نقدینگی و توزیع بازده سهام: مدارکی از بازار بورس لندن

Stock liquidity and return distribution: Evidence from the London Stock Exchange

چکیده

1.مقدمه

2. مروری بر مقالات

3. داده‌ها

4. روش تحقیق

4.1. چولگی و کشیدگی بازده‌ها

4.2. اختلاف قيمت خريد و فروش

4.3.نسبت‌های RtoV و RtoV

4.4. روزهای بازده صفر و روزهای کاری صفر

4.5. تحلیل رگرسیون

5. نتایج تجربی

6. نتیجه‌گیری

چکیده

ما رابطه بین نقدشوندگی و توزیع بازده سهام را در مورد تمامی شرکت‌های پذیرفته‌شده در بازار بورس لندن بین سال‌های 2002 تا 2018 مورد بررسی قرار می‌دهیم. و یک رابطه قوی را بین توزیع بازده‌ها، همان‌طور که توسط چولگی و کشیدگی و نقدشوندگی ارزیابی شده، مشاهده می‌کنیم. 

مقدمه

مقالات و تحقیقات قابل‌توجهی در مورد نقدشوندگی سهام وجود دارند. Balasemi و همکاران (2015) نقدشوندگی را به عنوان خرید و فروش اوراق بهادار بدون تغییر قابل‌توجهی در قیمت آن تعریف می‌کنند. اثبات شده است که درک نقدشوندگی کار دشواری است و منجر به ایجاد برخی معیارهای نقدشوندگی از جمله حجم مبادلات، اختلاف قيمت خريد و فروش، مبادلات صفر، روزهای بازده صفر و مدل‌های مختلف تأثیر قیمت مانند نسبت آمیهود شده است (Fong و همکاران، 2017) که در مقالات دانشگاهی مطرح شده‌اند. 

6. نتیجه‌گیری

ما رابطه تجربی بین توزیع بازده و نقدشوندگی سهام را بررسی می‌کنیم. و با کنترل ارزش جاری سرمایه بازار، نوسانات بازده سهام، حجم معاملات، و قیمت سهام در سطح شرکت، به این موضوع پی می‌بریم که سهامی که دارای درجه بالایی از عدم تقارن است، از نقدشوندگی کمتری برخوردار است. به همین دلیل است که آن‌ها اختلاف بیشتری بین قيمت خريد و فروش، معاملات صفر و روزهای بازده صفر بیشتری دارند. حتی اگر نتایج چولگی برای مدل روزهای بازده صفر ناچیز باشد، نتایج کشیدگی برای هر پنج معیار نقدشوندگی به لحاظ آماری معنی‌دار است. کشیدگی (اوج) سهام بر سطح نقدشوندگی آن نیز تأثیر منفی دارد. تحقیقات بعدی ممکن است از مفاهیم و دلالت‌های یافته‌های ما برای زمینه‌هایی مانند نظریه پورتفولیو، قیمت‌گذاری دارایی، مدیریت ریسک، و قیمت‌گذاری مشتقات استفاده کنند. 

Abstract

We investigate the relationship between liquidity and the distribution of returns, for all listed firms on the London Stock Exchange between 2002–2018. We find a strong relationship between the distribution of returns, as measured by skewness and kurtosis, and liquidity.

Introduction

There is substantial literature on the liquidity of stocks. Balasemi et al. (2015) describe liquidity as the buying and selling of a security with no considerable change in the price. Liquidity has proved to be difficult to observe, which has led to a number of liquidity measures being established in the academic literature including trading volume, bid-ask spread, zero-trading, zero-return days and various price impact models such as the Amihud ratio (Fong et al., 2017). A limited number of studies have linked liquidity to stock returns. Amihud et al. (2005) believe that liquidity predicts future returns. In addition, Baker and Stein (2004) show a positive relationship between liquidity and stock returns.

6. Conclusion

We examine the empirical relationship between the distribution of returns and stock liquidity. Controlling for market capitalization, stock return volatility, trading volume and stock price at firm level, we find evidence that stocks with a high degree of asymmetry are less liquid. This is because they exhibit a larger bid-ask spread, more zero-trading and zero-return days. Even though the skewness results are insignificant for the zero-return days model, the Kurtosis results are statistically significant for all of the five liquidity measures. A stock’s kurtosis also negatively affects the liquidity level. Further research might consider the implications of our findings for areas such as portfolio theory, asset pricing, risk management and derivatives pricing

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

نقدینگی و توزیع بازده سهام: مدارکی از بازار بورس لندن

Stock liquidity and return distribution: Evidence from the London Stock Exchange

پیش بینی گزارش حسابرسی: کاربردی از مدل برنولی خاکستری غیرخطی

Audit report forecast: an application of nonlinear grey Bernoulli model

چکیده

1. مقدمه

2. چارچوب نظری، مرور ادبیات و توسعه فرضیه

3. روش تحقیق

3.1 روش های اجرای GM

3.2 تجزیه و تحلیل خطاهای GM

3.3 مدل های رگرسیون و تنظیم اولویت های گزارش حسابرسی با استفاده از GRA

3.4 ماتریس تصمیم گیری

3.5 سری های مرجع هدف

3.6 ضریب ارتباطی خاکستری و درجه ارتباطی خاکستری

4. یافته های تحقیق

4.1 آمار توصیفی

4.2 فرضیه های مدل های رگرسیون خطی استاندارد

4.3 آزمون های مشخصات (تشخیصات) در مدل های داده های پانل

4.4 نتایج برآورد

4.5 رتبه بندی ورودی ها

4.6 بهترین مدل برآورد

5. نتیجه گیری

منابع

چکیده

هدف– استفاده گسترده از مدل خاکستری سنتی (GM) در زمینه های مختلف علمی مانند مهندسی برق، آموزش، مهندسی مکانیک و کشاورزی، به نویسندگان انگیزه می دهد تا در زمینه حسابداری، به ویژه حسابرسی عملی تحقیقات تجربی انجام دهند. در این راستا، هدف از این مقاله استفاده از نوع غیرخطی GM اصلی برای پیش بینی داده هایی می باشد که به طور قابل توجهی در گزارشات حسابرسی تغییر یافته است. اساسا، این مقاله به ارزش مسیر ادبیات گزارش حسابرسی توسط بررسی تأثیر نسبت های مختلف مالی بر نظر حسابرسان می افزاید و سپس گزارشات حسابرسی با استفاده از GM ها را پیش بینی می کند.

طراحی/ روش شناسی/ رویکرد– مدل پیش بینی خاکستری به عنوان یک سیستم حاوی اطلاعات نامشخص ارائه شده توسط اعداد خاکستری، معادلات و ماتریس ها شناخته شده است. مدل پیش بینی خاکستری با استفاده از یک معادله دیفرانسیل در یک سیستم نامشخص با مجموعه اطلاعات محدودی که برای هموار کردن اطلاعات گسسته مناسب است، بکار می رود. علاوه بر این، تجزیه و تحلیل ها توسط اعمال نمونه ای از 50 شرکت برتر ذکر شده در بورس اوراق بهادار تهران طی سال های 2011 تا 2016 انجام می شوند.

یافته ها– یافته ها نشان می دهد که گزارشات حسابرسی بیشترین تأثیر را توسط نسبت فعلی دارد و برعکس، کمترین تأثیر را توسط نسبت گردش سرمایه کار دارد. به علاوه، نویسندگان استدلال می کنند که مدل برنولی خاکستری غیرخطی نش نسبت به مدل برنولی خاکستری غیرخطی و GM در پیش بینی گزارشات حسابرسی دقیق تر است.

ابتکار/ ارزش- ممکن است مطالعه حاضر برای سهامداران به منظور بررسی و پیش بینی گزارش حسابرسی بهتر باشد.

1. مقدمه

طرز کار حسابرسی به عنوان یکی از بخش های اساسی رژیم مسئولیت شرکت در نظر گرفته می شود. در این راستا، تکمیل نقش مسئولیت شرکت عمدتا وابسته به اطلاعات معتبر و قابل اطمینان است که توسط حسابرس خارجی و مستقل مورد بررسی قرار می گیرد. در واقع، حسابرسان “ارزش افزوده” را به اطلاعات حسابداری ارائه شده توسط شرکت ها اضافه می کنند و صورت حساب های مالی آنها را تأیید می کنند. به علاوه، حسابرسی انجام می شود و گزارش حسابرسی با توجه به مراقبت حرفه ای تهیه می شود، این تعداد قابل توجهی از مسائل مربوط به حسابرسی را نشان می دهد. تنها براساس قضاوت حرفه ای حسابرسان ابهاماتی ایجاد می شود. 

5. نتیجه گیری

هدف از این مطالعه، استفاده از GM در یک حوزه حسابداری و پیش بینی گزارشات حسابرسی برای 50 شرکت برتر ذکر شده در TSE طی سال های 2011 تا 2016 است. در این رابطه، اطلاعات صورت حساب های مالی با استفاده از GRA تجزیه و تحلیل می شود. به خصوص، برای این منظور ما از برخی نسبت های مالی (نسبت های نقدینگی، قدرت نفوذ، بازار، فعالیت و سودآوری) استفاده کردیم و با استفاده از روش آنتروپی شانون وزن آنها را محاسبه کردیم. پس از بررسی فرضیه های مدل های رگرسیون خطی استاندارد و انجام آزمون های مشخصات در مدل های داده های پانل، یافته های ما از فرضیه های ما به طور تجربی حمایت می کند. به عبارت دیگر، GM، NGBM و NNGBM یک عملکرد مناسب برای پیش بینی گزارشات حسابرسی را ارائه می دهد. با این حال، ما مدل های رگرسیون برآورد شده با استفاده از MSE را رتبه بندی می کنیم. یافته های این مقاله برخی شواهد را نشان می دهد که NNGBM بهترین عملکرد پیش بینی را در مقایسه با سایر مدل ها از جمله GM و NGBM ارائه می دهد. این یافته با چان و همکارانش (2010)، وانگ (2013) و ژانگ و همکارانش (2014) سازگار است.

Abstract

Purpose – The widespread application of traditional grey model (GM) in different academic fields such as electrical engineering, education, mechanical engineering and agriculture provided the authors with an incentive to conduct the present empirical research in an accounting field, in particular, auditing practice. In this regard, the purpose of this paper is to employ the nonlinear type of the original GM to forecast the drastically changed data on audit reports, primarily due to the fact that the linear nature of GM is unable to forecast nonlinear data precisely. In essence, this paper adds value to the strand of audit report literature by examining the impact of different financial ratios on auditors’ opinion and then forecasting audit reports by employing GMs.

Design/methodology/approach – The grey forecasting model is known as a system containing uncertain information presented by grey numbers, equations and matrices. The grey forecasting model is employed by using a differential equation in an uncertain system with limited data set which is suitable for smoothing discrete data. In addition, the analyses are conducted by applying a sample of top 50 listed companies on the Tehran Stock Exchange during 2011-2016.

Findings – The findings suggest that audit reports are most influenced by the current ratio and conversely, least influenced by the ratio of working capital turnover. Moreover, the authors argue that the Nash nonlinear grey Bernoulli model is more precise than the nonlinear grey Bernoulli model and GM in forecasting audit reports.

Originality/value – The current study may give more strength to stakeholders in order to analyse and forecast audit report.

1. Introduction

Auditing practice is considered as one of the fundamental parts of corporate liability regime. In this regard, the fulfilment of corporate liability function is primarily dependent on authentic and reliable information examined by an external and independent auditor. Indeed, auditors incorporate “value added” to the accounting information provided by the firms and validate their financial statements. Further, auditing is performed and the audit report is prepared with due professional care, suggesting that a considerable number of audit-related issues and uncertainties are addressed solely on the basis of auditors’ professional judgment.

5. Concluding remarks

The present study aims to employ the GM in an accounting field and forecast audit reports for top 50 companies listed on the TSE during 2011-2016. In this regard, the information of financial statements is analysed by using the GRA. Specifically, we used some financial ratios (liquidity, leverage, market, activity and profitability ratios) for this purpose and indicated and calculated their weights by using the Shannon entropy technique. After examining the assumptions of standard linear regression models and conducting the specification tests in panel data models, our findings provide empirical support for our hypotheses. In other words, the GM, the NGBM and the NNGBM deliver a suitable performance for forecasting audit reports.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

پیش بینی گزارش حسابرسی: کاربردی از مدل برنولی خاکستری غیرخطی

Audit report forecast: an application of nonlinear grey Bernoulli model

آنالیز مولفه های اصلی و طبقه بندی رگرسیون خطی بهبود یافته برای تشخیص چهره

Improved Principal Component Analysis and Linear regression classification for face recognition

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

آنالیز مولفه های اصلی و طبقه بندی رگرسیون خطی بهبود یافته برای تشخیص چهره

Improved Principal Component Analysis and Linear regression classification for face recognition

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

کیفیت اطلاعات حسابداری و خطر سیستماتیک

Accounting information quality and systematic risk

چکیده

مقدمه

پیش زمینه ی نظری

ساختار نمونه

اندازه گیری خطر سیستمی

معیار های کیفیت اطلاعات حسابداری

متغیر های کنترل

خلاصه ی آمار

نتایج

رگرسیون OLS از ریسک سیستمی نسبت به کیفیت اطلاعات حسابداری

رگرسیون Fama -MacBeth برای ریسک سیستمی مبتنی بر کیفیت اطلاعات حسابداری

رگرسیون DID برای ریسک سیستمی بر اساس کیفیت اطلاعات حسابداری

نتایج بر اساس معیار های بدون مدل برای ریسک در شرکت

ارزیابی های اضافی برای بررسی قدرت مدل سازی

نکات جمع بندی

چکیده

موضوع تاثیر کیفیت حسابداری اطلاعات و چگونگی این تاثیر بر روی هزینه سرمایه، موضوع بحث های متعددی بوده است. ما با بررسی رابطه ی بین کیفیت اطلاعات حسابداری و خطر سیستمی سعی می کنیم تا بخش هایی از این مبحث را بررسی کنیم و کار خودمان را بر اساس مباحث نظری جدید در این رابطه انجام می دهیم. با استفاده از گروهی از شرکت هایی که به صورت مشترک در CRSP و مجموعه داده های Compustat از 1962 تا 2012 لیست شده اند، ما نشان می دهیم که کیفیت اطلاعات حسابداری به صورت محسوس و موثری با خطر سیستمی، مرتبط می باشد. این رابطه نسبت به متغیر های نماینده ی جایگزین برای دو ساختار متفاوت، حالتی قوی دارد که شامل یک معیار بدون مدل برای ریسک می باشد. تحلیل های بیشتر نشان می دهد که بهبود کیفیت اطلاعات حسابداری منجر به کاهش خطر سیستمی می شود. این یافته ها، کاربرد های مهمی برای تصمیم گیری های افشا، مدیریت سهام و قیمت گذاری بر روی دارایی ها دارد.

نکات جمع بندی

ما به بررسی چند و چون رابطه ی کیفیت اطلاعات حسابداری و ریسک سیستمی در یک نمونه ی جامع از شرکت های مشترک لیست شده در CRSP و مجموعه داده ی Cpmpustat از سال 1962 تا 2012 پرداختیم. با استفاده از معیار های مختلف کیفیت اطلاعات حسابداری و ریسک سیستمی، ما به این نتیجه رسیدیم که این دو ساختار به صورت محسوس و منفی با هم رابطه دارند. ما ماهیت علی این رابطه را با استفاده از سه آزمایش شبه طبیعی و روش تفاوت در تفاوت ها( DID) بررسی کردیم. نتایج نشان می دهد که افزایش در کیفیت اطلاعات حسابداری منجر به کاهش ریسک سیستمی می شود . به صورت کلی، نتایج ما ، شواهد تجربی برای نظریه های جدید فراهم می کند که این نظریه ها بیان می کنند کیفیت اطلاعات حسابداری تاثیر منفی بر روی ریسک سیستمی دارد. این تاثیرات ، کارایی های مفید و مهمی برای تصمیم گیری در مورد افشای اطلاعات، برنامه های راهبردی تامین، مدیریت مجموعه های شرکتی و قیمت گذاری بر روی دارایی ها دارد.

Abstract

Whether and how accounting information quality affects the cost of capital has been a matter of much debate. We contribute to this debate by linking accounting information quality to systematic risk, inspired by recent theoretical discussions. Using the universe of firms jointly listed in the CRSP and Compustat databases from 1962 to 2012, we find that accounting information quality is significantly and negatively related to systematic risk. This relation is robust to alternative proxies for the two constructs, including a model-free measure of risk. Further analysis indicates that improving accounting information quality causes systematic risk to decrease. These findings have important implications for disclosure decisions, portfolio management, and asset pricing.

5- Concluding remarks

We investigate whether and how accounting information quality affects systematic risk in the universe of firms jointly listed in the CRSP and Compustat databases from 1962 to 2012. Using various measures of accounting information quality and systematic risk, we find that the two constructs are significantly and negatively correlated. We examine the causal nature of this relation by adopting three pseudo-natural experiments and a differences-in-differences approach. The results suggest that increases in accounting information quality cause systematic risk to decrease. Overall, our results provide empirical support to several recently developed theories that suggest a negative effect of accounting information quality on systematic risk. Such an effect has important implications for disclosure decisions, hedging strategies, portfolio management, and asset pricing.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

کیفیت اطلاعات حسابداری و خطر سیستماتیک

Accounting information quality and systematic risk

نگرش ها نسبت به حسابداری و قصد تحصیل در رشته حسابداری: تجزیه و تحلیل رگرسیون منطقی

Attitudes towards accounting and intention to major in accounting: a logistic regression analysis

چکیده

مقدمه

بررسی نظری

بررسی ادبیات و طرح فرضیات

عامل گروه مرجع

عامل علاقه درونی

کار حسابداران

عامل منزلت حرفه ای

روش شناسی

نمونه برداری، ابزار تحقیق و گردآوری داده ها

روند تجزیه و تحلیل داده ها

نتایج

خصوصیات پاسخ دهنده

آماره های توصیفی نگرش نسبت به حرفه حسابداری

تجزیه و تحلیل عاملی اکتشافی AAS

تجزیه و تحلیل رگرسیون منطقی

نتایج رگرسیون منطقی و بحث

نتیجه گیری

منابع

چکیده

هدف – هدف مقاله حاضر بررسی نگرش دانشجویان کسب و کار نسبت به حرفه حسابداری و تحقیق درباره رابطه بین نگرش دانشجویان و قصد آن ها برای اخذ مدرکی در حسابداری است.

طرح / روش شناسی / رویکرد – از نظرسنجی خودگردان یا خودایفاء برای گردآوری داده ها از دانشجویان آموزشگاه کسب و کار غنا (UGBS) استفاده شد. مجموعاً از 457 پرسشنامه در تجزیه و تحلیل تجربی استفاده گردید. از تکنیک تجزیه و تحلیل رگرسیون منطقی باینری برای تجزیه و تحلیل داده ها بهره گرفته شد.

یافته ها – تجزیه و تحلیل رگرسیون منطقی نشان داد که علاقه درونی به رشته حسابداری، آشنایی قبلی با حسابداری در مقطع پیش‌ دانشگاهی و تمایل برای اخذ مدرک حرفه ای حسابداری در آینده، شاخص های پیش بینی کننده خوبی برای قصد دانشجویان جهت تحصیل در رشته حسابداری محسوب می شوند. نتایج نیز نشان دادند که اعضای خانواده، مربیان دوره و سایر گروه های مرجع نقش حیاتی در تاثیرگذاری بر قصد دانشجویان برای اتخاذ یک حرفه در حسابداری ایفا می نمایند.

پیامدهای عملی – یافته های مطالعه حاضر پیامدهای مهمی برای نهاد حسابرسی حرفه ای و آموزگاران کسب و کار علاقمند به بررسی کمبود مهارت در حرفه حسابداری دارند.

اصالت / ارزش – مطالعه حاضر نه تنها نگرش دانشجویان نسبت به رشته حسابداری را مورد بررسی قرار داده بلکه به بررسی نحوه تاثیرگذاری چنین نگرش هایی بر قصد تحصیل در رشته حسابداری نیز می پردازد.

مقدمه

یک مساله موضوعی که توجه فراوان تحقیقات حسابداری را به خصوص در زمینه آموزش حسابداری معطوف خود نموده، کمبودها در عرضه حسابداران حرفه ای برای برآوردن تقاضای همواره رو به رشد است. مطالعات گذشته نشان داد که تقاضا برای حسابداران حرفه ای در بسیاری از نقاط جهان در طی سالیان گذشته از عرضه پیشی گرفته است (چن، ۲۰۱۲؛ نور و همکاران، ۲۰۱۳؛ ون زیل و دی ویلیرز، ۲۰۱۱). شگفت آور آنکه، در حالی که کشورها همچنان در تقلا برای مواجهه با کمبود حسابداران حرفه ای هستند، انتظار می رود که تقاضا برای حسابداران در سطح جهانی به دلیل رشد سریع فعالیت های کسب و کار در آینده افزایش یابد (کو، ۲۰۱۶). با توجه به پیامد مزبور، چالش برآوردن تقاضای حسابداران در سطح جهان می تواند در صورتی وخیم تر خواهد شد که که اقدام های لازم برای رفع کمبود در عرضه حسابداران اتخاذ نگردد. در حالی که دلایل مربوط به کمبود جهانی عرضه حسابداران همچنان یک پرسش باز است، مضمون مشترکی که از آثار تجربی پیشین منشا می گیرد، گرایش تاسفبار افت مداوم تعداد دانشجویانی است که حسابداری را به عنوان یک رشته تحصیلی دنبال کرده و عدم تمایل برخی از فارغ التحصیلان حسابداری برای اتخاذ حسابداری به عنوان یک حرفه است (جکلینگ و کالرو، ۲۰۰۶؛ کاپلتو، ۲۰۱۰). 

نتیجه گیری

مقاله حاضر به بررسی نگرش دانشجویان نسبت به حرفه حسابداری و قصد دانشجویان برای اتخاذ یک شغل در حسابداری می پردازد. نتایج مطالعه حاضر آشکار ساخت دانشجویانی که آشنایی قبلی از پیش دانشگاهی با حسابداری دارند و کسانی که خواهان اخذ مدرک حرفه ای حسابداری در آینده هستند در قیاس با همتایان خود معمولاً برداشت مثبتی نسبت به حسابداری دارند. هم چنین نتایج نشان دادند که علاقه شخصی دانشجویان و تاثیر گروه مرجع دیگر، شاخص های پیش بینی کننده کلیدی قصد دانشجویان برای اتخاذ یک شغل در حسابداری محسوب می شوند. بنابراین، برخلاف آنچه در حوزه های دیگر رخ داد (انجی و همکاران، ۲۰۱۷)، در بافت غنا، اشخاص ثالث نقش حیاتی را در اثرگذاری بر قصد دانشجویان برای اتخاذ یک شغل در حسابداری ایفاء می نمایند. هم چنین، دانشجویانِ برخوردار از آشنایی قبلی با رشته حسابداری نسبت به همتایانِ فاقد چنین پیشینه ای دارای انگیزه بیشتری برای اخذ مدرک حسابداری هستند. به علاوه، دانشجویان خواهان اخذ مدرک حرفه ای حسابداری در آینده نسبت به همتایان خود که قصدی برای اخذ مدرک حرفه ای حسابداری ندارند، به احتمال زیاد در سطح دانشگاهی به تحصیل در رشته حسابداری می پردازند.

Abstract

Purpose – The purpose of this paper is to examine the attitude of business students towards the accounting profession and investigate the relationship between students’ attitude and their intention to pursue a degree in accounting.

Design/methodology/approach – A self-administered survey was used to collect data from students from the University of Ghana Business School (UGBS). A total of 457 questionnaires were used in the empirical analysis. A binary logistic regression analysis technique was employed to analyse the data.

Findings – The logistic regression analysis demonstrates that intrinsic interest in the accounting discipline, prior exposure to accounting at the senior high level and the desire to pursue professional accounting qualification in future are good predictors of students’ intention to major in accounting. The results also indicate family members, course instructors and other referent group play a crucial role in influencing students’ intention to pursue a career in accounting.

Practical implications – The findings of this study have important implications for the professional accountancy body and business educators interested in addressing the skill shortage in the accounting profession.

Originality/value – This study does not only examine students’ attitude towards the accounting discipline but also investigates how such attitudes influence intentions to major in accounting.

Introduction

One topical issue that has received considerable interest in accounting research, particularly in the field of accounting education is the shortages in the supply of professional accountants to meet the ever-growing demand. Prior studies have shown that the demand for professional accountants in many parts of the world, have over the years, exceeded the supply (Chen, 2012; Nor et al., 2013; Van Zyl and de Villiers, 2011). Interestingly, while countries are still struggling to deal with the shortages in the supply of professional accountants, it is expected that the demand for accountants globally will increase in the future due to the rapid growth in business activities (Coe, 2016). By implication, the challenge of meeting the demand of accountants globally could worsen if urgent steps are not taken to address the deficit in the supply of accountants. While the reasons for the global shortage in the supply of accountants remain an open question, a common theme emerging from prior empirical works attribute the unfortunate trend to the continuous decline in the number of university students who pursue accounting as a course major and the unwillingness of some accounting graduates to pursue accounting as a career ( Jackling and Calero, 2006; Cappelletto, 2010).

Conclusions

This paper examined the attitude of students towards the accounting profession and the intention of students to pursue a career in accounting. Results of this study reveal that students with prior exposure to accounting in the senior high school and those with the desire to pursue professional accounting qualification in future usually have a positive perception about accounting than their peers. The results further suggest that the personal interest of students and the influence of other referent group are key predictors of students’ intention to pursue a career in accounting. Thus, unlike what pertains in other jurisdictions (Ng et al., 2017), within the Ghanaian context, third parties play a crucial role in influencing students’ intention to pursue a career in accounting. Also, students with prior exposure to accounting course have greater motivation to pursue a degree in accounting than their peers with no such background. Further, students with the desire of pursuing professional accounting qualification in future are more likely to major in accounting at the university level than their counterparts with no intention of earning a professional accounting qualification.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

نگرش ها نسبت به حسابداری و قصد تحصیل در رشته حسابداری: تجزیه و تحلیل رگرسیون منطقی

Attitudes towards accounting and intention to major in accounting: a logistic regression analysis

مدل شبکه‌ عصبی رگرسیون خودکار چندک با کاربردهایی در ارزیابی ارزش در ریسک

Quantile autoregression neural network model with applications to evaluating value at risk

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

مدل شبکه‌ عصبی رگرسیون خودکار چندک با کاربردهایی در ارزیابی ارزش در ریسک

Quantile autoregression neural network model with applications to evaluating value at risk

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

مطالعه تجربی درباره برخی تکنیک های پیش بینی خطای نرم افزار به منظور تعداد پیش بینی خطاها

An empirical study of some software fault prediction techniques for the number of faults prediction

چکیده

1. مقدمه

2. کار مرتبط

3. تکنیک های پیش بینی خطا

3-1 مدل های شمارش

3-1-1 رگرسیون دو جمله ای منفی

3-1-2 رگرسیون پوآسون با تورم صفر

3-2 دیگر تکنیک های پیش بینی خطا

3-2-2 پرسپترون چند لایه

3-2-3 برنامه نویسی ژنتیک

3-2-4 رگرسیون درخت تصمیم

3-3 معیارهای ارزیابی عملکرد

4. مطالعه موردی تجربی

4-1 توصیف سیستم

4-2 طراحی تجربی

4-3 نتایج و تحلیل

4-3-1 تحلیل AAE و ARE

4-3-2 معیار کامل بودن

4-3-3 پیش بینی در تحلیل سطح 1

4-4 معیارهای مهم برای پیش بینی تعداد خطاها

5. تحلیل مقایسه ای

6. تهدیدات به اعتبار

7. نتیجه گیری ها و کار آتی

منابع

چکیده

در طی فرآیند توسعه نرم افزار، پیش بینی تعداد خطاها در ماژول های نرم افزاری می تواند بسیار کمک کننده تر از پیش بینی ماژول هایی باشد که دچار خطا شده اند یا بدون خطا هستند. چنین روشی می تواند در فرآیند تست نرم افزار کمک کند و سبب ارتقاء قابلیت اطمینان سیستم نرم افزار شود. بیشتر کارهای اولیه درباره پیش بینی خطای نرم افزار از تکنیک های دسته بندی برای طبقه بندی ماژول های نرم افزاری به گروه های خطادار یا بدون خطا استفاده کرده اند. این تکنیک ها همانند رگرسیون پوآسون، رگرسیون دو جمله ای منفی ، برنامه نویسی ژنتیک، رگرسیون درخت تصمیم  و پرسپترون چند لایه در پیش بینی تعداد خطاها قابل استفاده هستند. در این مقاله یک مطالعه تجربی برای ارزیابی و مقایسه ظرفیت شش تکنیک پیش بینی خطا از جمله برنامه نویسی ژنتیک، پرسپترون چند لایه، رگرسیون خطی، رگرسیون درخت تصمیم، رگرسیون پوآسون و رگرسیون دو جمله ای منفی را به منظور پیش بینی تعداد خطاها ارائه می کنیم. این بررسی تجربی برای 18 دیتاست پروژه نرم افزاری انجام شده است که از مخزن داده های PROMISE جمع آوری شده است. نتایج این تحقیق با استفاده از متوسط خطای مطلق، متوسط خطای نسبی، اندازه گیری میزان کامل بودن و پیش بینی در معیارهای سطح 1 مورد ارزیابی قرار گرفته اند. همچنین تست های Kruskal–Wallis و مقایسه چندتایی Dunn را برای مقایسه عملکرد نسبی تکنیک های پیش بینی خطا انجام می دهیم. 

1. مقدمه

از دیدگاه توسعه نرم افزار، سر و کار داشتن با خطاهای نرم افزاری کاری بسیار مهم و از اولویت بالایی برخوردار است. وجود خطاها نه تنها سبب افت کیفیت نرم افزار می شود، بلکه همچنین هزینه توسعه و نگهداری نرم افزار را نیز افزایش می دهد (Menzies et al. 2010). بنابراین شناسایی این که کدام ماژول نرم افزار با احتمال زیاد در طی مراحل اولیه توسعه نرم افزار می تواند مستعد خطا باشد، می تواند در بهبود کیفیت سیستم نرم افزار کمک کننده باشد. با پیش بینی تعداد خطاها در ماژول های نرم افزار می توانیم تست کننده های نرم افزار را برای تمرکز بر ماژول های خطادار هدایت کنیم.

7. نتیجه گیری ها و کار آتی

این مقاله عملکرد شش تکنیک پیش بینی خطا را برای پیش بینی تعداد خطاها در ماژول های نرم افزاری داده شده مورد بررسی و مقایسه قرار داده است. ما از چهار تکنیک شناخته شده پیش بینی خطا یعنی LR، MLP، NBR و ZIP برای پیش بینی تعداد خطاها استفاده کرده ایم. علاوه بر این، ما دو تکنیک یعنی GP و DTR را نیز مورد بررسی قرار داده ایم که تا به حال به طور کامل برای پیش بینی تعداد خطاها مورد بررسی قرار نگرفته اند. این آزمایش ها برای 18 دیتاست پروژه نرم افزاری اجرا شده است. معیارهای AAE، ARE، کامل بودن و پیش بینی در سطح 1 برای ارزیابی نتایج حاصل از مدل های پیش بینی خطا مورد استفاده قرار گرفته اند. علاوه بر این، تست Kruskal–Wallis و تست مقایسه چندگانه Dunn نیز برای ارزیابی عملکرد نسبی تکنیک های پیش بینی خطا اجرا شده است. نتایج نشان داده است که در بین تکنیک های مختلف پیش بینی خطا، روش های رگرسیون درخت تصمیم، برنامه نویسی ژنتیک، پرسپترون چند لایه و رگرسیون خطی عملکرد پیش بینی بهتری برای تمامی دیتاست های تحت بررسی نشان داده اند. تحلیل نتایج به دست آمده از تست  Kruskal–Wallis و تست مقایسه چندگانه Dunn پیشنهاد داده اند که به استثنای تکنیک های رگرسیون دوجمله ای منفی (NBR) و رگرسیون پوآسون با تورم صفر (ZIP)، تمامی تکنیک های دیگر عملکرد بسیار دقیقی برای پیش بینی تعداد خطاها داشته اند. به طور کلی، تکنیک های NBR و ZIP بدترین دقت پیش بینی را تولید کرده اند. بنابراین، مشاهده می شود که مدل های شمارش (NBR و ZIP) به طور کلی عملکرد ضعیفی نسبت به دیگر تکنیک های پیش بینی خطا داشته اند. در آینده سعی می شود تا اثر کلی این روش ها برای تعداد پیش بینی خطاها به منظور غلبه بر محدودیت های تکنیک های پیش بینی خطا مورد بررسی و ارزیابی قرار گیرد. 

Abstract

During the software development process, prediction of the number of faults in software modules can be more helpful instead of predicting the modules being faulty or non-faulty. Such an approach may help in more focused software testing process and may enhance the reliability of the software system. Most of the earlier works on software fault prediction have used classification techniques for classifying software modules into faulty or non-faulty categories. The techniques such as Poisson regression, negative binomial regression, genetic programming, decision tree regression, and multilayer perceptron can be used for the prediction of the number of faults. In this paper, we present an experimental study to evaluate and compare the capability of six fault prediction techniques such as genetic programming, multilayer perceptron, linear regression, decision tree regression, zero-inflated Poisson regression, and negative binomial regression for the prediction of number of faults. The experimental investigation is carried out for eighteen software project datasets collected from the PROMISE data repository. The results of the investigation are evaluated using average absolute error, average relative error, measure of completeness, and prediction at level l measures. We also perform Kruskal–Wallis test and Dunn’s multiple comparison test to compare the relative performance of the considered fault prediction techniques.

1 Introduction

From software development perspective, dealing with software faults is a vital and foremost important task. Presence of faults not only deteriorates the quality of the software, but also increases the development and maintenance cost of the software (Menzies et al. 2010). Therefore, identifying which software module is likely to be fault prone during early phases of software development may help in improving the quality of software system. By predicting number of faults1 in software modules, we can guide software testers to focus on faulty modules first.

7 Conclusions and future work

This paper evaluated and compared the performance of six fault prediction techniques for the prediction of number of faults in given software modules. We have used four known fault prediction techniques, i.e., LR, MLP, NBR, and ZIP for the prediction of number of faults. In addition, we have investigated two techniques, i.e., GP and DTR, which until now have not been fully explored for the prediction of number of faults. The experiments were performed for eighteen software project datasets available publicly. AAE, ARE, measure of completeness, and prediction at level l measures have been used to evaluate the results of fault prediction models. In addition, Kruskal–Wallis test and Dunn’s multiple comparison test were performed to assess the relative performance of the used fault prediction techniques. The results found that among the used different fault prediction techniques, decision tree regression, genetic programming, multilayer perceptron, and linear regression demonstrated better prediction performance for all the datasets under consideration. The analysis of results obtained from Kruskal–Wallis test and Dunn’s multiple comparison test suggested that except negative binomial regression (NBR) and zero-inflated Poisson regression (ZIP) techniques all other techniques have performed significantly accurate for the prediction of number of faults. Generally, NBR and ZIP techniques produced the worst prediction accuracy. Thus, it is observed that the count models (NBR and ZIP) generally underperformed as compared to other considered fault prediction techniques. In the future, it may be tried to investigate and evaluate ensemble of these methods for the number of faults prediction to overcome the limitations of individual techniques.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

مطالعه تجربی درباره برخی تکنیک های پیش بینی خطای نرم افزار به منظور تعداد پیش بینی خطاها

An empirical study of some software fault prediction techniques for the number of faults prediction

نمونه برداری هوشمند و یادگیری عملکرد افزایشی برای داده های بسیار بزرگ با ابعاد بالا

Smart sampling and incremental function learning for very large high dimensional data

چکیده
1- مقدمه
2- روش های نمونه برداری داده ها
2-1- روش های تصادفی
2-2- روش های قطعی
2-3- روش های هندسی
2-4- روش های ترکیبی
2-5- نمونه برداری در فضای با ابعاد بالا
2-6- توزیع غیر یکنواخت نمونه برداری
2-7- نمونه برداری اهمیت
3- مقایسه روش های نمونه برداری
3-1- توابع معیار
3-2- اختلاف به عنوان معیاری از یکنواختی در فضای ورودی
3-3- معیارهای آماری تابع پاسخ در فضای خروجی
4- الگوریتم نمونه برداری هوشمند و یادگیری تابع افزایشی
4-1- مرحله مقداردهی اولیه
4-2- نمونه برداری هوشمند در خلال مقداردهی اولیه
4-3- نمونه برداری هوشمند در خلال تکرار
4-4- یادگیری تابع افزایشی
4-5- بررسی همگرایی
4-6- تعیین سطح دقت و اطمینان تقریب زننده
5- نتایج
5-1- رگرسیون تابع معیار فضای ورودی 5 بُعدی
5-2- رگرسیون تابع معیار فضای ورودی 100 بُعدی
5-3- رگرسیون تابع فضای خروجی 62 بُعدی حاصل از یک مساله دنیای واقعی
5-4- رگرسیون تابع فضای ورودی 280 بُعدی حاصل از یک مساله در دنیای واقعی
6- نتیجه گیری ها

چکیده

داده های بسیار بزرگ و با ابعاد بالا امروزه شایع بوده و چالش های جدیدی را بر الگوریتم های داده محور و داده فشرده تحمیل می نمایند. تکنیک های هوش محاسباتی از توانایی بالقوه ارائه ابزارهای قدرتمند برای پرداختن به این چالش ها برخوردارند اما ادبیات حاضر عمدتاً بر مسائل مقیاس پذیری مربوط به حجم داده ها بر حسب اندازه نمونه در راستای امور طبقه بندی متمرکز است.
کار حاضر رویکرد نظام مند و جامعی را برای پرداختن بهینه به امور رگرسیون با داده های بسیار بزرگ و با ابعاد بالا ارائه می نماید. رویکرد پیشنهادی مبتنی بر تکنیک های نمونه برداری هوشمند به منظور تقلیل تعداد نمونه های تولیدی با استفاده از یک رویکرد تکرار شونده می باشد که مجموعه نمونه های جدیدی را تا زمانی که فضای ورودی و خروجی تابع تقریبی به صورت بهینه پوشش داده شوند، ایجاد می نماید. یادگیری تابع افزایشی در هر تکرار نمونه برداری رخ داده و از نمونه های جدید برای هماهنگ سازی نتایج رگرسیون الگوریتم یادگیری تابع استفاده می شود. سطح دقت و اطمینان تابع تقریب حاصله با استفاده از چارچوب محاسبات احتمالی و تقریبی صحیح ارزیابی می گردد.
تکنیک های نمونه برداری هوشمند و یادگیری تابع افزایشی را به راحتی می توان در برنامه های کاربردی به کار برد مقیاس پذیری مناسبی در داده های بسیار بزرگ دارند. نتایج مطلوب و امکان سنجی تکنیک های پیشنهادی با استفاده از توابع معیار و نیز توابع حاصل از مسائل دنیای واقعی مشخص گردیده است.

6- نتیجه گیری ها

در این مقاله یک رویکرد نوینی (SSIFL) را برای محاسبه مدل رگرسیون ارائه نمودیم که توابع تعریف شده در فضاهای با ابعاد بالا را با دقت تقریب می زند. این امر منوط به کمینه سازی تعداد فراخوانی تابع هدف در تولید داده های آموزشی حاصل می گردد. ما هوشمندانه روش ها و ابزارهای عمیق نظری را که قبلا منتشر شده بودند در یک الگوریتم یادگیری تابع و نمونه برداری عملی با هم ترکیب نموده و کاربردپذیری تکنیک پیشنهاد شده را برای مسائل مربوط به رگرسیون با ابعاد بالا نشان دادیم. روش نمونه برداری مورد استفاده برای تولید مجموعه داده آموزشی نقش کلیدی را در دستیابی به عملکرد بالای مدل رگرسیون ایفا می کند. روش های مختلف نمونه برداری ارزیابی شده و به طور نظام مند در این مطالعه مورد تجزیه و تحلیل قرار گرفتند. پس از تجزیه و تحلیل جامع متمایز، در این مقاله نشان دادیم که توالی نمونه LCVT و HA در داده گردانی در بُعدچندی بالا، توالی برتر بوده و به همین دلیل در میان کلیه تکنیک های یگر برای تکنیک نمونه برداری هوشمند پیشنهادی انتخاب شدند. با این حال، به دلیل اقدامات محاسباتی بالای مورد نیاز برای محاسبه توالی، استفاده از روش HA در فضاهای بُعدی بسیار بالا راحت تر بوده و در این مطالعه نیز دستاوردهای خوبی از نظر زمان محاسباتی معقول حاصل آمده است.

Abstract

Very large high dimensional data are common nowadays and they impose new challenges to data-driven and data-intensive algorithms. Computational Intelligence techniques have the potential to provide powerful tools for addressing these challenges, but the current literature focuses mainly on handling scalability issues related to data volume in terms of sample size for classification tasks.
This work presents a systematic and comprehensive approach for optimally handling regression tasks with very large high dimensional data. The proposed approach is based on smart sampling techniques for minimizing the number of samples to be generated by using an iterative approach that creates new sample sets until the input and output space of the function to be approximated are optimally covered. Incremental function learning takes place in each sampling iteration, the new samples are used to fine tune the regression results of the function learning algorithm. The accuracy and confidence levels of the resulting approximation function are assessed using the probably approximately correct computation framework.
The smart sampling and incremental function learning techniques can be easily used in practical applications and scale well in the case of extremely large data. The feasibility and good results of the proposed techniques are demonstrated using benchmark functions as well as functions from real-world problems.

6- Conclusions

In this paper we presented a novel approach (SSIFL) for computing a regression model that accurately approximates functions defined over high dimensional input spaces. This has been achieved under the constraint of minimizing the number of calls to the target function for generating the training data. We smartly combine previously published deep theoretical methods and tools into a practical sampling and function learning algorithm and we showed the applicability of the proposed technique to high-dimensional regression problems. The sampling method used for generating the training dataset plays a key-role in order to reach high performance of the regression model. Different sampling methods have been evaluated and systematically analyzed in this study. Following a comprehensive discrimination analysis, in this paper we showed that the LCVT and HA sampling sequences are superior in handling data in high dimensionality and therefore they have been selected among all the other techniques for the proposed smart sampling technique. However, due to high computational effort needed for calculating the sequence, it might be more convenient to use the HA method in very high dimensional spaces, which has been already pointed out in this study to reach good achievements in reasonable computational time.

طبقه بندی و برآورد شیوه های یادگیری ماشین در روابط کمی با فعالیت نانوساختار-فعالیت (QSAR)

Classification and Evaluation of Machine Learning Thecniques in Quantitative Nanostructure-Activity Relationship (QNAR)

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

طبقه بندی و برآورد شیوه های یادگیری ماشین در روابط کمی با فعالیت نانوساختار-فعالیت (QSAR)

Classification and Evaluation of Machine Learning Thecniques in Quantitative Nanostructure-Activity Relationship (QNAR)

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

روش های جمعی جهت رگرسیون: یک بررسی

Ensemble Approaches for Regression: A Survey

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

روش های جمعی جهت رگرسیون: یک بررسی

Ensemble Approaches for Regression: A Survey

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.