau dengan struktur LIM menghasilkan

estimasi koefisien secara signifikan lebih besar.

53

TABEL A2

Regresi Statistik untuk Sampel dari 14.128 Pengamatan Compustat Firm-tahun, 1.988-2.001

Panel A: ititititBVACCACC212312220εωωω + + + = -

Tanpa Struktur LIM

Dengan Struktur LIM

ω22

ω23

R2

ω22

ω23

R2

Pemusatan

0.59

-0.07

0.64

0.60

-0.07

0.64

t-statistik

78.77

-54.18

81.18

-53.25

Dengan Industri

Berarti

0.45

-0.08

0.56

0.45

-0.08

0.56

FM t-statistik

9.14

-10.73

9.03

-10.60

Minimum

-0.04

-0.13

-0.04

-0.12

Maksimum

0.86

-0.03

0.87

-0.03

# Sig. positif

16

0

16

0

# Sig. negatif

0

17

0

17

# Sig. lebih besar

0

0

3

2

54

TABEL A2 (lanjutan)

Panel B: ititititititBVDEPINVRECREC2126125123122εωωωω + + + + Δ Δ = Δ ----

Tanpa Struktur LIM

Dengan Struktur LIM

ω22

ω23

ω25

ω26

R2

ω22

ω23

ω25

ω26

R2

Pemusatan

0.09

-0.02

0.03

0.01

0.12

0.09

-0.01

0.03

0.01

0.12

t-statistik

10.84

-1.48

6.43

15.71

11.98

-1.14

5.96

15.76

Dengan Industri

Berarti

0.08

-0.03

0.02

0.01

0.16

0.08

-0.02

0.01

0.01

0.16

FM t-statistik

1.95

-0.49

0.72

5.53

1.94

-0.42

0.60

5.35

Minimum

-0.27

-0.52

-0.20

0.00

-0.22

-0.42

-0.22

0.00

Maksimum

0.44

0.41

0.19

0.04

0.44

0.39

0.18

0.04

# Sig. positif

7

4

3

14

8

5

2

11

# Sig. negatif

1

5

1

1

2

5

1

1

# Sig. lebih besar

1

3

1

1

4

3

2

1

55

TABEL A2 (lanjutan)

Panel C: itititititititBVDEPAPINVRECINV3136135134133132εωωωωω + + + + Δ Δ + Δ = Δ

-----

Tanpa Struktur LIM

Dengan Struktur LIM

ω32

ω33

ω34

ω35

ω36

R2

ω32

ω33

ω34

ω35

ω36

R2

Pemusatan

0.05

0.05

0.06

-0.01

0.01

0.12

0.05

0.05

0.06

-0.01

0.01

0.12

t-statistik

6.96

5.26

8.16

-2.82

16.75

7.32

5.32

8.09

-2.73

16.57

Dengan Industri

Berarti

0.08

-0.04

0.08

-0.04

0.01

0.16

0.09

-0.03

0.07

-0.03

0.01

0.16

FM t-statistik

2.89

-0.94

2.72

-1.76

3.42

3.52

-0.59

2.65

-1.61

3.32

Minimum

-0.19

-0.37

-0.16

-0.22

0.00

-0.12

-0.36

-0.14

-0.21

-0.01

Maksimum

0.24

0.29

0.25

0.11

0.04

0.23

0.30

0.26

0.11

0.04

# Sig. positif

11

4

8

3

9

10

4

9

3

10

# Sig. negatif

2

7

3

6

0

1

6

2

6

0

# Sig. lebih besar

2

1

3

3

2

2

3

4

3

2

56

TABEL A2 (lanjutan)

Panel D: itititititBVAPINVAP4146144143εωωω + + Δ + Δ = Δ ---

Tanpa Struktur LIM

Dengan Struktur LIM

ω43

ω44

ω46

R2

ω43

ω44

ω46

R2

Pemusatan

-0.13

0.13

0.01

0.09

-0.12

0.14

0.01

0.09

t-statistik

-11.06

17.19

26.23

-10.48

17.80

25.78

Dengan Industri

Berarti

-0.14

0.11

0.01

0.15

-0.16

0.14

0.01

0.15

FM t-statistik

-2.79

2.66

6.84

-3.57

3.15

6.85

Minimum

-0.73

-0.16

0.00

-0.62

-0.14

0.00

Maksimum

0.15

0.40

0.03

0.10

0.44

0.03

# Sig. positif

1

10

15

1

12

15

# Sig. negatif

10

3

0

10

3

0

# Sig. lebih besar

2

0

1

2

7

0

57

TABEL A2 (lanjutan)

E Panel: ititititBVDEPDEP5156155εωω + + = -

Tanpa Struktur LIM

Dengan Struktur LIM

ω55

ω56

R2

ω55

ω56

R2

Pemusatan

1.03

0.01

0.96

1.04

0.01

0.96

t-statistik

385.18

17.52

393.72

16.64

Dengan Industri

Berarti

1.00

0.01

0.97

1.01

0.01

0.97

FM t-statistik

80.65

5.82

78.63

5.43

Minimum

0.91

0.00

0.92

0.00

Maksimum

1.09

0.03

1.10

0.02

# Sig. positif

17

15

17

13

# Sig. negatif

0

0

0

0

# Sig. lebih besar

0

6

7

0

Definisi variabel adalah sebagai dalam tabel 1. LIM1, LIM2, dan LIM3 dinamika informasi

sistem persamaan berdasarkan laba bersih agregat, laba bersih dirinci menjadi arus kas dan

akrual total, dan laba bersih dirinci menjadi arus kas dan komponen utama dari akrual, masing

linier. Komponen utama dari akrual adalah perubahan piutang, persediaan, dan hutang, dan

depresiasi dan amortisasi. Regresi pooled diperkirakan dengan tahun dan industri fixed-efek,

yang tidak ditabulasi. Regresi industri yang terpisah diperkirakan dengan tahun fixed-efek, yang

juga tidak ditabulasikan. Dengan rata-rata industri (minimum, maksimum) merupakan rata-rata

(minimum, maksimum) dari 17 perkiraan industri koefisien. FM t-statistik adalah Fama-Macbeth

(1973) t-statistik mean dari 17 perkiraan industri koefisien. # Sig. positif (negatif) adalah jumlah

industri dengan koefisien memperkirakan secara signifikan lebih besar (kurang) dari nol. # Sig.

besar adalah jumlah industri di mana model tanpa atau dengan struktur LIM menghasilkan

estimasi koefisien secara signifikan lebih besar.

58

Baru! Klik kata di atas untuk mengedit dan melihat terjemahan alternatif. Tutup

Google Terjemahan untuk Bisnis:Perangkat Penerjemah Penerjemah Situs Web Peluang Pasar

Global

Matikan terjemahan instan Tentang Google Terjemahan Seluler Privasi Bantuan Kirimkan masukan