Keseragaman Proses Akrual yang Menghasilkan Pengelompokan dengan Peta yang Mengatur SendiriHenrik Hglund

AbstrakKebanyakan manajemen laba dan kualitas laba studi mengandalkan berbagai jenis model estimasi discretionary accrual. Asumsi umum saat menggunakan model ini adalah bahwa pembangkit akrual Proses (AGP) yang stabil dari waktu ke waktu atau bahwa perusahaan dalam industri yang sama memiliki AGPS serupa. Asumsi ini bagaimanapun, telah ditantang dalam sejumlah penelitian. Sebaliknya, telah banyak menyarankan bahwa AGP digambarkan oleh berbagai faktor penentu akrual dan perusahaan harus dikelompokkan menurut kesamaan di AGP. Tujuan dari penelitian ini adalah untuk mengembangkan dan menilai kinerja dari Peta yang mengorganisir diri (SOM) lokal regresi berbasis model estimasi discretionary accrual. Secara keseluruhan, hasil menunjukkan bahwa model regresi lokal SOM sebelumnya melebihi estimasi akrual diskresioner yang disarankan model. Sebagai contoh, tingkat simulasi deteksi manajemen laba untuk model regresi lokal SOM hampir dua kali lipat tingkat deteksi yang umum digunakan pada model Jones cross-sectional. Tambahan lagi untuk mengalahkan model yang disarankan sebelumnya, model regresi lokal SOM juga memberikan visual representasi dari AGP dari sebuah perusahaan tertentu dalam kaitannya dengan perusahaan lain.

1. Latar BelakangKebanyakan manajemen laba dan pendapatan studi kualitas mengandalkan berbagai jenis discretionary model estimasi akrual. Sebuah persyaratan penting untuk model ini adalah bahwa mereka menangkap besarnya manajemen laba tanpa kesalahan. Beberapa studi telah meragukan pada kemampuan deteksi manajemen laba yang umum digunakan oleh diskresioner model estimasi akrual. Sebagai contoh, Thomas dan Zhang (2000) menunjukkan bahwa asumsi sederhana total akrual yang diharapkan untuk semua perusahaan sama sebesar 5% dari total aset tertinggal yang melebihi kebanyakan model lain. Penelitian lain, seperti Muda (1999) dan Bartov, Gul, dan Tsui (2000), juga melaporkan temuan serupa. Diskresioner model estimasi akrual yang didasarkan pada berbagai asumsi mengenai proses menghasilkan akrual (AGP). Biasanya, diasumsikan bahwa AGP stabil dari waktu ke waktu atau perusahaan dalam industri yang sama memiliki AGPS serupa. Hasil dari Dopuch, Mashruwala, Seethamraju, dan Zach (2012) menantang asumsi ini. Sebaliknya, mereka berpendapat bahwa AGP adalah digambarkan dengan berbagai penentu akrual. Dengan demikian, mereka menyimpulkan bahwa peneliti harus fokus pada perkiraan diskresioner model akrual dalam kelompok yang memiliki AGPS semirip mungkin. Salah satu alternatif pendekatan untuk meningkatkan akrual diskresioner model estimasi adalah model AGP dengan menambah model yang memiliki variabel penentu akrual. Bagaimanapun pendekatan ini, bermasalah karena ada kolinearitas yang kuat antara akrual penentu seperti yang ditunjukkan oleh Dopuch et al. (2012). Selain itu, sejumlah penelitian yang telah menunjukkan bahwa AGP adalah non-linear (misalnya Dechow, Sloan, & Sweeney, 1995; Jeter & Shivakumar, 1999; Kothari, Leone, & Wasley, 2005) yang membuatnya sulit untuk menggunakan model regresi linear. Relatif sedikit pada penelitian yang telah membahas masalah kolinearitas dan non-linearitas dengan discretionary accrual model estimasi. Hoglund (2012) menunjukkan bahwa perceptrons multilayer (MLPs) dan jaringan saraf regresi umum (GRNNs) melebihi regresi OLS bila digunakan dengan discretionary accrual model estimasi. Dalam studi lain Hoglund (2013) menunjukkan bahwa regresi linear kabur (FLR) melebihi regresi OLS saat seri-jangka pendek dari data yang tersedia. Atau, untuk mengatasi masalah dengan kolinearitas dan non-linearitas antara variabel yang menggambarkan AGP peta mengorganisir diri (SOM) lokal dimana pendekatan regresi bisa dipertimbangkan. Artinya, SOM yang akan digunakan untuk mengelompokkan perusahaan berdasarkan AGP dan model regresi lokal akan diperkirakan dengan menggunakan perusahaan dengan AGPS yang sama.SOM memiliki beberapa fitur menarik, seperti mampu untuk memodelkan hubungan non-linear dan tidak menganggap pengetahuan apriori dari distribusi data. Tujuan dari penelitian ini adalah untuk mengembangkan dan menilai kinerja dari diskresioner regresi berbasis lokal SOM model estimasi akrual. Dalam studi sebelumnya di mana SOM local model regresi telah digunakan pendekatan umum telah ke membangun SOM menggunakan variabel model regresi. Dalam penelitian ini SOM dibangun menggunakan berbagai faktor penentu akrual disarankan oleh Dechow, Kothari, dan Watts (1998) dan Dopuch et al. (2012) sedangkan model regresi local didasarkan pada arus akrual versi model estimasi akrual diskresioner disarankan oleh Jones (1991).Sisa dari penelitian ini disusun sebagai berikut, dasar dari prinsip operasi model akrual regresi berbasis linear dan akrual proses yang menghasilkan beberapa data tercakup dalam bagian 2. Dalam bagian 3 terdapat gambaran peta mengorganisir diri dan SOM lokal model regresi. Desain penelitian disajikan dalam bagian 4 dan hasil dari studi empiris disajikan di bagian 5 dan pada bagian 6 kesimpulan penelitian.

2. Model Estimasi Akrual DiscretionaryDiscretionary model estimasi akrual merupakan alat penting untuk mengukur manajemen laba dan kualitas laba. Sebuah besar jumlah model yang berbeda telah diusulkan tetapi sebagian diskresioner model estimasi akrual yang berasal dari linear model regresi disarankan oleh Jones (1991). Dalam model Jones dimana kebalikan dari total aset tertinggal, perubahan penjualan dan properti, pabrik dan peralatan yang kemunduran total akrual. Jones menggunakan spesifik perusahaan time-series sebelum tahun acara untuk memperkirakan koefisien model regresi yang lain. Lebih umum pendekatan untuk memperkirakan koefisien regresi crosssectional yang mana pendekatan perusahaan-perusahaan dari tahun yang sama dan industry digunakan (DeFond & Jiambalvo, 1994).

Total akrual dihitung baik menggunakan pendekatan neraca atau pendekatan arus kas. Dengan neraca yang mendekati total akrual sama dengan perubahan akrual modal kerja yang dikurangi penyusutan dan amortisasi. Menggunakan pendekatan arus kas, total akrual yang dihitung dengan mengurangkan arus kas dari operasi laba sebelum pos. Tujuan dari diskresioner model estimasi akrual adalah untuk membuat total akrual menjadi akrual diskresioner dan akrual non-diskresioner. Akrual diskresioner yang dianggap sebagai proxy untuk manajemen laba sedangkan nondiscretionary akrual merupakan pembuktian yang diharapkan atau akrual normal. Untuk menghitung akrual non-discretionary, koefisien regresi yang pertama diperkirakan baik menggunakan pre-event tahun time-series atau industri cross-sectional cocok data. Koefisien kemudian digunakan bersama-sama dengan data untuk perusahaan yang manajemen laba diperiksa. Setelah akrual non-discretionary telah dihitung, akrual diskresioner diperoleh dengan mengurangkan akrual non-discretionary dari total akrual.

2.1. Proses menghasilkan akrualMemahami AGP adalah dasar yang paling penting ketika memperkirakan discretionary atau abnormal akrual. Artinya, kita perlu memahami penentu bawaan yang mendorong akrual. Biasanya, diasumsikan dalam diskresioner model estimasi akrual yang biasa atau akrual yang diharapkan didorong oleh perubahan dalam penjualan dan oleh tingkat properti, pabrik dan peralatan (Jones, 1991). Juga penentu untuk akrual, seperti return on asset (Kothari et al., 2005) dan arus kas dari operasi (Kasznik, 1999; Rees, Gil, & Gore, 1996) yang telah diusulkan dalam studi sebelumnya. Selanjutnya asumsi umum adalah bahwa AGP stabil dari waktu ke waktu (Jones, 1991) dan bahwa AGP itu seragam atau sama dalam industry (DeFond & Jiambalvo, 1994). Total akrual terdiri dari akrual lancar dan tidak lancar. Thomas dan Zhang (2000) menunjukkan bahwa sebagian besar dari varians dalam total akrual berasal dari varians dalam akrual saat ini dan yang non-akrual saat ini didorong oleh tingkat properti, pabrik dan peralatan. Ini berarti bahwa varians di saat akrual terutama didorong oleh perubahan dalam penjualan. Dopuch et al. (2012) berpendapat, bagaimanapun bahwa hubungan antara perubahan penjualan dan akrual lebih kompleks daripada biasanya dimodelkan. Mereka menunjukkan bahwa itu adalah perubahan penjualan bersama-sama dengan perusahaan spesifik penentu akrual yang paling menggambarkan AGP. Akrual yang menjadi penentu diperiksa oleh Dopuch et al. adalah perputaran piutang, omset hutang, perputaran persediaan dan profit margin. Mereka menemukan bahwa keempat faktor penentu yang signifikan terkait dengan perubahan dalam penjualan dan korelasi memiliki tanda yang diharapkan. Dechow et al. (1998) juga melaporkan hasil yang sama ketika memeriksa hubungan antara perubahan dalam penjualan dan penentu akrual. Selanjutnya, Dopuch et al. Hasil menunjukkan bahwa tingkat homogenitas dalam penentu akrual adalah positif terkait dengan kinerja estimasi akrual diskresioner model. Dengan kata lain, semakin seragam AGP antara data yang mengatur perusahaan, semakin baik kinerja model. Akhirnya, Dopuch et al. juga menunjukkan bahwa asumsi umum AGP seragam dalam suatu industri tidak berlaku.3. Peta mengorganisir diriSOM adalah jenis jaringan saraf yang berdasarkan kompetitif, belajar tanpa pengawasan. Prinsip-prinsip operasi dari SOM yang pertama kali diperkenalkan oleh Kohonen (1982). Tujuan dari SOM adalah untuk merepresentasikan data multidimensi biasanya satu atau dua, dimensi. Salah satu fitur dari SOM adalah bahwa melestarikan topologi. Artinya, pengamatan dekat satu sama lain dalam input data dipetakan ke node yang berdekatan di SOM. Fitur ini membuat SOM alat yang berguna untuk visualisasi data dan analisis cluster. SOM juga memiliki kemampuan generalisasi karena dapat mencirikan data yang belum digunakan dalam proses pelatihan.Sebuah SOM terdiri dari kisi dua dimensi dari node dimana setiap node terhubung ke masing-masing variabel pada lapisan masukan (Lihat Gambar. 1). SOM terdiri dimensi vektor masukan n (V1, V2,..., Vn) dan setiap node dalam SOM terhubung ke input vektor melalui n dimensi vektor berat (w1, w2,..., wn). Sebelum memulai proses pelatihan sejumlah parameter perlu menjadi set. Dua parameter pertama adalah bentuk dan ukuran SOM. Mengenai bentuk SOM, Kohonen (2001) merekomendasikan penggunaan kisi heksagonal bukan kisi persegi panjang dan peta persegi panjang daripada peta persegi. Jumlah node dalam peta tergantung pada jumlah pengamatan di data estimasi dan tujuan penggunaan peta. Parameter lainnya yang juga perlu didefinisikan adalah tingkat pembelajaran awal dan radius lingkungan. Nilai awal tingkat pembelajaran harus dekat dengan salah satu lingkungan awal yang bisa lebih dari setengah dari diameter SOM (Kohonen, 2001).

Gambar 1. Dua dimensi SOM dan input layer dengan dua variableLangkah pertama dalam proses pelatihan adalah untuk menginisialisasi berat vektor. Bobot biasanya diinisialisasi menggunakan kecil acak nilai (Van Laerhoven, 2001). Setelah bobot telah diinisialisasi data training set vektor input disajikan ke SOM. Berdasarkan vektor berat, unit pencocokan terbaik (BMU) adalah dipilih untuk setiap vektor input. Artinya, simpul yang memiliki berat vektor yang paling mirip dengan vektor input dipilih sebagai BMU. Langkah berikutnya adalah untuk menyesuaikan bobot dari BMU dan node dalam radius lingkungan tertentu dari BMU untuk membuat mereka lebih seperti vektor input. Besarnya penyesuaian bobot tergantung baik pada kedekatan dengan BMU dan pada pembelajaran tingkat. Selain itu, bobot dapat disesuaikan baik dengan menggunakan berurutan atau algoritma pelatihan batch. Dengan algoritma pelatihan sekuensial bobot disesuaikan setelah setiap observasi sedangkan dengan algoritma pelatihan batch bobot diperbarui ketika semua pengamatan telah disajikan dengan SOM. Ini berarti bahwa urutan di mana data yang disajikan memiliki dampak pada proses pelatihan ketika menggunakan sekuensial yang melatih algoritma tetapi tidak ketika menggunakan algoritma pelatihan batch. Sebagai proses pelatihan kemajuan, baik lingkungan radius dan belajar penurunan tingkat monoton. Akhirnya, Proses pelatihan dijalankan untuk sejumlah iterasi sampai SOM menstabilkanBiasanya SOM digunakan untuk visualisasi ruang Data (Kohonen, 1998). Ini bisa, misalnya, termasuk mengidentifikasi cluster atau mungkin hubungan antara variabel. Jarak terpadu matriks (u-matrix) umumnya digunakan untuk memvisualisasikan jarak antara node di SOM. Jarak pendek antara node dapat, misalnya, ditunjukkan dengan warna cahaya dan panjang menjauhkan dengan pewarnaan gelap. Daerah dengan pewarnaan cahaya akan kemudian mewakili kelompok dan daerah dengan batas mewarnai klaster gelap. Cara lain untuk memvisualisasikan SOM adalah untuk menyajikan variable dalam vektor input secara terpisah dalam apa yang disebut rancangan komponen. Masing-masing variabel memiliki Rancangan komponen sendiri di mana nilai-nilai variable untuk node SOM yang disajikan menggunakan kode warna. Variabel Tinggi nilai dapat, misalnya, ditunjukkan dengan pewarnaan cahaya dan rendah nilai variabel dengan pewarnaan gelap. Rancangan komponen digunakan untuk meneliti hubungan antara variabel dalam vektor input. Rancangan komponen yang sama menunjukkan bahwa ada korelasi antara variabel.3.1 Peta Mengorganisir Diri dan Model Regresi LokalSebagai SOM didasarkan pada pembelajaran tanpa pengawasan itu tidak seperti itu cocok untuk jenis regresi masalah. Namun demikian, sebelumnya Studi mana SOM telah digunakan bersama-sama dengan model regresi linear . Dalam studi ini SOM telah digunakan untuk pengelompokan atau mengelompokkan pengamatan setelah model regresi local telah diperkirakan untuk setiap kelompok atau cluster. Vesanto (1997) digunakan SOM bersama-sama dengan model regresi linear untuk memprediksi waktu. SOM dalam penelitian Vesantos dibangun menggunakan kedua tergantung variabel variabel dan independen dari model regresi linear . Setelah SOM dibangun, model regresi lokal dengan minimal 12 pengamatan diperkirakan untuk setiap node. Itu model regresi lokal kemudian digunakan untuk memperkirakan diprediksi nilai-nilai. BMus untuk pengamatan data uji ditentukan dengan menggunakan variabel independen dari model regresi. Hasil dalam penelitian Vesantos menunjukkan bahwa SOM local model regresi dilakukan serta atau lebih baik dari sebanding lainnya metode. Whigham (2005) juga menggunakan SOM yang sama local Pendekatan regresi untuk analisis data ekologi dan eksplorasi. Namun, bukan menentukan heuristik jumlah minimum pengamatan untuk regresi lokal, Whigham menggunakan sebuah pencarian lengkap. Dalam Hoglund (2012) mempelajari regresi lokal SOM Model digunakan untuk memperkirakan akrual diskresioner. SOM dibangun dengan menggunakan variabel model regresi dan minimum jumlah observasi regresi lokal diuji dengan memvariasikan jumlah observasi antara 1% dan 100% dari data jumlah set ukuran. Hasil terbaik diperoleh ketika jumlah observasi adalah sebesar 38% dari total ukuran data set. Secara keseluruhan, hasil penelitian menunjukkan bahwa model regresi lokal SOM mengungguli model regresi linear umum digunakan. SOM lokal model regresi diungguli oleh jaringan syaraf lainnya dan model regresi linear piecewise.

4. Metodologi Penelitian

4.1. Tugas PenelitianTujuan dari penelitian ini adalah untuk mengembangkan dan menilai kinerja SOM regresi berbasis lokal discretionary accrual model estimasi. SOM ini dibangun menggunakan variabel menggambarkan Jones koefisien model regresi AGP dan lokal diperkirakan untuk setiap node SOM. Kinerja model ini dibandingkan dengan kinerja sejumlah model discretionary estimasi akrual yang telah digunakan dalam literatur sebelumnya. Kinerja model ditentukan berdasarkan standar deviasi akrual diskresioner dan kemampuan mereka untuk mendeteksi berbagai tingkat manajemen laba artifisial diinduksi.4.2. Deskripsi Data Kumpulan data terdiri dari data laporan keuangan untuk publik perusahaan Amerika Serikat untuk tahun 2001-2012. Data yang telah diambil dari laporan keuangan tahunan dari basis data Thomson. Data akhir terdiri 250 perusahaan yang dipilih secara acak dari 10 dua digit SIC industri (lihat Tabel 1). Untuk sebuah perusahaan untuk memenuhi persyaratan untuk seleksi, itu harus memiliki data laporan keuangan lengkap untuk setiap dari 12 tahun dari 2001 sampai 2012. Selain itu, total dan arus akrual dari setiap perusahaan harus di bawah tertinggal total aset selama ke-12 tahun. Juga, semua perusahaan yang bukan milik industry dengan setidaknya 25 pengamatan dibuang. Setelah menerapkan ini batasan yang ditetapkan data terdiri 934 perusahaan dari 15 dua digit Industri SIC. Dari 15 industri ini 5 dipilih secara acak terhadap industri yang sedang turun. Akhirnya, untuk masing-masing 10 yang tersisa industri pilihan secara acak dilakukan untuk membentuk estimasi untuk mengatur data dan menetapkan data uji sebanyak 20 dari masing-masing lima perusahaan.4.3. SOM local regression-based discretionary accrual estimation model Tujuan dari model regresi lokal SOM adalah untuk membuat data lokal terdiri dari perusahaan dengan seragam (atau setidaknya sama) AGP. Mirip dengan Dechow et al. (1998) dan Dopuch et al. (2012), yang AGP digambarkan berdasarkan empat faktor penentu akrual berikut :

Di mana AR adalah piutang, AP adalah hutang, INV adalah persediaan dan NI adalah laba bersih. Untuk mengurangi efek yang mungkin pengelolaan faktor-faktor penentu akrual, rata-rata 5 tahun semua empat faktor penentu digunakan. Koefisien regresi 1 dan 2 sama dengan persediaan target dan kecepatan di mana persediaan menyesuaikan dengan level target masing-masing. Koefisien diperkirakan menggunakan seri waktu 5 tahun perusahaan tertentu.Jumlah parameter yang perlu diatur sebelum memulai membangun proses SOM. Karena tidak ada metode yang tepat untuk memutuskan set optimal parameter, beberapa heuristik diperlukan. Pertama, Data dalam kumpulan data estimasi preprocessed sehingga semua variable memiliki mean nol dan satuan varians. Metode Preprocessing umum banyak digunakan dalam studi di mana SOM yang digunakan (misalnya Vesanto & Alhoniemi, 2000; Whigham, 2005). SOM kemudian dibangun menggunakan parameter default di SOM Toolbox dan dengan ukuran SOM diatur ke kecil. Ukuran SOM diatur ke kecil sehingga jumlah node sekitar sesuai dengan akar kuadrat dari jumlah pengamatan dalam kumpulan data estimasi (Whigham, 2005). Pengaturan default termasuk menggunakan algoritma pembelajaran bets dan lingkungan Gaussian. Kekokohan hasil akan dinilai dengan metode preprocessing berbeda dan SOM membangun parameter. Setelah SOM telah dibangun, set data local diciptakan untuk setiap node dari pengamatan di estimasi kumpulan data. Jumlah yang diperlukan observasi untuk setiap data local set 20. Ini adalah jumlah yang sama pengamatan digunakan ketika memperkirakan model cross-sectional lain diteliti dalam penelitian ini. Jika tidak ada pengamatan cukup dalam node, pengamatan yang ditambah dari BMus terdekat. Jika ada lebih dari 20 pengamatan di node 20 pengamatan akan dipilih secara acak dari simpul. Contoh dari proses menciptakan set data local diilustrasikan pada Gambar. 2. Dalam contoh model regresi lokal diperkirakan node nomor 2 (A). Sebagai node ini hanya memiliki tiga pengamatan, Data perlu ditambah dari BMus terdekat. Berikutnya, pengamatan ditambahkan dari dua terdekat BMus 6 dan 7 (B dan C). Sekarang kumpulan data lokal memiliki 18 pengamatan yang masih tidak cukup. Menambahkan pengamatan dari BMU terdekat ketiga 3 (D) meningkatkan ukuran kumpulan data ke 28 yang pada gilirannya juga besar. Oleh karena itu, hanya dua pengamatan yang dipilih secara acak dari simpul 3 (D) ditambahkan ke set data lokal membuat jumlah pengamatan persis 20.

Tabel 1. Struktur Data

Gambar 2. Contoh SOM model regresi pembentukan set data lokal

Data lokal digunakan untuk menciptakan model-model regresi local dengan Model Jones saat akrual. Variabel dependen dalam model akrual saat ini (CACCt) dan variabel independen adalah kebalikan dari total aset tertinggal (1 / TAt-1) dan perubahan dalam penjualan (REVt). Akrual saat ini dihitung dengan mengurangkan kas pertama mengalir dari operasi (CFOt) dari laba sebelum pos luar biasa item (EXBIt) dan kemudian menambahkan amortisasi dan penyusutan (DEPt). Kedua akrual saat ini dan perubahan dalam variabel penjualan dikurangi dengan total aset tertinggal. Model regresi lokal diperkirakan menggunakan regresi OLS. Selanjutnya, BMU untuk setiap pengamatan di set data uji ditentukan berdasarkan penentu akrual variabel. Data Model Jones untuk data uji set pengamatan kemudian digunakan bersama-sama dengan koefisien model regresi dari yang sesuai BMUs untuk menghitung diskresioner dan akrual non-diskresioner.4.4 Analisis StrategiUtama discretionary accrual model estimasi dalam penelitian ini adalah model regresi lokal SOM. Kinerja model ini adalah dibandingkan dengan kinerja enam diskresioner yang berbeda model estimasi akrual yang telah disarankan dalam sebelumnya Studi dan satu model di mana mengatur estimasi dan uji data yang perusahaan secara acak dikelompokkan. Semua model didasarkan pada model regresi linear yang disajikan dalam Bagian 4.3 dimana timbal balik dari tertinggal total aset dan perubahan penjualan kemunduran pada akrual saat ini. Dua dari tujuh model patokan didasarkan pada waktu-series pendekatan yang disarankan oleh Jones (1991) di mana koefisien diperkirakan dengan data spesifik perusahaan 10 tahun sebelum tahun acara. Itu model menggunakan pendekatan time-series diperkirakan menggunakan OLS dan FLR (Hoglund 2013). Model acuan lain didasarkan pendekatan cross-sectional di mana berbagai teknik pengelompokan dipekerjakan. Pengelompokan ditentukan oleh dua digit SIC (DeFond & Jiambalvo, 1994), oleh tetangga terdekat dalam penjualan dan jumlah Aset (Ecker et al., 2011) dan grouping.With acak dua-digit SIC pengelompokan model diperkirakan dengan baik OLS dan GRNN (Hoglund, 2012) sedangkan dengan kelompok lain hanya OLS adalah digunakan. Semua delapan model diestimasi dengan menggunakan data estimasi set. Model Estimasi kemudian digunakan untuk menghitung akrual diskresioner untuk data uji ditetapkan perusahaan. Langkah pertama dalam membandingkan kinerja yang berbeda model adalah untuk memeriksa standar deviasi dari himpunan data uji akrual diskresioner. Sebuah standar deviasi yang lebih rendah dari diskresioner akrual sama kinerja model yang lebih baik. Mean dan akrual diskresioner median juga indikator kinerja model Semakin dekat ke nol mean dan median diskresione akrual, semakin baik kinerja model. Nilai yang diharapka dari mean dan median akrual diskresioner adalah nol karena estimasi dan data uji set telah secara acak diambil dari populasi yang sama. Artinya, tidak ada laba yang sistematis diharapkan manajemen dalam tidak positif atau arah negatif dalam ujian kumpulan data. Berikutnya, kemampuan deteksi manajemen laba dari model yang berbeda dinilai dengan menambahkan tingkat diketahui dari simulasi laba manajemen untuk data uji ditetapkan perusahaan. Tingkat simulasi manajemen laba digunakan dalam berbagai penelitian antara - 10% dan 10% dari total aset tertinggal dengan 2% kenaikan. Untuk menguji seberapa baik model tampil di berbagai tingkat manajemen laba, manajemen laba simulasi ditambahkan ke 10 secara acak perusahaan yang dipilih pada set data uji. Untuk perusahaan-perusahaan ini, partisi yang variabel dummy (PART) diatur ke 1. Untuk 40 perusahaan yang tersisa di data uji set variabel partisi diatur ke 0. partisi The variabel kemudian kemunduran pada akrual diskresioner (DACC) menggunakan model regresi berikut: estimasi dan data uji set telah secara acak diambil dari populasi yang sama. Artinya, tidak ada laba yang sistematis diharapkan manajemen dalam tidak positif atau arah negatif dalam ujian kumpulan data. Berikutnya, kemampuan deteksi manajemen laba dari model yang berbeda dinilai dengan menambahkan tingkat diketahui dari simulasi laba manajemen untuk data uji ditetapkan perusahaan. Tingkat simulasi manajemen laba digunakan dalam berbagai penelitian antara - 10% dan 10% dari total aset tertinggal dengan 2% kenaikan. Untuk menguji seberapa baik model tampil di berbagai tingkat manajemen laba, manajemen laba simulasi ditambahkan ke 10 secara acak perusahaan yang dipilih pada set data uji. Untuk perusahaan-perusahaan ini, partisi yang variabel dummy (PART) diatur ke 1. Untuk 40 perusahaan yang tersisa di data uji set variabel partisi diatur ke 0. partisi The variabel kemudian kemunduran pada akrual diskresioner (DACC) menggunakan model regresi berikut:

Kemampuan deteksi manajemen laba model tertentu pada tingkat tertentu manajemen laba simulasi ditentukan berdasarkan koefisien regresi variabel partisi (b1). Jika koefisien b1 signifikan pada tingkat 5%, pendapatan simulasi manajemen dianggap terdeteksi. Manajemen laba Prosedur simulasi diulang 1000 kali untuk setiap model dan tingkat manajemen laba simulasi. Kinerja model ini dinilai berdasarkan jumlah partisi yang signifikan koefisien variabel pada berbagai tingkat pendapatan simulas manajemen.

5. Hasil dan Diskusi

5.1. Statistik DeskriptifStatistik deskriptif untuk 250 perusahaan dalam kumpulan data yang disajikan pada Tabel 2. Ada perbedaan besar antara perusahaan baik dalam penjualan dan total aktiva. Perusahaan terbesar di kumpulan data (General Electric) memiliki penjualan hampir 145 miliar USD dan 685.000.000.000 USD total aset. Perusahaan-perusahaan terkecil dalam data di sisi lain memiliki kedua penjualan dan total aset di bawah 10 juta USD. Dari 250 perusahaan dalam kumpulan data, 211 memiliki positif laba bersih dan rata-rata (median) untuk ROA perusahaan adalah 3,9% (5,7%). Seperti yang diharapkan, total akrual mean dan median adalah negatif sedangkan nilai yang sesuai untuk akrual saat mendekati nol. Total akrual negatif terutama didorong oleh penyusutan bagi banyak perusahaan dengan akrual negatif yang besar.Tabel 2. Statistik deskriptif untuk data perusahaan.

Data yang disajikan dalam tabel ini didasarkan pada 2.012 data laporan keuangan. Jumlah aset dan pendapatan diberikan dalam juta dolar AS. ROA dihitung sebagai laba bersih dibagi dengan total saldo aktiva. Jumlah dan akrual yang menurun hingga tertinggal total aset.SOM dibangun menggunakan variabel penentu akrual dari mengatur data estimasi. SOM akhir mengandung 20 node yang selaras dalam kotak heksagonal dengan ketinggian lima node dan lebar empat node. Gambar. 3 menunjukkan rancangan komponen untuk empat variabel yang digunakan untuk membangun SOM dan u-matrix. Antara lain, rancangan komponen mengungkapkan bahwa hubungan antara penentu akrual tidak linear. Misalnya, marjin keuntungan perusahaan yang tinggi, baik persediaan tinggi dan omset rendah. Secara umum, rancangan komponen menunjukkan negative hubungan antara piutang dan hutang turnovers dan margin keuntungan dan hubungan positif antara perputaran persediaan dan profit margin. Dalam u-matriks jarak antara node ditunjukkan dengan warna gelap dan jarak jauh dengan warna terang. Artinya, besar daerah gela terdiri cluster dan area terang mengelompok perbatasan. The u-matrix disajikan pada Gambar. 3 menunjukkan bahwa tidak ada kelompok yang jelas dalam SOM.Setelah SOM dibangun, langkah berikut adalah untuk menciptakan model regresi lokal untuk masing-masing dari 20 node. Deskriptif statistik untuk model regresi lokal SOM serta untuk diskresioner model estimasi akrual berdasarkan OLS regresi disajikan pada Tabel 3. Model regresi time-series dan dua model tetangga terdekat memiliki satu set koefisien regresi untuk setiap perusahaan pada data uji. Untuk SIC dua digit dan model regresi pengelompokan random ada 10 set koefisien regresi sedangkan untuk model regresi SOM ada 20 set koefisien regresi. Mean (rata-rata) R2 untuk 20 model regresi lokal SOM adalah 0,099 (0,083). Nilai R2 disesuaikan tertinggi ditunjukkan ketika estimasi set data dikelompokkan sesuai dengan industri sedangkan yang terendah nilai-nilai dapat dilihat dengan model regresi pengelompokan acak. Seperti yang diharapkan, baik mean dan median nilai untuk koefisien untuk perubahan dalam penjualan (1) memiliki tanda-tanda positif untuk semua enam model regresi. Terdekat Model tetangga penjualan memiliki nilai tertinggi untuk koefisien 1 sedangkan model regresi time-series dan model regresi SOM memiliki nilai terendah.5.2. Menilai Kinerja ModelDalam penelitian ini kinerja deteksi manajemen laba dari model regresi lokal SOM dibandingkan dengan kinerja tujuh diskresioner model estimasi akrual yang berbeda. Statistik deskriptif untuk data uji mengatur akrual diskresioner untuk semua delapan model disajikan pada Tabel 4. Ukuran pertama bunga adalah standar deviasi dari akrual diskresioner mana nilai yang lebih rendah menunjukkan kinerja model yang lebih baik. SOM local model regresi menunjukkan standar deviasi terendah diikuti oleh yang berbasis GRNN dan model kali seri Jones. Model penjualan terdekat di sisi lain, menunjukkan standar deviasi lebih tinggi dibandingkan dengan model lainnya. Mean dan median diskresioner akrual juga ukuran kinerja model. Sebagai estimasi dan set data uji yang dipilih secara acak dari populasi yang sama, akrual diskresioner tidak berbeda dari nol. Itu satunya model yang menunjukkan nilai signifikan berbeda dari nol adalah dua-digit model SIC, di mana akrual diskresioner median secara signifikan positif (pada tingkat 10%) pada 1,8% dari total aset tertinggal. Model pengelompokan acak memiliki mean diskresione akrual paling dekat dengan nol, diikuti oleh model regresi lokal SOM. Akrual diskresioner median yang paling dekat dengan nol untuk model berbasis GRNN dan dua-digit Model SIC memiliki akrual diskresioner median terjauh dari nol. Akhirnya, Model regresi lokal SOM memiliki kisaran terkecil antara terendah dan nilai akrual diskresioner tertinggi, sedangkan model terdekat penjualan memiliki jangkauan terluas.Metode lain untuk menilai kinerja model adalah untuk mensimulasikan manajemen laba. Dalam penelitian ini artificial manajemen laba disebabkan mensimulasikan manipulasi biaya. Besarnya simulasi rentang manajemen laba antara -10% dan 10% dari total aset tertinggal dengan 2% kenaikan. Simulasi dilakukan sehingga tingkat tertentu dari laba manajemen ditambahkan ke 10 tes perusahaan set data yang dipilih secara acak. Prosedur ini diulang 1000 kali untuk setiap tingkat simulasi manajemen laba. Kinerja model dievaluasi berdasarkan jumlah data uji set dengan pendapatan simulasi manajemen di mana mereka mendeteksi manajemen laba. Itu hasil dari manipulasi beban simulasi disajikan Tabel 5. Dengan tidak menggunakan manajemen laba simulasi, baik yang ditentukan Model tidak harus mendeteksi manajemen laba setiap saat estimasi dan uji set data secara acak dipilih dari yang sama populasi. Tingkat deteksi bervariasi antara 4,3% (SOM local model regresi) dan 6,0% (Model time-series) bila tidak ada simulasi manajemen laba telah ditambahkan ke set data uji.

Gambar 3. Perancangan komponen dan u-matriks untuk SOM.

Tabel 3. Statistik deskriptif untuk Model Regresi Jones.

Regression mode: CACCt = 0 + b0 + b1 DREV.Model terdekat (total aset dan penjualan) memiliki satu set koefisien regresi untuk masing-masing kumpulan perusahaan data uji dan setiap set koefisien regresi diperkirakan menggunakan 20 perusahaan tetangga terdekat. Diperkirakan dengan cross-sectional (dua digit SIC) dan model pengelompokan acak 10 set koefisien regresi dan setiap set regresi koefisien diestimasi dengan menggunakan data dari 20 perusahaan. Koefisien model regresi time-series diperkirakan untuk setiap data uji perusahaan dan masing-masing regresi dijalankan dengan 10 tahun data spesifik perusahaan.

Tabel 4. Statistik deskriptif untuk akrual diskresioner

Sumber : Time series (Jones, 1991).Two-digit SIC (DeFond & Jiambalvo, 1994).Total assets and sales (Ecker et al., 2011).GRNN (Hglund, 2012).FLR (Hglund, 2013).a One sample t-test.b Wilcoxon signed rank test.Tabel 5. Daya deteksi model simulasi manipulasi beban.

Seperti yang diharapkan, tingkat deteksi untuk semua model meningkat karena tingkat simulasi kenaikan manajemen laba. Dari delapan model, model time-series, berbasis GRNN dan SOM local model regresi jelas menonjol ketika menilai kinerja. Pada tingkat manajemen laba simulasi 6% dari tertinggal total aset tiga model ini adalah satu-satunya dengan deteksi tarif lebih dari 50%. Pada tingkat ini, lima model lain memiliki deteksi Harga berkisar antara 20,3% dan 46,6%. Ketika simulasi manajemen laba sama dengan 10% dari total aset tertinggal pada model time-series, berbasis model GRNN dan SOM local model regresi memiliki tingkat deteksi mendekati 100% sedangkan ketiga model yang berkinerja terbaik (Model FLR-based) memiliki tingkat deteksi di 84,7% dan 85,7%. Untuk model berperforma terburuk (penjualan terdekat) tingkat deteksi rata-rata pada tingkat pendapatan simulasi manajemen jauh di bawah 50%.Untuk lebih menilai kinerja model untuk mendeteksi manajemen laba simulasi, nilai efektivitas dan efektivitas jajaran dihitung untuk masing-masing model. Efektivitas Rata dihitung dengan terlebih dahulu membagi tingkat deteksi untuk model pada tingkat tertentu dari manajemen laba dengan maksimal tingkat deteksi pada tingkat manajemen laba. Hasil ini di 10 skor efektivitas untuk setiap model. Keefektifan kemudian dihitung dengan rata-rata 10 skor efektivitas. Dengan efektivitas peringkat peringkat terendah (1) ditugaskan ke model dengan tingkat deteksi terbaik dan peringkat tertinggi (8) untuk perusahaan dengan tingkat deteksi yang terburuk. Model efektivitas tertentu rank kemudian dihitung dengan rata-rata jajaran di semua tingkat manajemen laba simulasi. Kedua efektivitas skor dan peringkat efektivitas menunjukkan bahwa regresi lokal SOM Model memiliki terbaik pendapatan keseluruhan kemampuan deteksi manajemen. Model dengan pendapatan terbaik kedua dan ketiga kemampuan deteksi manajemen model berbasis GRNN dan model time-series, masing-masing. Kesenjangan dalam kinerja antara ketiga model dan lima model yang tersisa cukup besar. Rata-rata efektivitas untuk model time-series adalah 91,5% sedangkan nilai efektivitas untuk berkinerja terbaik keempat Model (Model FLR-based) adalah 71,5%. Berdasarkan efektivitas skor dan peringkat efektivitas, model berperforma terburuk adalah terdekat Model tetangga penjualan.5.3. DiskusiHasil dalam penelitian ini memberikan bukti bahwa SOM local Model akrual diskresioner regresi berbasis melebihi lainnya model akrual diskresioner yang telah disarankan dalam sebelumnya studi. Para pesaing terdekat adalah berbasis GRNN diskresioner Model akrual yang disarankan oleh Hoglund (2012), melakukan sedikit lebih buruk dari model regresi lokal SOM. Keuntungannya dengan model berbasis GRNN adalah bahwa hal itu sederhana daripada SOM local model regresi. Pada sisi negatifnya, model berbasis GRNN tidak memiliki kemampuan representasi visual dari SOM local model regresi. Kedua model menggunakan pendekatan time-series juga melakukan cukup baik, dengan model menggunakan regresi OLS melebihi model menggunakan FLR. Hal ini sesuai dengan Hoglund (2013) di mana ia menunjukkan bahwa OLS regresi berbasis diskresioner model akrual mengungguli model FLR berbasis time-series lebih dari 6 tahun. Kerugian dengan model menggunakan deret waktu yang Pendekatan, bagaimanapun, adalah kebutuhan yang relatif lama time-series. Hal ini bisa mengurangi ukuran dari kumpulan data dan menyebabkan masalah, seperti Bias kesintasan dan deret waktu non-stasioner. Kinerja model lainnya, termasuk umumnya menggunakan model Jones cross-sectional, tidak berbeda jauh dari acak pengelompokan perusahaan. Selain memiliki yang terbaik kemampuan deteksi manajemen laba, SOM juga menawarkan wawasan hubungan antara faktor-faktor penentu akrual. Rancangan komponen SOM menunjukkan bahwa ada korelasi antara penentu akrual dan bahwa korelasi tidak linear. Dengan demikian, akan sulit untuk benar model hubungan antara akrual dan faktor-faktor penentu akrual menggunakan regresi linear.Secara umum, model regresi lokal SOM digunakan dalam penelitian ini adalah tidak deterministik karena bobot SOM secara acak diinisialisasi. Namun, model yang telah dibuat deterministik dengan menetapkan benih acak dengan angka yang diberikan. Model ketahanan adalah dinilai dengan berbagai biji acak dan hasilnya tetap substansial sama. Untuk lebih menguji model ketahanan, berbeda dengan pengaturan SOM yang digunakan. Ini termasuk ukuran SOM yang berbeda dengan metode data preprocessing. Uji ketahanan menunjukkan bahwa kinerja model terbaik terlihat ketika ukuran SOM ditetapkan untuk kecil dan data yang preprocessed sehingga semua variabel memiliki nol berarti dan Unit varians. Kedua meningkatkan ukuran SOM dan menggunakan alternatif metode data preprocessing yang memiliki dampak negatif pada kinerja model. Bagaimanapun, pencarian kombinasi optimal pengaturan SOM tidak lengkap dan mungkin ada kombinasi pengaturan yang akan mengakibatkan hasil yang lebih baik. Akhirnya, semua tes juga dijalankan dengan menggunakan model Jones dengan total akrual sebagai variabel dependen dengan asset ditambahkan sebagai peralatan variabel independen. Perubahan ini tidak memiliki dampak yang signifikan.6. KesimpulanAsumsi umum saat menggunakan estimasi akrual diskresioner model bahwa AGP stabil dari waktu ke waktu atau perusahaan dalam industri yang sama memiliki AGPS serupa. Bagaimanapun, asumsi ini telah ditantang dalam sejumlah penelitian. Sebaliknya, telah disarankan bahwa AGP digambarkan oleh berbagai akrual penentu dan perusahaan harus dikelompokkan menurut kesamaan di AGP. Model regresi lokal SOM disajikan dalam penelitian ini memungkinkan bagi perusahaan untuk dikelompokkan menurut kesamaan dalam AGP bukan pengelompokan berdasarkan kriteria yang telah ditentukan. Kelemahan lain dengan sebelumnya bahwa dengan digunakannya model akrual diskresioner adalah mereka hampir secara eksklusif bergantung pada regresi linear bahkan meskipun AGP telah terbukti non-linear dalam sejumlah penelitian. Model regresi lokal SOM memungkinkan untuk pemodelan non-linear AGP dengan menggunakan regresi linier lokal. Telah ada beberapa saran untuk pemodelan non-linear dari AGP di studi sebelumnya namun pendekatan ini hanya menawarkan solusi dan masalah. Terlepas dari memperkirakan perusahaan diskresioner tertentu akrual, model regresi lokal SOM juga menunjukkan lokasi dari perusahaan di u-matrix pada rancangan komponen SOM yang dapat memberikan informasi tambahan yang berharga.Mendeteksi manajemen laba penting untuk sejumlah pihak yang berkepentingan, seperti pemilik, investor, kreditur, analis dan auditor. Sebelumnya disarankan model akrual diskresioner dengan memberikan langkah-langkah manajemen laba dan dengan demikian tidak banyak digunakan untuk berbagai pengguna laporan keuangan. Hasil dalam penelitian ini menunjukkan bahwa model regresi lokal SOM menyediakan ukuran yang kurang tepat [ada manajemen laba dibandingkan dengan pendekatan umum lainnya yang digunakan. Selain itu, SOM local model regresi juga memberikan representasi visual dari AGP dari spesifik perusahaan dalam kaitannya dengan perusahaan lain. Ini bisa memberikan petunjuk lebih lanjut tentang apa yang mendorong akrual diskresioner perusahaan. Ukuran akrual diskresioner dan representasi visual bersama-sama dapat dimasukkan ke dalam sistem pakar yang bisa membantu pengguna laporan keuangan dalam mendeteksi earnings management.Ada beberapa kemungkinan untuk memperpanjang studi ini. Pertama, penelitian ini hanya mencakup empat faktor penentu akrual. Sangat mungkin bahwa meningkatkan jumlah penentu akrual yang akan meningkatkan Model. Kedua, representasi visual dari model regresi SOM local yang ditutupi relatif singkat. Pemeriksaan yang lebih menyeluruh representasi visual bisa mengungkapkan informasi tambahan yang menarik tentang manajemen laba dan AGP. Ketiga, Model berbasis kinerja GRNN baik dalam penelitian ini dan dalam studi sebelumnya, ada kemungkinan bahwa kinerja regresi lokal SOM Model akan dapat ditingkatkan jika regresi lokal akan dijalankan menggunakan GRNN bukan regresi OLS. Keempat, yang lebih komprehensif mencari parameter model yang optimal bisa digunakan. Ini bisa diwujudkan dengan menggunakan algoritma genetika.