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, [email protected]
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