Du, K. (2019) .En - Id

Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.
com
Jurnal Dinamika & Kontrol Ekonomi 105 (2019) 134-157
Daftar isi tersedia diSainsLangsung
Jurnal Dinamika & Kontrol Ekonomi

beranda jurnal:www.elsevier.com/locate/jedc
Ekspektasi investor, manajemen laba, dan harga aset-
Kai Du
Smeal College of Business, Universitas Negeri Pennsylvania, Amerika Serikat
info artikel abstrak
Sejarah artikel: Makalah ini mengkaji implikasi ekspektasi investor untuk penentuan bersama manipulasi laba dan
Diterima 25 Desember 2017 harga aset. Tiga model alternatif ekspektasi investor dipelajari: pembelajaran dengan keuntungan
Direvisi 29 Mei 2019
konstan, keyakinan pergeseran rezim, dan keyakinan sistem informasi akuntansi (AIS). Saya
Diterima 7 Juni 2019 Tersedia
menggunakan metode simulasi momen (SMM) untuk memperkirakan model yang paling masuk akal
online 11 Juni 2019
yang cocok dengan data aktual. Keyakinan AIS dan keyakinan pergeseran rezim terbukti paling baik
Klasifikasi JEL: menjelaskan momen empiris masing-masing 63% dan 32% dari perusahaan S&P 500. Analisis
C73 regresi menunjukkan bahwa ketiga model menawarkan prediksi yang berbeda tentang keberadaan
G12 dan besarnya beberapa keteraturan empiris termasuk koefisien respon laba positif, anomali akrual
G40 diskresioner, dan momentum pengembalian.
M41
Kata kunci: © 2019 Diterbitkan oleh Elsevier BV

Manajemen laba
akrual
Harapan investor
Bias perilaku
Keteraturan empiris
Metode simulasi momen
1. Perkenalan
Beberapa pengamatan penting telah muncul dari literatur empiris dalam akuntansi dan keuangan: manajemen laba meresap (Dechow
dkk., 2010);1akrual dan akrual diskresioner secara negatif memprediksi pengembalian saham di masa depan (Sloan, 1996; Xie, 2001);
pengembalian saham menunjukkan momentum (Jegadeesh dan Titman, 1993). Studi sebelumnya telah membahas setiap fenomena secara
terpisah, dan ada kekurangan penelitian tentang bagaimana temuan ini dapat dihubungkan. Dalam penelitian ini, saya memodelkan
-
Saya menerima banyak komentar bermanfaat dari Herbert Dawid (co-editor) dan tiga pengulas anonim. Untuk bimbingan dan saran, saya berterima kasih kepada
penasihat saya Shyam Sunder dan anggota komite disertasi saya, Rick Antle, Jake Thomas, Aleh Tsyvinski, dan Tsahi Versano. Saya menerima komentar yang
bermanfaat dari Ray Ball, Nick Barberis, Philip Berger, Judson Caskey, Craig Chapman, Qi Chen, Yi Chen, John Core, Masako Darrough, Chengfeng Du, Ron Dye,
Eduardo Engel, Pingyang Gao, Shuoyuan He, Steve Huddart, Mark Huggett, Jack Hughes, Kalin Kolev, Alina Lerman, Christian Leuz, Yun Lou, Bob Magee, Martin
Puterman, Hong Qu, Rafael Rogo, Haresh Sapra, Katherine Schipper, Swaminathan Sridharan, Brett Trueman, Gianluca Violante, Clare Wang, Biqin Xie , Frank Zhang,
Yun Zhang, Ying Zhou, dan peserta lokakarya pada Konferensi Doktoral Trans-Atlantik LBS 2009, Pertemuan Tahunan AAA 2012, Konferensi Teori Chicago-Minnesota
2013, CUNY Baruch College, Booth Chicago, Duke, Universitas George Washington, Kellogg Barat Laut, Penn State, UCLA Anderson, dan Sekolah Manajemen Yale.
Dukungan keuangan dari Deloitte Foundation Doctoral Fellowship, Harry and Heesun You Fellowship, Yale SOM, dan Penn State Smeal College of Business sangat
kami hargai.
Alamat email:kxd30@psu.edu
1Manajemen laba juga dikenal sebagai "pelaporan keuangan oportunistik" atau "bias pelaporan." Ini mengacu pada praktik memilih metode dan estimasi akuntansi yang tidak
mencerminkan bisnis yang mendasari perusahaan dengan tepat.
https://doi.org/10.1016/j.jedc.2019.06.002
0165-1889/© 2019 Diterbitkan oleh Elsevier BV
K. Du / Jurnal Dinamika & Kontrol Ekonomi 105 (2019) 134-157 135
peran bias perilaku investor dalam masalah manajemen laba dinamis dan mengevaluasi deskriptif empiris dari bias. Saya
menunjukkan bahwa kerangka tersebut menawarkan pandangan yang terintegrasi dari temuan empiris.
Ada beberapa motivasi untuk memperkenalkan model perilaku harapan investor untuk masalah manajemen laba. Pertama, survei dan
studi empiris menunjukkan bahwa dalam membuat keputusan pelaporan keuangan, manajer memenuhi bias perilaku investor atau
mengeksploitasi ketidakpastian struktural investor (Graham dkk., 2005; Rajgopal dkk., 2007). Kedua, banyak keteraturan pengembalian
berbasis akuntansi telah dikaitkan dengan kemungkinan bahwa investor tidak sepenuhnya memahami laporan akuntansi (misalnya,Sloan,
1996). Ketiga, meskipun hipotesis ekspektasi rasional dapat bertahan dalam ekuilibrium jangka panjang, sebagian besar tidak konsisten
dengan bukti eksperimental baru-baru ini tentang proses pembentukan ekspektasi investor (misalnya,Landier et al., 2017). Juga, model
rasional memiliki keberhasilan yang terbatas dalam menjelaskan beberapa temuan tentang hubungan antara angka akuntansi dan
pengembalian saham (misalnya,Barberis et al., 1998). Terakhir, tidak ada penelitian yang secara kolektif memeriksa model perilaku yang
berbeda dalam masalah manajemen laba untuk menjelaskan deskriptif empiris relatif mereka.
Kerangka teoretis menampilkan permainan yang berulang tanpa batas antara manajer perusahaan dan investor. Dalam setiap periode, setelah
mengamati pendapatan sebenarnya (yaitu, pendapatan yang tidak dikelola) dari perusahaan yang dihasilkan oleh proses stokastik, manajer dapat
memanipulasi pendapatan yang dilaporkan dalam laporan publik dengan menciptakan akrual akuntansi diskresioner. Secara khusus, dia dapat
meningkatkan (mengempiskan) pendapatan yang dilaporkan dengan menciptakan akrual diskresioner positif (negatif) yang sama dengan perbedaan
antara pendapatan yang dilaporkan dan yang sebenarnya. Manajer memilih laporan pendapatan di setiap periode untuk memaksimalkan utilitas yang
diharapkan dari harga saham.
Investor, yang tidak mengamati pendapatan yang sebenarnya, membentuk ekspektasi berdasarkan riwayat laporan pendapatan. Jika investor
memiliki ekspektasi rasional, keyakinan mereka tentang strategi pelaporan manajer akan konsisten dengan strategi optimal manajer. Namun, jika
investor membentuk keyakinan yang menyimpang dari ekspektasi rasional, mereka harus menilai arus kas masa depan perusahaan dengan adanya
ketidakpastian struktural atau dengan menggunakan model yang berpotensi salah ditentukan.
Tiga model ekspektasi investor diperiksa dalam penelitian ini. Fitur pertama pembelajaran keuntungan konstan, di mana investor memperkirakan
hubungan bentuk tereduksi dari pendapatan yang dilaporkan yang menampilkan bobot konstan pada data periode terbaru, dan menggunakan
hubungan yang diperkirakan untuk memperkirakan laporan pendapatan masa depan. Pembelajaran terus-menerus telah terbukti memiliki kekuatan
penjelas yang relatif tinggi di antara berbagai bentuk pembelajaran adaptif (misalnya,Carceles-Poveda dan Giannitsarou, 2008).
Model kedua adalah keyakinan pergeseran rezim, di mana investor diasumsikan percaya laporan pendapatan yang dihasilkan
dari dua rezim yang bergantian: rezim pembalik rata-rata dan rezim yang bertahan. Keyakinan pergeseran rezim konsisten dengan
bukti eksperimental dan survei dari perilaku peramalan investor (misalnya,Bloomfield dan Hales, 2002) dan telah digunakan untuk
menjelaskan underreaction serta overreaction harga saham terhadap berita pendapatan (Barberis et al., 1998).
Model ketiga adalah keyakinan sistem informasi akuntansi (AIS), di mana investor percaya bahwa laporan pendapatan adalah sinyal eksogen dan
berisik dari pendapatan sebenarnya yang mendasarinya. Dengan kata lain, investor menyadari perbedaan antara pendapatan sebenarnya dan
pendapatan yang dilaporkan, tetapi mereka mengasumsikan pemetaan eksogen antara keduanya.
Ketiga model ini membuat asumsi yang berbeda tentang seberapa banyak informasi yang digunakan investor dan bagaimana mereka
memperbarui keyakinan mereka dari periode ke periode. Dalam masing-masing, strategi pelaporan manajer dicirikan oleh fungsi ambang
keyakinan investor. Secara intuitif, ketika mempertimbangkan apakah akan menggelembungkan laporan laba, manajer menimbang manfaat
dari harga saham yang lebih tinggi terhadap biaya terkait pengurangan kapasitas berkelanjutan dalam mengelola laba. Dan ketika
memutuskan apakah akan mengelola laba ke bawah, manajer menimbang biaya langsung terhadap peningkatan fleksibilitas pada periode
berikutnya. Aturan keputusan ini konsisten dengan gagasan bahwa manajer memenuhi sentimen investor dengan memanipulasi laporan
pendapatan.Rajgopal dkk., 2007).
Setiap model mungkin memiliki implikasi yang berbeda untuk manajemen laba, koefisien respon laba, hubungan antara akrual
diskresioner dan pengembalian masa depan, dan autokorelasi pengembalian. Misalnya, di bawah pembelajaran keuntungan
konstan dengan bobot besar pada laporan pendapatan terbaru, koefisien respons pendapatan besar, dan manajer didorong untuk
fokus pada pendapatan jangka pendek. Ada hubungan negatif yang kuat antara akumulasi akrual dan pengembalian di masa depan,
karena akumulasi akrual positif membuat manajer kurang fleksibel untuk memanipulasi pendapatan jangka pendek. Di bawah
keyakinan pergeseran rezim, reaksi pasar terhadap laporan pendapatan dicirikan oleh underreaction jangka pendek dan
overreaction jangka panjang.Barberis et al., 1998). Di bawah keyakinan AIS, kualitas laporan laba yang dirasakan mungkin sangat
berbeda dari kualitas sebenarnya, dalam hal ini manajemen laba agresif dan harga saham terlepas dari laba yang dilaporkan.
Pembelajaran terus-menerus dan keyakinan pergeseran rezim dapat mengarah pada autokorelasi pengembalian yang positif,
pendorong momentum pengembalian saham.2
Bahkan dalam setiap model, parameterisasi yang berbeda dapat menimbulkan prediksi yang berbeda. Misalnya, di bawah pembelajaran keuntungan
konstan, ketika investor menimbang laporan pendapatan terbaru lebih berat, relevansi nilai pendapatan saat ini meningkat dan dengan demikian
manajer memiliki insentif yang lebih besar untuk meningkatkan pendapatan jangka pendek. Akibatnya, akrual diskresioner lebih negatif memprediksi
pengembalian masa depan. Tujuan dari penelitian ini adalah untuk mengukur deskriptif model yang berbeda dalam menjelaskan sejumlah momen
empiris dan keteraturan.
2Momentum dapat disebabkan oleh autokorelasi dalam pengembalian, hubungan lead-lag antar saham, atau dispersi cross-sectional dalam cara tanpa syarat (Lo dan MacKinlay,
1990).
136 K. Du / Jurnal Dinamika & Kontrol Ekonomi 105 (2019) 134-157
Kegunaan empiris model dievaluasi dalam dua cara. Pertama, saya menggunakan metode simulasi momen (SMM) untuk membandingkan model
dengan data aktual.3Kecocokan setiap model diukur dengan seberapa baik momen yang dihasilkan model cocok dengan momen yang diamati dalam
data aktual, di mana momen didasarkan pada pendapatan sebenarnya, pendapatan yang dilaporkan, dan pengembalian saham. Hasil estimasi SMM
menunjukkan bahwa setiap model memiliki keunggulan komparatif dalam mengkarakterisasi klien investor dari subset perusahaan. Keyakinan AIS
terbukti mengungguli dua model lainnya dalam menjelaskan data empiris sekitar 63% dari perusahaan di Standard & Poor's 500 Index (selanjutnya,
perusahaan S&P 500). Keyakinan pergeseran rezim mengklaim keunggulan dalam menjelaskan 32% lainnya dari perusahaan S&P 500.
Selain itu, hasil estimasi SMM tingkat perusahaan memberikan informasi yang tidak tumpang tindih dengan karakteristik perusahaan
lainnya (misalnya, ukuran perusahaan, usia, rasio pembayaran dividen, cakupan analis) atau gaya investasi investor institusional (yaitu,
"berdedikasi," "quasi -indexers,” dan institusi “sementara” berdasarkan klasifikasi Brian Bushee). Oleh karena itu, metode estimasi
menawarkan cara baru untuk mengelompokkan perusahaan yang dapat memfasilitasi penelitian masa depan tentang atribut klien investor
yang mendasarinya.
Kedua, saya menggunakan regresi bentuk tereduksi untuk menguji kegunaan masing-masing model dalam menjelaskan
beberapa keteraturan empiris, termasuk hubungan antara laba yang dilaporkan dan pengembalian saham (yaitu, koefisien respons
laba), prediktabilitas pengembalian berdasarkan akrual diskresioner (yaitu, diskresioner akrual anomali), dan kembali autokorelasi.
Regresi berdasarkan data simulasi menunjukkan bahwa, untuk berbagai nilai parameter, ketiga model mampu menghasilkan
koefisien respon laba positif dan anomali akrual diskresioner. Namun, mereka menawarkan implikasi yang berbeda untuk
autokorelasi pengembalian saham: keyakinan pergeseran rezim lebih mampu menjelaskan momentum pengembalian, sedangkan
dua model lainnya lebih mampu menjelaskan pembalikan pengembalian. Keyakinan pergeseran rezim tampaknya memberikan
model yang baik dengan secara bersamaan memprediksi tiga keteraturan yang menjadi ciri rata-rata perusahaan di dunia nyata:
koefisien respons pendapatan positif, anomali akrual diskresioner, dan momentum pengembalian. Yang penting, dalam setiap
model, besarnya keteraturan yang diprediksi bervariasi secara substansial dengan kekuatan bias perilaku.
Membandingkan hasil regresi dari data simulasi dengan data aktual, saya menemukan dukungan tambahan untuk validitas hasil
estimasi SMM. Secara khusus, hasil regresi berdasarkan sampel perusahaan yang momen empirisnya paling baik dicirikan oleh
model tertentu mengkonfirmasi prediksi model tersebut. Secara keseluruhan, analisis regresi menunjukkan bahwa keteraturan yang
tampaknya tidak terkait dapat dijelaskan secara kolektif dalam model interaksi manajer-investor.
Studi sebelumnya telah mengajukan berbagai teori yang menjelaskan bagaimana investor memperbarui keyakinan mereka dan dampaknya
terhadap penetapan harga aset. Struktur kepercayaan diperiksa dalam literatur termasuk skema pembelajaran adaptif seperti pembelajaran kuadrat
terkecil dan pembelajaran kemungkinan maksimum (misalnya,Evans dan Honkapohja, 2001; Guidolin dan Timmermann, 2007; Timmermann, 1996),
pembelajaran Bayesian (misalnya,Bernales dan Guidolin, 2015; Guidolin dan Timmermann, 2007), dan belajar dengan bias perilaku atau model
peramalan yang kurang parameter (misalnya,Barberis dkk., 1998; Cabang dan Evans, 2010; Brav dan Heaton, 2002; Hong dkk., 2007). Literatur
penetapan harga aset sebagian besar mengasumsikan bahwa proses pendapatan atau dividen diberikan secara eksogen, tanpa ruang untuk
melaporkan kebijaksanaan oleh manajer.
Dalam studi ini, bagaimanapun, laporan laba dipilih secara oportunistik oleh seorang manajer. Membuat laporan laba secara endogen
menghasilkan prediksi yang dapat diuji tentang bagaimana oportunisme manajerial dan ekspektasi investor secara bersama-sama
mempengaruhi dinamika manajemen laba dan hubungan antara informasi akuntansi dan pengembalian saham. Prediksi cross-sectional
ditanggung oleh model dan dikonfirmasi oleh data. Oleh karena itu, mempertimbangkan keyakinan investor bersama dengan kebijaksanaan
pelaporan dapat meningkatkan validitas empiris dari teori ekspektasi investor yang ada.
Studi ini berkontribusi pada literatur manajemen laba dengan secara eksplisit memodelkan dinamika ekspektasi investor sebagai
dorongan untuk manipulasi laba. Studi awal menunjukkan bahwa manajemen laba mungkin muncul sebagai tanggapan atas
pertimbangan kontraktual (Pewarna, 1988) atau dalam ekuilibrium ekspektasi rasional di mana investor memahami bias pelaporan
(misalnya,Fischer dan Verrecchia, 2000; Stein, 1989). Beberapa studi terbaru meneliti dinamika manajemen laba, dengan fokus pada
peran guncangan kinerja (Gerakos dan Kovrijnykh, 2013), kontraksi gesekan (Matahari, 2014), pelanggaran GAAP tidak terdeteksi (
Zakolukina, 2017), atau ketidakpastian karena distorsi akuntansi (Beyer dkk., 2018). Studi saya berfokus pada implikasi dari bias
perilaku investor dan mengidentifikasi determinan manipulasi laba yang belum teruji: keinginan untuk memenuhi sentimen
investor.
Sisa kertas hasil sebagai berikut.Seksi 2memperkenalkan kerangka teoritis dan tiga model harapan investor.Bagian 3
memperkirakan model yang paling masuk akal untuk setiap perusahaan yang menggunakan SMM.Bagian 4melakukan analisis
regresi.Bagian 5menyimpulkan.
2. Kerangka teori
2.1. Model dasar
Penghasilan sebenarnya dan penghasilan yang dilaporkan. Sebuah perusahaan beroperasi dalam lingkungan stokastik, dan menghasilkan pendapatan yang sebenarnya (yaitu,
pendapatan tidak dikelola) yang bisa rendah atau tinggi untuk setiap periode.t, yaitu,θ t{θ L,θH}≡-. Membiarkanθ [θ L,θH]′.Penghasilan sejati mengikuti a
3Dalam hal ini, makalah ini menggunakan pendekatan yang sama seperti penelitian sebelumnya yang membandingkan validitas empiris dari berbagai asumsi model. Sebagai
contoh, Cooper dan Haltiwanger (2006)memperkirakan model penyesuaian modal yang paling masuk akal yang paling menjelaskan fakta bergaya tentang hubungan antara
investasi dan profitabilitas yang didokumentasikan dalam data tingkat pabrik.
Proses Markov dicirikan oleh matriks transisi = [aku j],di mana aku j=Pr(θt+1=θ j|θt=θ saya):4
[ ]
π 1− π
= . (1)
1π π
Penghasilan sejatiθ tdiamati secara pribadi oleh manajer, yang diharuskan membuat pernyataan publik,kamut, dari pendapatan perusahaan. Pernyataan
publik disebut sebagai laporan pendapatan. Dalam laporan tersebut, manajer dapat menaikkan atau menurunkan pendapatan dengan memanipulasi
akrual diskresioner, yang didefinisikan sebagai perbedaan antara pendapatan yang dilaporkan dan pendapatan sebenarnya, yaitu,kamut− θt. Di setiap
periodet, penghasilan yang dilaporkankamut∈-adalah jumlah dari pendapatan sebenarnya dan akrual diskresioner. Akrual diskresioner negatif juga
dikenal sebagai cadangan pendapatan, karena mereka "menyimpan" kapasitas inflasi pendapatan untuk masa depan. hukum gerak untukterakumulasi
akrual diskresioner, dilambangkansebuaht, mencerminkan efek kumulatif dari pergeseran pendapatan antarwaktu:
sebuaht=sebuaht1+(kamut− θt). (2)

Saya memberlakukan batasan pada berapa banyak pendapatan yang dapat dikelola secara kumulatif dalam satu arah: nilai absolut dari
akumulasi akrual diskresioner tidak dapat melebihid, di manad=θH− θ L.5Secara efektif, akumulasi akrual diskresioner hanya dapat
mengambil tiga nilai:
sebuaht∈ {−d,0,d}≡ D. (3)

Dengan kata lain, manajer tidak dapat menggelembungkan atau mengempiskan laba selama lebih dari dua periode berturut-turut.
Kendala ini dimotivasi oleh pengamatan bahwa di dunia nyata, kemungkinan perusahaan publik akan menghadapi sanksi peraturan
dari Securities and Exchange Commission (SEC) meningkat dengan sejauh mana angka akuntansinya menyimpang dari penerapan
standar akuntansi yang netral ( misalnya,Barton dan Simko, 2002).6
Harapan investor. Pasar, yang terdiri dari investor homogen dan netral risiko (secara efektif diringkas oleh investor perwakilan),
menetapkan harga saham pada jumlah pendapatan masa depan yang diharapkan berdasarkan riwayat pendapatan:7
[ ∣ ]
∑∞ θt+s ∣
pt(kamut)= Et (1 +)s ∣kamut (4)
s=1
t1,kamut)adalah riwayat laporan penghasilan hingga
di manaδ adalah tingkat diskonto yang digunakan oleh investor, dankamut=(kamu0, . . . ,kamut1,kamut)=(kamu
Titikt.
Fungsi penetapan harga serupa digunakan dalam beberapa penelitian (misalnya,Barberis dkk., 1998; Stein, 1989). Ini menyoroti dampak ekspektasi
investor terhadap pendapatan masa depan dengan mengasumsikan bahwa harga saham hanyalah nilai saham seperti yang dirasakan oleh investor (
Barberis et al., 1998). Fungsi penetapan harga konsisten dengan model generasi yang tumpang tindih dengantidak dapat diamati dividen. Meskipun arus
kas didistribusikan periode demi periode sebagai dividen, investor tidak menggunakandividen sebenarnya untuk menentukan harga perusahaan.
Sebagai gantinya, mereka menggunakanpenghasilan yang dilaporkanuntuk membentuk persepsi mereka tentang nilai perusahaan. Kami membuat
asumsi yang disederhanakan ini tanpa secara formal memodelkan institusi dividen dan perdagangan dalam model generasi yang tumpang tindih.
Studi ini mengeksplorasi bagaimana ekspektasi investor yang berbeda mempengaruhi penentuan bersama atas diskresi pelaporan dan harga aset.
Tiga model dipelajari: pembelajaran dengan keuntungan konstan, keyakinan pergeseran rezim, dan keyakinan sistem informasi akuntansi.
(saya)Belajar terus-menerus.Investor memperkirakan hubungan bentuk tereduksi dari laba yang dilaporkan, menempatkan bobot konstan pada data
periode terbaru, dan menggunakan hubungan yang diestimasi untuk meramalkan laporan laba masa depan. Harga saham mencerminkan
perkiraan pendapatan yang dilaporkan.
(ii)Keyakinan yang mengubah rezim. Investor menganggap pendapatan yang dilaporkan diatur oleh salah satu dari dua rezim: rezim yang mengembalikan rata-rata atau rezim
yang bertahan. Mereka memperbarui keyakinan mereka dengan cara Bayesian tetapi berdasarkan model yang salah ditentukan, dan memberi harga perusahaan
berdasarkan perkiraan pendapatan yang dilaporkan.
(aku aku aku)Keyakinan sistem informasi akuntansi.Investor percaya bahwa pendapatan sebenarnya mengikuti proses Markov dan bahwa laporan pendapatan adalah sinyal
eksogen dan bising dari pendapatan sebenarnya yang mendasarinya. Mereka secara rekursif menyimpulkan pendapatan sebenarnya dari sejarah pendapatan yang
dilaporkan, dan memberi harga perusahaan berdasarkan perkiraan pendapatan sebenarnya.
Selain ketiga model ini, yang menangkap penyimpangan yang berbeda dari rasionalitas investor, saya membahas kasus tolok
ukur ekspektasi rasional diLampiran A. Dalam ekuilibrium ekspektasi rasional, keyakinan investor tentang strategi pelaporan
manajer konsisten dengan strategi pelaporan aktual dan hukum gerak yang diinduksi untuk variabel keadaan. Harga saham
didasarkan pada ekspektasi rasional investor atas pendapatan masa depan yang sebenarnya. Harapan rasional biasanya mencirikan
4Untuk traktabilitas, saya hanya mempelajari kasus rantai Markov orde pertama. Jika hukum gerak untuk penghasilan sebenarnya mengikuti an-urutan rantai Markov dimanan≥ 2,
akan ada lebih banyak variabel keadaan dalam masalah keputusan manajer dan mungkin menunjukkan siklus yang lebih panjang dalam pola deret waktu dari laba yang dilaporkan
dan harga saham.
5Batasan yang lebih lunak pada akumulasi akrual diskresioner, seperti 2d≤ sebuaht≤ 2d,akan memperpanjang cakrawala pola siklus manipulasi/pembalikan laba
dan kepercayaan investor yang tersirat oleh model saat ini.
6Penerapan standar akuntansi yang netral tidak melibatkan bias sistematis yang diperkenalkan oleh akuntan dan manajer. Auditor dan regulator memiliki berbagai
alat untuk mendeteksi penerapan standar akuntansi yang tidak netral.

7Asumsi investor netral risiko dibuat untuk menghindari komplikasi teknis sambil menekankan dampak ekspektasi investor, mengikuti studi sebelumnya (misalnya,
Barberis dkk., 1998; Stein, 1989). Generalisasi kesimpulan mungkin dibatasi oleh asumsi ini.
Tabel 1
Model harapan investor.
Model harapan investor
Pengetahuan/kepercayaan investor Harapan rasional Belajar terus-menerus Keyakinan yang mengubah rezim keyakinan AIS
Penghasilan sejati Tidak Tidak Tidak Tidak
Hukum gerak untuk penghasilan Ya Tidak Tidak Penghasilan sejati yang

sejati Dasar penilaian Penghasilan sejati Penghasilan yang dilaporkan Penghasilan yang dilaporkan berpotensi salah ditentukan
Keyakinan tentang kebijaksanaan manajerial Benar tidak sadar tidak sadar salah ditentukan
Bayesian Ya Tidak Ya Ya
Sering Tidak Ya Tidak Tidak
Tabel ini merangkum asumsi tentang pengetahuan investor dan proses pembentukan kepercayaan di bawah setiap model tentang bagaimana investor membentuk
ekspektasi mereka (termasuk ekspektasi rasional).
perilaku investor jangka panjang,8dan mungkin tidak mencerminkan proses pembentukan harga.9Tabel 1merangkum asumsi dalam setiap
model.
Masalah optimasi manajer.Diasumsikan bahwa manajer penghindar risiko memiliki pengetahuan penuh tentang keyakinan
investor.10Dalam setiap periode, manajer memperoleh utilitas dari harga saham, seolah-olah dia menjual saham perusahaan setelah
pembayaran dividen suatu periode. Asumsi ini memiliki dua dasar. Pertama, eksekutif perusahaan biasanya dikompensasikan
sebagian oleh saham dan opsi. Kedua, bukti empiris dan survei menunjukkan bahwa, sebelum menjual saham mereka atau
menggunakan opsi saham, manajer dapat mempengaruhi penilaian pasar perusahaan melalui manajemen laba (mis.Graham et al.,
2005). Utilitas per periode manajer diwakili oleh fungsi logaritma, yaitu,Ke atas)=ln(p),di manapadalah harga saham. Penghindaran
risiko memberikan insentif bagi manajer untuk memperlancar harga saham antarwaktu.
dalam periodet, manajer mengeluarkan laporan pendapatankamutuntuk memaksimalkan utilitas yang diharapkan. MembiarkanVtmenunjukkan utilitas yang diharapkan
dimaksimalkan dalam periodet:
[ ]
∑∞
Vt≡ maksimalEt βsKe atast+s) (5)
kamut
s=0
di manaβ adalah preferensi waktu manajer,11danptadalah harga saham pada akhir periodet. Dengan kata lain, ketika memilih
tingkat laba yang dilaporkan, manajer memperhatikan harga saham saat ini dan masa depan.
Di sisaSeksi 2, saya menganalisis masing-masing dari tiga model ekspektasi investor. Untuk singkatnya notasi, dua variabel status
dalam masalah maksimalisasi manajer—penghasilan sebenarnya dan akumulasi akrual diskresioner—digabungkan menjadi variabel
status komposit,xt≡ {θt, sebuaht1}∈ X,di manaX≡ -×D={xsaya},saya=1, . . . ,6,x1={θ L,−d},x2={θ L,0}, x3={θ L,d},x4={θH,−d},x5={θH,0},
danx6={θH,d}. Membiarkanxt=(x1, . . . ,xt1,xt)menunjukkan sejarahxthingga periode t.
2.2. Belajar terus-menerus
Di bawah pembelajaran keuntungan konstan, investor tidak berusaha memahami kebijaksanaan manajerial yang tertanam dalam laba yang
dilaporkan. Sebaliknya, mereka secara rekursif memperkirakan model statistik daridilaporkanpendapatan, menempatkan bobot konstan pada
pengamatan terbaru, dan menggunakan model untuk membentuk ekspektasi tentang pendapatan masa depan. Ada dua motivasi untuk terus-menerus
belajar. Pertama, ada banyak bukti anekdot dan eksperimental bahwa pelaku pasar secara rekursif cocok dengan model peramalan bentuk tereduksi,
dan menggunakannya untuk memproyeksikan pendapatan masa depan (Coklat, 1993; Landier et al., 2017). Kedua, investor hanya dapat menggunakan
riwayat terbatas dari data masa lalu sambil sebagian besar mengandalkan pola yang lebih baru.
dalam periodet, investor menggunakan data masa lalu untuk sampai pada penaksirπ̂tdari kemungkinankelanjutan penghasilan(didefinisikan sebagai
laba yang dilaporkan saat ini sama dengan laba yang dilaporkan tertinggal, yaitu,kamut=kamut1), menempatkan berat konstanγ pada pengamatan
terbaru:
π̂t(kamut1,kamut,π̂t1)=(1)π̂t1+γ ·1kamu =kamu t t1 (6)

di mana1YJ=YJ1 adalah indikator yang mengambil nilai 1 jikakamuj=kamuj1dan 0 sebaliknya, danγ diatur ke konstanta positif kecil
(misalnya,Evans dan Honkapohja, 2001). Pembelajaran gain konstan telah terbukti menjelaskan volatilitas pengembalian dan prediksi
8Friedman(1979, p. 25) menyatakan bahwa "hipotesis 'harapan rasional' Muth, dengan mengesampingkan prosedur pembelajaran, secara eksplisit mengasumsikan situasi
pengetahuan pada bagian dari agen ekonomi yang melemparkan model yang digunakan dalam cetakan yang paling sering dikaitkan dengan jangka panjang. ekonomi
keseimbangan.”
9Kegunaan empiris yang terbatas dari model ekspektasi rasional dalam kerangka makalah ini diilustrasikan dalamLampiran A
10Asumsi bahwa keputusan agen yang diuntungkan secara informasi dikondisikan pada keyakinan agen yang diuntungkan secara informasi juga diadopsi oleh para
peneliti di lingkungan ekonomi lainnya. Sebagai contoh,Evans dan Honkapohja (2003)mempelajari kebijakan bank sentral berdasarkan harapan agen.
11Tingkat diskonto yang digunakan oleh manajer diasumsikan berbeda dengan yang digunakan oleh investor. Sementara investor menggunakan tingkat diskonto yang terkait dengan peluang
investasi alternatif, tingkat diskonto manajer sebagian menangkap kemungkinan bahwa manajer mungkin tidak memegang saham perusahaan tanpa batas waktu, tetapi dapat menjual sebagian
kecil saham di masa mendatang (misalnya,Stein, 1989).
kelebihan pengembalian dalam ekonomi endowmen (Carceles-Poveda dan Giannitsarou, 2008), plus menyederhanakan masalah
pemrograman dinamis.12Fungsi harga di bawah pembelajaran gain konstan diberikan oleh lemma berikut.
Lemma 1.Di bawah pembelajaran gain konstan, harga saham pada akhir periode t diberikan oleh
[(( )1 )]
1
pt=p CG(kamut, π̂t)= t − Sayaθ (7)
δ
Saya−
1+
j
di mana t= [πt,1π̂t;1π̂t,π̂t],saya adalah 2×2 matriks identitas,θ̄ = [θ L,θH]′,[· ]jmenunjukkan baris ke-j dari[· ],j=1jika kamut=θ L,
dan j=2jika kamut=θH.
Manajer mengamati variabel keadaanxt,kamut1,danπ̂t1sebelum memilih laporan pendapatan untuk memaksimalkan utilitas yang
diharapkannya. Proposisi berikut mencirikan fungsi nilai manajer dan hukum gerak untuk variabel keadaan di bawah pembelajaran
gain konstan.
Proposisi 1.Ketika ekspektasi investor menunjukkan pembelajaran keuntungan konstan, fungsi nilai manajer untuk periode t diberikan oleh
persamaan Bellman berikut:
{( ) [ ]}
VCG(xt, kamut1,π̂t1)=maksimalKe atasC G(kamut, π̂t)+βEtV CG
(xt+1,kamut,π̂t) (8)
yt
dimana VCG(·)adalah fungsi nilai.
(saya)Nilai awal keadaan diberikan oleh (x0,kamu0,π̂0);

(ii)Hukum gerak untuk xtditentukan olehpersamaan (1)dan (2), kendala akrual seperti yang dijelaskan oleh persamaan (3), dan
keputusan pelaporan;
(aku aku aku)Hukum gerak untuk keyakinan investorπ̂tdiberikan olehpersamaan (6); fungsi harga pCG(·)diberikan olehpersamaan (7).
2.3. Keyakinan yang mengubah rezim
Di bawah keyakinan pergeseran rezim, investor menganggap pendapatan mengikuti pola (rezim) tertentu yang sebenarnya tidak ada, dan
menggunakan pola hipotetis tersebut untuk memprediksi pendapatan masa depan. Meskipun investor memperbarui keyakinan mereka dengan cara
Bayesian, mereka tidak pernah meneliti kedua rezim tersebut. Akibatnya, mereka tidak menyadari bahwa pola yang dirasakan tidak mencirikan data.
Keyakinan pergeseran rezim telah menerima dukungan dari studi psikologis dan eksperimental. Misalnya, berdasarkan teori yang
dirumuskan olehBarberis dkk. (1998);Griffin dan Tversky (1992)menyarankan bahwa investor individu mungkin meremehkan informasi yang
terkandung dalam pengumuman pendapatan periodik terisolasi karena nomor pendapatan tunggal dapat dilihat sebagai outlier tanpa pola
tertentu atau kekuatan sendiri; namun, investor yang sama mungkin menilai terlalu tinggi pola pendapatan multi-periode yang konsisten
karena bukti tersebut bisa sangat menonjol. Studi eksperimental menguatkan pandangan ini (Andreassen dan Kraus, 1990; Bloomfield dan
Hales, 2002; De Bondt, 1993). Misalnya, dalam eksperimen prediksi pendapatan yang melibatkan mahasiswa MBA,Bloomfield dan Hales (2002)
menemukan bahwa subjek menunjukkan kecenderungan yang kuat untuk memprediksi pengembalian laba setelah melihat banyak
pembalikan dan memprediksi tren setelah melihat beberapa pembalikan baru-baru ini, meskipun mengetahui bahwa urutannya adalah jalan
acak. Mereka menyimpulkan bahwa keyakinan pergeseran rezim adalah cara yang masuk akal untuk memahami anomali pasar. Lebih umum,
keyakinan pergeseran rezim terkait dengan ekspektasi ekstrapolatif meresap di pasar keuangan (misalnya,Vissing-Jorgensen, 2004).
Asumsi penting yang mendasari keyakinan pergeseran rezim adalah bahwa investor tidak pernah meneliti dan mengoreksi keyakinan
mereka. Asumsi ini mendasari banyak model peramalan di bawah parameter di mana beberapa bentuk misspesifikasi model secara eksogen
dikenakan pada keyakinan agen (misalnya,Barberis dkk., 1998; Cabang dan Evans, 2010; Hong dkk., 2007). Namun orang mungkin masih
mempertanyakan mengapa keyakinan yang salah tetap bertahan alih-alih dibuang saat data bertambah. Bentuk irasionalitas yang nyata ini
dapat muncul jika investor terlalu percaya diri dalam kalibrasi realitas mereka (Hirshleifer, 2001). Alternatifnya, mungkin timbul ketika investor
cukup mendiskon masa depan, sehingga mereka tidak menunggu lebih banyak data untuk mendeteksi kesalahan spesifikasi model (Hansen
dan Sargent, 2007).
Untuk memodelkan keyakinan yang mengubah rezim, saya mengikutiBarberis dkk. (1998)dan berasumsi bahwa investor
menganggap pendapatan diatur oleh salah satu dari dua rezim: rezim pengembalian rata-rata (ωM) atau rezim yang bertahan (ωP).
Kedua rezim berbeda dalam probabilitas transisi antara dua tingkat pendapatan. Rezim pembalik rata-rata dicirikan oleh Pr(kamut+1=
θ saya|kamut=θ saya)=1gdan Pr(kamut+1=θ j|kamut=θ saya)=g,di manasaya=jdang[0,5, 1]. Sebaliknya, rezim yang bertahan adalah
12Skema pembelajaran adaptif generik dapat berbentuk:π̂t=(1γt)π̂t1+γt·1kamut=kamut1 . "Keuntungan" dari pembelajaran adaptif ditangkap olehγ t,yang bisa
menjadi berkurang, meningkat, atau konstan. Contoh penting adalah pembelajaran kuadrat terkecil (LS) rekursif di mana:γt=1/t. Saya tidak mempelajari kasus pembelajaran LS
rekursif karena tiga alasan. Pertama, pembelajaran LS rekursif mengasumsikan bahwa semua pendapatan masa lalu sama pentingnya dalam meramalkan masa depan, yang tidak
konsisten dengan bukti anekdot. Kedua, di bawah pembelajaran LS rekursif, konvergensi hampir pasti akan terjadi dan manajemen laba menghilang setelah beberapa periode, yang
menyisakan sedikit ruang untuk mengakomodasi perilaku kaya harga saham dan manajemen laba. Poin ini juga dibuat olehCarceles-Poveda dan Giannitsarou (2008)dalam ekonomi
produksi. Ketiga, pembelajaran LS rekursif yang dikombinasikan dengan sifat "umpan balik" dari masalah kontrol akan membuat masalah pengoptimalan menjadi sulit dipecahkan,
karena fungsi nilai akan diindeks dengan subskrip waktu. Sebaliknya, di bawah pembelajaran gain konstan, fungsi nilai dan aturan keputusan tetap sama dari waktu ke waktu.
dicirikan oleh Pr(kamut+1=θ saya|kamut=θ saya)=gdan Pr(kamut+1=θ j|kamut=θ saya)=1g. Oleh karena itu, parametergmenangkap
“ketidakmiripan rezim”, yaitu sejauh mana kedua rezim berbeda. Jikag=0.5,kedua rezim itu identik; jikag=1,kedua rezim tersebut bertolak
belakang.
Investor percaya bahwa transisi dari satu rezim ke rezim lainnya dijelaskan oleh proses Markov berikut:
[ ][ ]
Pr(ωt+1=ωM|ωt=ω M) Pr(ωt+1=ωP|ωt=ω M) 1 k1 k1
= (9)
Pr(ω1t+=ωM|ωt=ωP) Pr(ωt+1 =ωP|ωt=ωP) k2 1k2
di manak1,k2[0, 1]. Mereka memperbarui keyakinan mereka tentang rezim yang berlaku dengan cara Bayesian. Membiarkanqt≡ Pr(ωt=
ωM|kamut, kamut1,qt1)menunjukkan penilaian probabilitas investor terhadap rezim yang berlaku sebagai pembalik rata-rata. Fungsi harga
diberikan oleh lemma berikut.
Lemma 2.Di bawah keyakinan pergeseran rezim, harga saham pada akhir periode t diberikan oleh
( ) [( )1 ]
θL+θ H θ L +θ H Q
pt=p RS(kamut, qt1)= + t − ξ0kan Saya − saya ( 1+ ξ2qt ) (10)
2δ 1+ δ
kamu −
2
di manaξ 0,ξ 1,ξ 2,dan Q diberikan olehpersamaan (A.12)diLampiran B, dan hukum gerak untuk qtdiberikan oleh
{ [(1−k1)qt1+k2(1−qt1)](1−g)
jikakamut=kamut1
[(1−k1)qt1+k2(1−qt1)](1−g)+[k1qt1+(1−k2)(1−qt1)]g
qt(kamut, kamut1,qt1)= (11)
[(1−k1)qt1+k2(1−qt1)]g
jikakamut=kamut1.
[(1−k1)qt1+k2(1−qt1)]g+[kt1+(1−k21)(q1−qt1)](1−g)
Proposisi berikut mencirikan fungsi nilai manajer dan hukum gerak untuk variabel keadaan.
Proposisi 2.Ketika investor memiliki keyakinan pergeseran rezim, fungsi nilai manajer untuk periode t diberikan oleh persamaan
Bellman berikut:
{ ( ) [ ]}
VRS(xt, kamut1,qt1)=maksimalKe atasRSkamut, kamut1,qt1)
kamut
+ βEtV RS
(xt+1,kamut, qt) (12)
dimana VRS(·)adalah fungsi nilai.
(saya)Nilai awal dari keadaan diberikan oleh(x0,kamu0,q0);

(ii)Hukum gerak untuk xtditentukan olehpersamaan (1)dan (2), kendala akrual seperti yang dijelaskan olehpersamaan (3), dan pelaporan
keputusan;
(aku aku aku)Hukum gerak untuk keyakinan investor qtdiberikan olehpersamaan (11); fungsi harga pRS(·)diberikan olehpersamaan (10).
2.4. Keyakinan sistem informasi akuntansi
Dalam model harapan investor ketiga, investor menganggap laporan pendapatan di setiap periode sebagai sinyal eksogen dan
bising dari pendapatan sebenarnya yang mendasarinya. Dengan kata lain, mereka melihat laporan pendapatan yang dihasilkan oleh
sistem informasi akuntansi (AIS), yaitu, pemetaan probabilistik dari pendapatan yang sebenarnya mendasari laporan pendapatan (
Marschak dan Miyasawa, 1968). Sifat probabilistik AIS muncul dari berbagai estimasi akuntansi (misalnya, kontinjensi kerugian,
penyisihan piutang tak tertagih) yang memerlukan evaluasi subjektif akuntan. Sifat-sifat AIS dunia nyata dipengaruhi oleh aturan
akuntansi, norma industri, karakteristik bawaan perusahaan, dan yang terpenting, kebijaksanaan manajer dan akuntan.
Di bawah keyakinan AIS, investor berasumsi bahwa pendapatan sebenarnya mengikuti proses Markov yang dicirikan oleh matriks transisi yang elemen-
elemennya didefinisikan sebagai: aku j=Pr(θt+1=θ j|θt=θ saya):
[ ]
λ 1− λ
= . (13)
1λ λ
Perhatikan bahwa hukum gerak yang dirasakan berbeda dari hukum gerak yang sebenarnya kecuali:λ =π.
Investor menganggap peran pelaporan keuangan sebagai matriks stokastikη yang elemennya didefinisikan sebagaiηaku j=Pr(kamut=
θ j|θt=θ saya):
[ ]
b 1− b
η = 1b b
. (14)
Dengan kata lain, meskipun investor menyadari kebisingan dalam laporan laba, mereka tidak memahami kebijaksanaan manajerial
yang menimbulkannya.
Tunjukkan investor posterior ditolehρt≡ Pr(θt=θ L|kamut). Lemma berikut mencirikan hukum gerak untuk keyakinan investor
dan fungsi harga.
Lemma 3.Di bawah keyakinan AIS, harga saham pada akhir periode t diberikan oleh
[( )1 ]
(kamut,ρt1)= [ρt,1ρt] 1
pt=pSaya SEBAGAI
− Sayaθ (15)
1 +δ
Saya−
dimana aku adalah2×2matriks identitas, dan hukum gerak untukρtdiberikan oleh

{ b(2λ1)ρt1+b(1−)
jikakamut=θ
(2b1)(2λ1)ρt1+(1−b)λ+b(1−) L
ρt(kamut,ρt1)= (16)
(1−b)(2λ1)ρt1+(1−b)(1−)
jikakamut=θ H.
(1−2b)(2λ1)ρt1+bλ+(1−b)(1−)
Proposisi berikut menjelaskan fungsi nilai manajer dan hukum gerak untuk variabel keadaan ketika investor memiliki keyakinan
AIS.
Proposisi 3.Ketika investor memiliki keyakinan AIS, fungsi nilai manajer untuk periode t diberikan oleh persamaan Bellman berikut:
{( ) [ ]}
VSIA(xt,ρt1)=maksimalKe atasSaya
ρ
SEBAGAI(kamut, t1)
+ βEV
t SIA (xt+1,ρt) (17)
yt
dimana VSIA(·)adalah fungsi nilai.
(saya)Nilai awal dari keadaan diberikan oleh(x0,ρ0);

(ii)Hukum gerak untuk xtditentukan olehpersamaan (1)dan(2), kendala akrualpersamaan (3), dan keputusan pelaporan;
(aku aku aku)Hukum gerak untuk keyakinan investorρtdiberikan olehpersamaan (16); fungsi harga pSIA(·)diberikan olehpersamaan (15).
2.5. Solusi numerik
Untuk masing-masing dari tiga model, keputusan pelaporan optimal manajer adalah solusi untuk masalah optimasi dinamis yang
didefinisikan dalam Proposisi 1-3, masing-masing. Masalah seperti itu tidak menerima solusi analitis, tetapi dapat diselesaikan
dengan iterasi fungsi nilai. Premis yang mendasari iterasi fungsi nilai adalah Teorema Pemetaan Kontraksi, yang menyatakan bahwa
di bawah kondisi keteraturan tertentu, mulai dari beberapa tebakan awal dari fungsi nilai dan aturan keputusan terkait, fungsi nilai
sebenarnya dan aturan keputusan dapat diperoleh sebagai titik tetap dari iterasi pada persamaan Bellman (Stokey dkk., 1989).
Dengan kata lain, algoritma melibatkan pembaruan tebakan melalui persamaan Bellman sampai mereka bertemu.
Sebagai ilustrasi,Lampiran Cmemberikan rincian iterasi fungsi nilai untuk kasus keyakinan pergeseran rezim. Saya mengkalibrasi
parameter sebagai berikut. Penghasilan sebenarnya dihasilkan oleh rantai Markov di mana(θL,θH,)=(1,2,0.75). Preferensi waktuβ
manajer diatur ke 0,97. tingkat diskonδ digunakan oleh investor diatur ke 0,06. Parameter ketidaksamaan rezim,g, diatur ke 0,75
(yaitu, ketidakmiripan sedang). Parameter untuk probabilitas transisi antar rezim diatur ke nilai positif kecil,k1= 0.10 dank2= 0.30,
konsisten dengan penelitian sebelumnya yang mempertahankan bahwa pergeseran rezim jarang terjadi (misalnya, Barberis et al.,
1998).
Keputusan pelaporan untuk 12 kemungkinan kombinasi (xt, kamut1) dilaporkan dalamGambar 1. Keputusan pelaporan dicirikan oleh
aturan ambang batas berdasarkanqt1,yaitu, penilaian probabilitas periode lalu dari rezim yang sedang membalikkan keadaan. qt1dapat dilihat
sebagai ringkasan statistik sentimen pasar-lebar investor. Ketika pendapatan sebenarnya rendah (Panel A dan B), manajer cenderung
menaikkan pendapatan jika:qt1lebih rendah dari tingkat ambang batas. Ketika pendapatan sebenarnya tinggi (Panel C dan D), manajer
cenderung menurunkan pendapatan jika:qt1lebih tinggi dari ambang batas.
Secara intuitif, manajer menimbang manfaat langsung dari manipulasi laba terhadap dampaknya terhadap kemampuannya di masa
depan untuk mengelola laba. Ketika pendapatan sebenarnya rendah, keuntungan dari peningkatan pendapatan adalah meningkatkan
ekspektasi investor terhadap profitabilitas masa depan, sementara biayanya meningkatkan akumulasi akrual diskresioner yang dapat
membatasi kesalahan pelaporan di masa depan. Manfaatnya lebih tinggi ketika penilaian probabilitas investor terhadap rezim yang berlaku
sebagai pengembalian rata-rata lebih rendah; saat itulah manajer menemukan inflasi laba lebih bermanfaat. Ketika pendapatan sebenarnya
tinggi, keuntungan dari penurunan pendapatan adalah penumpukan cadangan pendapatan, sedangkan biayanya adalah fakta bahwa
investor dapat melihat pendapatan yang diturunkan sebagai berita buruk. Biaya lebih rendah ketika penilaian probabilitas investor dari rezim
yang berlaku menjadi pengembalian rata-rata lebih tinggi;
Untuk singkatnya, saya tidak melaporkan aturan keputusan untuk pembelajaran terus-menerus dan keyakinan sistem informasi akuntansi. Pola
aturan keputusan di bawah dua model ini analog. Untuk pembelajaran keuntungan konstan, variabel keadaan yang menangkap keyakinan investor
adalah perkiraan investor tentang kemungkinan kelanjutan pendapatan (π̂t1). Untuk keyakinan AIS, variabel keadaan adalah penilaian probabilitas
investor dari keadaan saat ini menjadi rendah (ρt1). Keyakinan investor yang berubah-ubah waktu juga akan disebut sebagai sentimen investor.
Keputusan pelaporan dapat dipahami dalam terang bukti empiris baru-baru ini bahwa manajer membuat keputusan pelaporan dalam
menanggapi sentimen investor. Sebagai contoh,Rajgopal dkk. (2007)menemukan bahwa manajer menaikkan laba ketika investor bereaksi
secara optimis terhadap kejutan laba positif. Secara lebih luas, pelaporan keuangan hanyalah salah satu keputusan yang dibuat oleh manajer
secara rutin. Gagasan "katering" juga telah dipelajari dalam konteks keputusan perusahaan lainnya seperti kebijakan pembayaran dividen (
Baker dan Wurgler, 2004).
Gambar 1.Melaporkan keputusan ketika investor memiliki keyakinan yang mengubah rezim. Angka ini melaporkan aturan keputusan manajer ketika investor memiliki keyakinan
yang berubah-ubah. Aturan keputusan disusun kembali menjadi 12 fungsi univariat dariqt1dan dikelompokkan menjadi empat panel. Setiap panel terdiri dari tiga skenario dengan
skenario yang samaθ tdankamut1tapi berbedasebuaht1. Parameter model dikalibrasi sebagai (θ L,θH,π,β,δ,g,k1,k2)=(1, 2, 0.75, 0.97, 0.06, 0.75, 0.10, 0.30).
3. Estimasi
3.1. metode
Karena variasi cross-sectional dalam atribut demografis investor dan kecanggihan keuangan, satu model harapan investor tidak
mungkin menggambarkan proses pembentukan kepercayaan semua investor.13Pada bagian ini, saya melakukan estimasi struktural
untuk mengevaluasi kinerja relatif dari tiga model dalam menjelaskan pola empiris pendapatan, akrual, dan pengembalian masing-
masing perusahaan.
Karena kondisi ortogonalitas yang terkait dengan setiap model tidak dapat dikarakterisasi secara analitik, saya menggunakan metode
simulasi momen (SMM). Untuk setiap perusahaan, estimasi dilakukan secara terpisah untuk masing-masing dari tiga model berikut tiga
langkah (superskrip "sebuah” untuk “sebenarnya” dan “s” untuk “simulasi”):
13Implikasi dari heterogenitas keyakinan untuk penetapan harga aset telah dipelajari dalam literatur baru-baru ini (misalnya,Bhamra dan Uppal, 2014).
(saya)Hitung momen sebenarnya. Untuk setiap perusahaan, tiga deret waktu dibangun berdasarkan data dari Compustat dan
CRSP: penghasilan sebenarnya (θ sebuah t),penghasilan yang dilaporkan (kamusebuaht),dan pengembalian saham (rsebuah t).Saya menafsirkan "satu periode" dalam model sebagai satu
)adalah laba bersih dikurangi akrual diskresioner dibagi dengan jumlah outstanding
tahun fiskal. Penghasilan sebenarnya (θ sebuaht
saham, di mana akrual diskresioner adalah rata-rata total aset dikalikan dengan sisa dari variandehow
dan Dichev (2002)model. Penghasilan yang dilaporkan (kamusebuah t)adalah laba bersih sebelum pos-pos luar biasa dibagi dengan jumlahnya
dari saham yang beredar. pengembalian saham (rsebuah t)adalah pengembalian kumulatif yang disesuaikan dengan beta di jendela 32 hari perdagangan [−30,1]
sekitar tanggal pengumuman laporan pendapatan tahunan, di mana beta dihitung berdasarkan model pasar menggunakan
pengembalian harian bulan sebelumnya. Rincian lebih lanjut tentang pengukuran variabel disediakan diLampiran D. Sebenarnya
momen untuk suatu perusahaan dilambangkan denganψsebuah, 9×1 vektor yang mencakup rata-rata, varians dan kovarians dariθ sebuah t,
,danrsebuaht.MembiarkanTsebuahmenunjukkan panjang deret waktu, di manaTsebuahdapat bervariasi antar perusahaan tergantung pada ketersediaan data.
t sebuah
kamu
(ii)Selesaikan model dan hitung momen simulasi. Parameter kepentingan dalam estimasi mencirikan keyakinan investor dalam setiap
model. Membiarkanζ menunjukkan set parameter tersebut untuk diestimasi. Untuk pembelajaran yang terus-menerus,ζ =γ ; untuk
keyakinan yang mengubah rezim,ζ = [g, k1]′,dank2diatur sama dengank1untuk mengurangi derajat kebebasan; untuk keyakinan AIS,
ζ = [λ,b]′.
Parameter selain yang akan diestimasi dikalibrasi sebagai berikut. Parameter preferensi waktu untuk manajer dan investor
diatur ke (β,δ)=(0,97, 0,06). Penghasilan sebenarnya diasumsikan mengikuti proses Markov yang mendekati proses
autoregresif orde pertama (AR(1)) yang diperkirakan berdasarkan deret waktu spesifik perusahaan yang dibuat dari
Compustat. Secara khusus, saya memperkirakan model regresi AR(1) berdasarkan pendapatan sebenarnya dan mendiskritkan
proses AR(1) menjadi rantai Markov keadaan biner mengikutiAdda dan Cooper (2003). Rincian prosedur ini disediakan di
Lampiran D.
Untuk setiap kandidat nilaiζ , masalah pemrograman dinamis yang sesuai diselesaikan dengan menggunakan iterasi fungsi nilai.
Berdasarkan aturan keputusan optimal untuk manajer dan kondisi awal untuk variabel keadaan, saya mensimulasikan tiga
seri waktu,θ s t(ζ ), kamust(ζ ),danrs t(ζ ),untukTs=H×Tsebuahperiode, dimanaH=100.14Momen yang disimulasikan, termasuk
rata-rata, varians dan kovarians dariθ s t, kamuts ,danrs t,diwakili olehψs(ζ ),sebuah 9×1 vektor.
(aku aku aku)Cocokkan momen aktual dan simulasi. Estimasi SMM meminimalkan fungsi tujuan berikut:
kan
min(ζ )=(sebuahψ − (ζ ))s×W×(ψsebuah− ψs(ζ )) (18)
ζ
di manaψsebuahadalah vektor momen aktual,ψs(ζ )adalah vektor momen simulasi yang diberikan parameter keyakinanζ , danWadalah
matriks bobot. Saya menggunakan prosedur dua langkah untuk mendapatkan matriks pembobotan. Pada langkah pertama, matriks
pembobot diatur ke kebalikan dari matriks kovarians momen empiris (Strebulaev dan Whited, 2012). Pada langkah kedua, matriks
pembobotan diatur ke invers dari matriks kovarians dari momen simulasi yang diperkirakan pada langkah pertama. Model fit
dievaluasi menggunakan modifikasi dariHansen (1982)Jstatistik, yang didistribusikan secara asimtotik sebagaiχ2(tidak ada− tidak),di
manatidakdantidakadalah kardinalitas dariψ danζ , masing-masing (De Jong dan Dave, 2011).
Estimasi mengambil momen pendapatan sebenarnya sebagai input, di mana pendapatan sebenarnya disimpulkan dari model
regresi yang memisahkan bagian pendapatan yang dikelola dari bagian yang tidak dikelola (Dechow dan Dichev, 2002). Dengan kata
lain, diasumsikan bahwa peneliti, tidak seperti investor perwakilan dalam model, mampu memecahkan kode laporan pendapatan.
Ada tiga pembenaran untuk observabilitas pendapatan sebenarnya dari perspektif peneliti. Pertama, seperti studi sebelumnya
tentang penentuan bersama bias perilaku investor dan perilaku perusahaan (misalnya,Alti dan Tetlock, 2014), penelitian ini berfokus
pada pengukuran kinerja model daripada menyimpulkan keadaan laten yang tidak dapat diamati oleh investor.15Kedua, peneliti
akuntansi dan regulator telah mengembangkan model canggih untuk mendeteksi manajemen laba, sedangkan investor masih
belum sepenuhnya memahami implikasi penilaian angka akuntansi.Richardson et al., 2010). Ketiga, asumsi bahwa manipulasi laba
(yaitu, akrual diskresioner) dapat diamati oleh peneliti memungkinkan lebih banyak mengidentifikasi pembatasan untuk estimasi.
Untuk traktabilitas, pendapatan sebenarnya dan pendapatan yang dilaporkan diasumsikan bernilai biner dalam model.
Pertanyaannya tetap apakah struktur biner cocok untuk metode estimasi yang bergantung pada momen pencocokan. DiLampiran E,
saya mengkarakterisasi momen-momen deret waktu biner yang dihasilkan dengan "mengpotong" proses Gaussian stasioner, yaitu,
menerapkan fungsi ambang batas untuk setiap periode proses Gaussian (Kedem, 1980). Fungsi ambang batas menyerupai aturan
ambang batas yang tertanam dalam keputusan pelaporan (Bagian 2.5). Sifat autoregresif dari proses stasioner kontinu asli
dipertahankan dalam proses biner turunan. Pengamatan ini memberikan beberapa jaminan bahwa pengaturan biner menghasilkan
momen yang sebanding dengan momen dalam pengaturan kontinu.
14Sebagai ukuran sampel yang disimulasikan (Ts) meningkat relatif terhadap ukuran sampel sebenarnya (Tsebuah), yaitu sebagaiHmeningkat, matriks kovarians dariψ
sebuah− ψs(ζ )konvergen ke metode momen umum (GMM). Hal ini karena sebagaiTsmeningkat, rata-rata sampel dari data simulasi dapat lebih mendekati momen tak
bersyarat (misalnya,Duffie dan Singleton, 1993).De Jong dan Dave (2011)membantah pengaturan ituTssekitar 10.000 adalah standar. Dalam penelitian saya, karena
estimasi dilakukan untuk perusahaan yang berbeda, saya memilihH=100 sehingga matriks varians-kovarians selalu 101% dikalikan dengan pasangan GMM. Untuk
ketahanan, saya mereplikasi estimasi denganTs=10,000 pada sampel acak dari 10 perusahaan. Hasil estimasi tetap sama.
15Secara analog, dalamAlti dan Tetlock (2014), agen tidak mengamati produktivitas perusahaan dan harus menyimpulkannya menggunakan keuntungan yang direalisasikan dan sinyal informasi
yang lembut. Estimasi SMM mereka, bagaimanapun, didasarkan pada momen termasuk profitabilitas perusahaan. Saya mengakui bahwa garis literatur yang terpisah tertarik untuk secara bersamaan
menyimpulkan keadaan laten dan parameter model (misalnya,Lux, 2018).
3.2. Hasil estimasi
Prosedur estimasi dilakukan pada perusahaan S&P 500 yang memenuhi kriteria sebagai berikut:16(i) setidaknya ada 20 tahun
berturut-turut data yang tersedia selama periode 1971–2014; dan (ii) nilai absolut dari koefisien autokorelasi dari pendapatan
sebenarnya (lihatLampiran D) kurang dari 1 untuk memastikan stasioneritas proses. Sampel akhir terdiri dari 330 perusahaan.
Meja 2memberikan hasil estimasi dan analisis. Panel A melaporkan perkiraan untuk perusahaan contoh, Tyson Food, Inc., yang paling
sesuai dengan model pembelajaran gain konstan, karena menghasilkan yang terkecilJstatistik (51,95).
Panel B dariMeja 2melaporkan distribusi perusahaan menurut industri dan model yang paling masuk akal. Untuk semua industri kecuali industri keuangan, AIS
menawarkan model fit terbaik. Secara keseluruhan, 4,85% dari perusahaan memiliki klien investor yang paling baik dijelaskan oleh pembelajaran keuntungan
konstan, 32,12% oleh keyakinan pergeseran rezim, dan 63,03% oleh keyakinan AIS.
Interpretasi hasil estimasi tunduk pada dua peringatan. Pertama, meskipun ketiga model menangkap berbagai skenario, mereka
tidak lengkap dari semua kemungkinan bagaimana investor dunia nyata memproses informasi pendapatan. Kedua, model
mengasumsikan harapan homogen di antara investor dari perusahaan yang sama. Di dunia nyata, klien investor dari perusahaan
yang sama mungkin menunjukkan heterogenitas yang substansial.
3.3. Karakteristik perusahaan menurut kelompok
Saya mengelompokkan perusahaan dengan model yang paling masuk akal, dan melaporkan karakteristik perusahaan untuk setiap kelompok dalam
Meja 2, Panel C.Ukuranadalah log alami kapitalisasi pasar (dalam hal item Compustat,prcc_f×csho).Usiaadalah jumlah tahun perusahaan telah dicakup
oleh Compustat.SGRadalah pertumbuhan penjualan, diukur sebagai penjualan (penjualan) pada periode berjalan dikurangi penjualan pada periode
sebelumnya kemudian diskalakan dengan penjualan pada periode sebelumnya.Dividenadalah rasio pembayaran dividen, dihitung sebagai jumlah
dividen yang dibayarkan kepada pemegang saham (dv) dibagi dengan laba bersih (ni) ketika yang terakhir adalah positif.Cvol, atau volatilitas arus kas,
adalah standar deviasi arus kas operasi selama lima tahun terakhir dengan setidaknya tiga tahun data, di mana arus kas operasi didefinisikan dalam
Lampiran D.Analisadalah jumlah analis sisi penjualan yang membuat perkiraan laba per saham (EPS) satu tahun ke depan pada tahun berjalan,
berdasarkan IBES.InstHoldadalah persentase saham beredar yang dimiliki oleh investor institusional berdasarkan data kepemilikan institusional dari
Thomson Reuters. Ukuran empiris untuk setiap perusahaan didasarkan pada rata-rata deret waktu. sebagait-tes menunjukkan, karakteristik tidak
berbeda secara statistik di antara kelompok yang berbeda kecuali rasio pembayaran dividen, yang konsisten dengan pandangan bahwa investor yang
berbeda mungkin lebih menyukai pola pembayaran dividen yang berbeda (Baker dan Wurgler, 2004). Oleh karena itu, prosedur estimasi mampu
mengelompokkan perusahaan berdasarkan ekspektasi investor yang mendasari yang tidak dapat dideteksi melalui karakteristik perusahaan yang dapat
diamati secara umum.
Bagaimana investor membentuk keyakinan mungkin bergantung pada cakrawala dan gaya investasi. Saya menguji apakah
cakrawala investasi investor institusional yang dominan (yaitu, investor institusional dengan bagian kepemilikan terbesar) bervariasi
dengan mekanisme yang mendasari pembentukan ekspektasi. Berdasarkan Data Klasifikasi Investor Institusional Brian Bushee
(1981–2013), saya mengklasifikasikan investor institusi ke dalam institusi “berdedikasi”, “pengindeks semu”, dan institusi
“sementara”. Institusi yang berdedikasi memiliki perputaran portofolio yang rendah dan kepemilikan portofolio yang lebih
terkonsentrasi. Institusi pengindeks kuasi memiliki perputaran yang rendah dan kepemilikan portofolio yang terdiversifikasi.
Investor sementara memiliki turnover tinggi dan kepemilikan portofolio yang sangat beragam.Bushee, 2001).
Panel D dariMeja 2menunjukkan bahwa pembelajaran terus-menerus dan keyakinan pergeseran rezim sedikit terwakili di antara
perusahaan yang investor dominannya adalah institusi yang berdedikasi dan pengindeks kuasi, sementara keyakinan AIS terlalu terwakili di
antara perusahaan dengan investor yang lebih sementara. Distribusi model yang paling masuk akal untuk setiap jenis investor institusional
dominan tidak berbeda secara substansial dari sampel keseluruhan. Oleh karena itu, informasi yang terkandung dalam hasil estimasi tidak
termasuk dalam horizon investasi investor dominan.
4. Analisis regresi
4.1. metode
Hubungan antara laba dan return saham telah dipelajari dengan baik. Teori sebelumnya telah berfokus pada model dengan eksogen
dividen dan pembelajaran investor (misalnya,Barberis dkk., 1998; Lewellen dan Shanken, 2002). Dengan asumsi proses dividen eksogen
mengabaikan masalah simultanitas: proses pendapatan mencerminkan keputusan manajerial yang ditentukan bersama dengan harga aset.
Dengan kata lain, hukum gerak yang dirasakan oleh investor mempengaruhi hukum gerak yang sebenarnya mereka hadapi (Marcet dan
Sargent, 1989).
Penelitian ini secara eksplisit memodelkan masalah simultanitas. Kerangka teoritis memotivasi hubungan bentuk tereduksi
antara pendapatan, akrual, dan pengembalian saham. Berdasarkan fungsi harga (persamaan (7),(10)dan(15)), perubahan harga
saham dapat ditulis sebagai fungsi dari perubahan laba yang dilaporkan:
pt=0+1 kamut+εt (19)
16Saya fokus pada perusahaan S&P 500 karena prosedur estimasi membutuhkan waktu komputasi yang cukup lama.
Meja 2
Hasil dari simulasi metode estimasi momen.
Panel A: Estimasi SMM untuk Tyson Food, Inc.
Parameter Keuntungan konstan Pergeseran rezim SIA

(Asymptotic std. err.)
γ 0.14
(2.10E–05)
g 0,51
(3.63E–05)
k1 0,05
(6.03E–05)
λ 0,85
(1.39E–05)
b 0,90
(2.19E–05)
Jstatistik 51.95 65.39 52.49
Panel B: Distribusi industri perusahaan dengan keyakinan investor yang berbeda
Keuntungan konstan Pergeseran rezim SIA Total
Industri Kol persen Persentase baris Kol persen Persentase baris Kol persen Persentase baris Kol persen
Konsumen tidak tahan lama 18,15% 11,11% 9,43% 37,04% 6,73% 51,85% 8,18%
Barang tahan lama konsumen 0% 0% 2,83% 37.50% 2.40% 62,50% 2,42%
Manufaktur 18,15% 7,32% 10,38% 26,83% 12,98% 65,85% 12,42%
Energi 12.50% 7,41% 6,60% 25,93% 8,65% 66,67% 8,18%
Bahan kimia 6,25% 6,67% 2,83% 20,00% 5,29% 73,33% 4,55%
Peralatan bisnis 25,00% 8,51% 12,26% 27,66% 14,42% 63,83% 14,24%
Telekomunikasi 0% 0% 1,89% 28,57% 2.40% 71,43% 2,12%
Keperluan 6,25% 3,13% 6,60% 21,88% 11,54% 75,00% 9,70%
Toko 0% 0% 14,15% 40,54% 10,58% 59,46% 11,21%
Kesehatan 0% 0% 8,49% 36,00% 7,69% 64,00% 7,58%
Keuangan 12.50% 7,14% 13,21% 50,00% 5,77% 42,86% 8,48%
Lainnya 0% 0% 11,32% 33,33% 11,54% 66,67% 10,91%
Jumlah (persen) 4,85% 32,12% 63,03% 100,00%
Jumlah (jumlah) 16 106 208 330
Panel C: Karakteristik perusahaan dengan keyakinan investor yang berbeda
Berarti Perbedaan (t-statistik)
Ciri Keuntungan konstan Pergeseran rezim SIA CG - RS CG - AIS AIS - RS
Ukuran 7.606 7.952 8.078 0,346 0,472 0,126

(−1.15) (−1.61) (−0.94)
Usia 29.508 26,842 27.489 2.666 2.019 0,647
(0,99) (0.72) (−0,52)
SGR 5.299 0,163 0,155 5.136 5.145 0,008
(1.00) (1.00) (0.41)
Dividen 0,374 0,377 0,470 0,003 0,096 0,093
(−0,03) (−0.69) (−1.62)
Cvol 0,073 0,062 0,057 0,011 0,016 0,005
(1.11) (1.19) (0,86)
Analis 18.510 18.877 18.888 0,367 0,378 0,011
(−0.18) (−0.19) (−0,01)
InstHold 0,762 0,757 0,731 0,005 0,031 0,026
(0,12) (0.71) (1,44)
Panel D: Keyakinan investor dan investor institusional yang dominan
Berarti
Horizon investasi investor institusi Konstan- Rezim- SIA Jumlah total

dominan memperoleh pergeseran
Berdedikasi 4,35% 39,13% 56,52% 69

Pengindeks kuasi 3,90% 30,52% 65,58% 154
Sementara 0% 22,22% 77,78% 9
Total 3,88% 32,76% 63,36% 232
Tabel ini melaporkan hasil estimasi berdasarkan SMM untuk perusahaan S&P 500 yang (i) ada setidaknya 20 tahun data berturut-turut selama periode 1971–2014 dan
(ii) nilai absolut dari koefisien autokorelasi dari pendapatan sebenarnya kurang dari 1. Parameter model dasar dikalibrasi sebagai (θ L,θH,π,
β,δ)=(1, 2, 0,75, 0,97, 0,06). Untuk keyakinan yang mengubah rezim, diasumsikan bahwak1=k2. Penghasilan sebenarnya diasumsikan mengikuti proses Markov yang mendekati
proses AR(1) yang diperkirakan berdasarkan rangkaian waktu spesifik perusahaan yang dibuat dari Compustat. LihatLampiran Duntuk rincian. Di Panel A, kesalahan standar
asimtotik dari estimasi parameter dilaporkan dalam tanda kurung. Di Panel B, persentase perusahaan di setiap baris yang diklasifikasikan ke dalam grup (“persen baris”) dan
persentase perusahaan di setiap kolom yang diklasifikasikan ke dalam grup (“kol persen”) dilaporkan. Di Panel C,Ukuranadalah log alami kapitalisasi pasar (dalam hal item
Compustat,prcc_f×csho).Usiaadalah jumlah tahun perusahaan telah dicakup oleh Compustat.SGRadalah persentase penjualan (penjualan) pertumbuhan.Dividen adalah rasio
pembayaran dividen, dihitung sebagai jumlah dividen yang dibayarkan kepada pemegang saham (dv) dibagi dengan laba bersih (ni) ketika yang terakhir adalah positif.Cvol, atau
volatilitas arus kas, adalah standar deviasi arus kas operasi selama lima tahun terakhir dengan setidaknya tiga tahun data, di mana arus kas operasi didefinisikan dalamLampiran D.
Analisadalah jumlah analis sisi penjualan yang membuat perkiraan EPS tahunan satu tahun ke depan di tahun berjalan, berdasarkan data dari IBES.InstHoldadalah persentase
saham beredar yang dimiliki oleh investor institusional berdasarkan data kepemilikan institusional dari Thomson Reuters. Tindakan empiris di Panel C didasarkan pada rata-rata
deret waktu. Pada Panel D, investor institusional yang dominan untuk setiap perusahaan diidentifikasi sebagai investor institusional dengan bagian kepemilikan terbesar di antara
semua investor institusional. Informasi tentang cakrawala investasi investor institusional diperoleh dari Data Klasifikasi Investor Institusional Brian Bushee (1981–2013).
di mana pt=pt− pt1dankamut=kamut− kamut1. 1juga dikenal sebagai koefisien respon pendapatan, yang menangkap sejauh mana
yang pengembalian sahamnya responsif terhadap laporan pendapatan. Telah didokumentasikan bahwa koefisien respon
pendapatan dipengaruhi oleh faktor-faktor termasuk tingkat diskonto, peluang pertumbuhan, dan sifat pendapatan (misalnya,
Collins dan Kothari, 1989). Literatur belum membahas dampak psikologi investor pada hubungan laba-kembali.
Berdasarkan fungsi nilai masalah optimasi manajer (persamaan (8),(12), dan(17)), pendapatan yang dilaporkan secara bebas
dapat dinyatakan sebagai fungsi dari pendapatan sebenarnya, akumulasi akrual diskresioner, dan harga tertinggal:
kamut=β0+β1θt+β2sebuaht1+β3pt1+εt. (20)
Menggabungkanpersamaan (19)dan(20)mengarah ke model regresi berikut:
pt=ϕ0+ϕ1 θt+ϕ2 sebuaht1+ϕ3 pt1+νt (21)

di mana θt=θt− θt1, sebuaht1=sebuaht1− sebuaht2, pt1=pt1− pt2,ϕ0= 0, ϕ1= 1β1,ϕ2= 1β2, danϕ3= 1β3.ϕ1topi-
menunjukkan hubungan antara pendapatan sebenarnya dan pengembalian saham.ϕ2menangkap dampak kendala akrual pada
pengembalian saham. Sebuah negatifϕ2konsisten dengan temuan empiris bahwa akrual diskresioner, yang sama dengan perubahan
akumulasi akrual diskresioner, secara negatif memprediksi pengembalian di masa depan (Xie, 2001).17ϕ3menangkap autokorelasi
pengembalian. Sebuah positif (negatif)ϕ3sugestif dari autokorelasi positif (negatif) dari pengembalian saham, pendorong momentum
pengembalian (pembalikan).
Berikut ini, saya melakukan regresi bentuk tereduksi pada data simulasi dan data aktual. Fokus saya adalah tiga kali lipat. Pertama, saya mempelajari
implikasi dari model yang berbeda dan memberikan "statistik komparatif" berbasis simulasi dari parameter model utama. Kedua, saya menguji apakah
dan sejauh mana keteraturan empiris yang didokumentasikan dalam literatur dapat direplikasi dalam data simulasi. Ketiga, saya menguji apakah
prediksi model-spesifik didukung oleh data aktual ketika perusahaan dikelompokkan berdasarkan model yang paling masuk akal yang disimpulkan dari
estimasi SMM.18
persamaan (19)dan(21)diestimasi pada data simulasi menggunakan masing-masing dari tiga model. Konsisten denganBagian 2.5,
parameter model dasar dikalibrasi sebagai (θ L,θH,π,β,δ)=(1, 2, 0,75, 0,97, 0,06). Berdasarkan strategi pelaporan dan fungsi harga yang
optimal, saya mensimulasikan 200 riwayat pendapatan dan harga saham untuk masing-masing dari tiga model, yang mewakili 200
perusahaan hipotetis. Ambil kepercayaan yang mengubah rezim sebagai contoh. Tanpa kehilangan keumuman, variabel keadaan pada
periode 0 diinisialisasi sebagai berikut: pendapatan sebenarnya tinggi; manajer dengan jujur melaporkan pendapatan; tidak ada akumulasi
akrual diskresioner; dan prioritas investor adalah bahwa kedua rezim memiliki kemungkinan yang sama (q0= 0.5). Berdasarkan keadaan awal,
hukum gerak untuk variabel keadaan, dan aturan keputusan optimal manajer, saya mensimulasikan pendapatan sebenarnya, pendapatan
yang dilaporkan, akumulasi akrual diskresioner, keyakinan investor, dan harga saham selama 100 periode. Untuk menghilangkan dampak
keadaan awal, 10 periode pertama dibuang.
4.2. Hasil regresi berdasarkan data simulasi
Saya pertama-tama meniru hubungan laba-laba dasar,persamaan (19). Hasilnya dilaporkan dalamTabel 3, Panel A. Sebuah koefisien
respon pendapatan positif (yaitu, koefisien pada kamut) didokumentasikan di bawah semua spesifikasi parametrik untuk gain konstan
pembelajaran dan keyakinan perubahan rezim. Besarnya koefisien positif meningkat dengan bobot ditempatkan pada pendapatan terbaru (γ
)di bawah pembelajaran gain konstan (kolom (1)–(3)) dan ketidaksamaan rezim (g) di bawah keyakinan pergeseran rezim (kolom (4)–(6)). Di
bawah keyakinan AIS, koefisien positif padakamuthanya ada ketika keinformatifan yang dirasakan (b) dari laporan pendapatan tinggi (lihat
kolom (7)–(11)). Pola-pola ini konsisten dengan gagasan bahwa ketika investor percaya lebih banyak informasi yang relevan dengan nilai ada
dalam pendapatan terbaru, harga saham akan lebih responsif terhadap pendapatan yang dilaporkan.
Panel B dariTabel 3melaporkan hasil regresipersamaan (21). Di bawah pembelajaran gain konstan (kolom (1)–(3)), karena investor
memberikan bobot yang lebih besar pada laporan pendapatan periode terbaru (yaitu, sebagaiγ meningkat), koefisien pada θ tmeningkat;
koefisien pada sebuaht1menjadi lebih negatif; dan koefisien pada pt1perubahan dari positif ke negatif, yaitu saham
pengembalian menjadi autokorelasi negatif. Ketika investor menempatkan bobot yang lebih besar pada laporan pendapatan pada periode saat ini,
hubungan antara pendapatan sebenarnya dan pengembalian saham kontemporer menjadi lebih kuat, dan manajer memiliki insentif yang lebih besar
untuk meningkatkan pendapatan jangka pendek. Ini memiliki dua konsekuensi. Pertama, kendala pada akumulasi akrual lebih mahal karena setiap
ketidakfleksibelan dalam memanipulasi pendapatan jangka pendek akan dihukum dengan harga saham yang lebih rendah. Kedua, penekanan pada
pendapatan baru-baru ini alih-alih pola jangka panjang menyebabkan pengembalian saham menjadi autokorelasi negatif karena pengembalian
mencerminkan sifat pengembalian rata-rata dari pendapatan sebenarnya ke tingkat yang lebih besar.
Di bawah keyakinan pergeseran rezim (kolom (4)–(6), Panel B), sebagai ketidaksamaan rezim (g) meningkat, koefisien pada θt
meningkat, koefisien pada sebuaht1menjadi lebih negatif, dan koefisien pada pt1berkurang besarnya tetapi kembali
listrik positif. Secara intuitif, ketidakmiripan rezim yang lebih besar menunjukkan bahwa keyakinan investor lebih cenderung berosilasi
dengan laporan pendapatan dan bereaksi terhadap pendapatan periode berjalan. Manajer merasa lebih mahal untuk dibatasi oleh tingkat
17Perhatian harus diambil dalam membuat hubungan antara akrual diskresioner dalam model dan rekan dunia nyata mereka. Dalam model tersebut, pendapatan
sebenarnya dan akrual diskresioner tidak dapat diamati oleh investor. Ini adalah kasus yang membatasi skenario dunia nyata di mana akrual diskresioner tidak
terlihat oleh investor sebagai pendapatan.
18Evaluasi formal model fit dalam hal mereplikasi keteraturan tidak dilakukan dalam penelitian ini. Analisis tersebut akan menggunakan metodologi inferensi tidak langsung untuk
menentukan apakah data yang disimulasikan dari model tertentu dapat digunakan untuk mereplikasi perkiraan yang diperoleh dengan menggunakan data aktual dalam regresi
bentuk tereduksi yang diberikan (Gourieroux dan Monfort, 1996).
Tabel 3
Analisis regresi berdasarkan data simulasi
Panel A: pt= 0+1 kamut+εt
Harapan Keuntungan konstan Pergeseran rezim SIA
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
Parameter γ γ γ g g g (λ,b) (λ,b) (λ,b) (λ,b) (λ,b)
Kalibrasi 0,01 0,05 0,10 0,60 0,75 0,90 (0,60, 0,75) (0,70, 0,75) (0,75, 0,80) (0,75, 0,85) (0,75, 0,95)
Dep. var. pt pt pt pt pt pt pt pt pt pt pt
Mencegat 0,000 − 0,001∗ 0,002∗∗ 0,000 − 0,000 − 0,002∗∗ 0,000 0,001∗∗ 0,000 0,000 0,002∗
(−0.64) (−1.79) (2.30) (−0,76) (−0,06) (−1,99) (−0,03) (−2.04) (0,76) (−0,53) (−1.72)
kamut 0,012Belaka 0,463Belaka 0,621Belaka 0,042Belaka 0,132Belaka 0.216Belaka 0,001 0,001 0,000 0,008∗∗ 0,012∗∗
(82,02) (41,30) (50,58) (181.28) (90.16) (42.83) (−0.72) (−0,53) (−0,03) (2.19) (2.38)
Obs. 18,000 18,000 18.000 18.000 18.000 18.000 18.000 18.000 18.000 18.000 18.000
Adj.R2 0,495 0,630 0,528 0,651 0.281 0,091 0,000 0,000 0,000 0,000 0,000
Panel B: pt=ϕ0+ϕ1 θt+ϕ2 sebuaht1+ϕ3 pt1+νt
Harapan Konstan-gain Pergeseran rezim SIA
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
Parameter γ γ γ g g g (λ,b) (λ,b) (λ,b) (λ,b) (λ,b)
Kalibrasi 0,01 0,05 0,10 0,60 0,75 0,90 (0,60, 0,75) (0,70, 0,75) (0,75, 0,80) (0,75, 0,85) (0,75, 0,95)
Dep. var. pt pt pt pt pt pt pt pt pt pt pt
Mencegat 0,000Belaka 0,001 0,005Belaka 0,000Belaka 0,001Belaka 0,000 0,000∗ 0,000 0,001∗∗ 0,002∗∗ 0,000
(−7.52) (1.31) (3.19) (4.49) (2.71) (0.37) (1.69) (0.37) (2.19) (2.25) (0.16)
θt 0,013Belaka 0,096Belaka 0.192Belaka 0,050Belaka 0,162Belaka 0.260Belaka 0,000 0,001 0,002 0,002 0,002
(81.56) (8.75) (15.63) (278.59) (96.15) (39.21) (−0.60) (−0.82) (−0.98) (0.90) (0,57)
sebuaht1 0,007Belaka−0.277Belaka−0,396Belaka−0,051Belaka−0,181Belaka−0.343Belaka−0,084Belaka 0.210Belaka 0,384Belaka 0,425Belaka 0,517Belaka
(−16.14) (−34,93) (−40.08) (−883,76) (−90,41) (−33,73) (−9.69) (−9.87) (−10.40) (−10.20) (−6.95)
pt1 0,112Belaka 0.277Belaka 0,131Belaka 0,496Belaka 0,445Belaka 0.255Belaka 0,493Belaka − 0,480Belaka − 0,463Belaka 0,481Belaka 0,491Belaka
(20.14) (−22.39) (−11.73) (488.66) (120.31) (33.96) (−94.10) (−84,78) (−90.42) (−90.57) (−92.56)
Obs. 18.000 18.000 18.000 18.000 18.000 18.000 18.000 18.000 18.000 18.000 18.000
Adj.R2 0,487 0,345 0.234 0.874 0,462 0,151 0.245 0,232 0.217 0.235 0,242
Tabel ini melaporkan hasil regresi berdasarkan data simulasi di bawah tiga model ekspektasi investor: pembelajaran gain konstan, keyakinan perubahan rezim, dan
keyakinan AIS. Parameter model dasar dikalibrasi sebagai (θ L,θH,π,β,δ)=(1, 2, 0,75, 0,97, 0,06). Untuk keyakinan yang mengubah rezim, (k1,k2)=(0.10, 0.30). Untuk
setiap kalibrasi, model regresi pt=0+1 kamut+εt(Panel A) atau pt=ϕ0+ϕ1 θt+ϕ2 sebuaht1+ϕ3 pt1+νt(Panel B) diperkirakan
pada sampel 200 "perusahaan" selama 90 periode. Kokoht-statistik, dilaporkan dalam tanda kurung, didasarkan pada deviasi standar yang dikelompokkan berdasarkan "perusahaan."∗,∗∗ danBelaka
menunjukkan signifikansi statistik pada tingkat 0,10, 0,05, dan 0,01, masing-masing, berdasarkan uji dua sisi.
akumulasi akrual. Pengembalian menjadi kurang berkorelasi positif secara autokorelasi semakin dekat mereka melacak proses pendapatan rata-rata-
pengembalian yang sebenarnya, tetapi koefisien tetap positif karena, tidak seperti kasus pembelajaran gain konstan, pergeseran rezim diasumsikan
jarang terjadi.
Di bawah keyakinan AIS (kolom (7)–(11), Panel B), perubahan pendapatan sebenarnya (θ t) tidak menjelaskan perubahan harga. Sebagai persepsi
investor tentang persistensi pendapatan yang sebenarnya (λ) meningkat, koefisien pada sebuaht1menjadi lebih negatif, sedangkan
koefisien pada pt1menjadi kurang negatif (kolom (7)–(8)); sebagai persepsi investor tentang keinformatifan laba (b)
meningkat, koefisien pada keduanya sebuaht1dan pt1menjadi lebih negatif (kolom (9)–(11)). Secara intuitif, ketika investor
menganggap pendapatan sebenarnya sebagai pendapatan yang persisten atau laporan pendapatan yang lebih mengungkapkan pendapatan sebenarnya, mereka
akan menghukum pendapatan yang rendah pada periode saat ini dengan lebih parah. Oleh karena itu, biaya marjinal dari kendala yang lebih mengikat menjadi lebih
besar bagi manajer. Karena tingkat manajemen laba yang tinggi, laba sebenarnya tidak dihargai dalam pengembalian saham. Persistensi yang dirasakan lebih besar
meningkatkan (menurunkan) autokorelasi pengembalian positif (negatif). Keinformatifan laporan pendapatan yang dirasakan lebih besar menyebabkan
pengembalian lebih dekat melacak pendapatan yang dilaporkan, yang dalam jangka panjang melacak proses pengembalian rata-rata dari pendapatan sebenarnya.
Mendasari hasil adalah gagasan umum bahwa isi informasi dari laba yang dilaporkan berisi dua komponen: informasi tentang
profitabilitas yang benar dan informasi tentang kendala pada kebijaksanaan manajerial. Seberapa penting setiap komponen dalam
menjelaskan keteraturan berbasis akuntansi bergantung pada sifat dan kekuatan sentimen investor serta motivasi manajer untuk
memenuhi sentimen tersebut. Pola autokorelasi dalam pengembalian saham, di sisi lain, mencerminkan tradeoff antara kegigihan
kepercayaan investor dan pengembalian rata-rata dari pendapatan yang sebenarnya.
Secara bersama-sama, hasil regresi berdasarkan data simulasi menunjukkan bahwa (i) ketiga model dapat menghasilkan
koefisien respon laba yang positif, kecuali dalam kasus keyakinan AIS dengan keinformatifan laba yang dirasakan rendah; (ii) ketiga
model memprediksi anomali akrual diskresioner untuk rentang nilai parameter yang agak luas; (iii) keyakinan pergeseran rezim
lebih mampu menjelaskan momentum pengembalian, sedangkan dua model lainnya lebih mampu menjelaskan pembalikan arah;
dan (iv) besarnya keteraturan yang diprediksi bervariasi secara substansial dengan parameterisasi model.
Hasil regresi menjelaskan seberapa baik setiap model menjelaskan keteraturan empiris yang berbeda, banyak di antaranya tidak dapat
ditangkap oleh momen konvensional sederhana. Dalam hal ini, analisis ini melengkapi estimasi SMM yang mengevaluasi kecocokan
keseluruhan model dalam menjelaskan momen.
4.3. Koneksi ke data aktual
Masih menjadi pertanyaan empiris apakah prediksi model dikonfirmasi dalam data aktual. Untuk menjawab pertanyaan ini, saya
memeriksa apakah hasil regresi berdasarkansebenarnyadata konsisten dengan prediksi berdasarkan simulasidata.
Empat variabel berikut digunakan dalam analisis regresi data aktual: perubahan pendapatan sebenarnya ( t),mengubah
θ sebuah
dalam laba yang dilaporkan ),perubahan dalam akumulasi akrual diskresioner (sebuahsebuah ), dan pengembalian saham (rsebuah
t sebuah
kamu
t1 t). θ sebuah
t dan tadalah
kamusebuah
(perbedaan pertama dariθ sebuaht dankamusebuaht,masing-masing. Selisih tertinggal dalam akumulasi akrual diskresioner,
t1
sebuahsebuah, adalah sama dengan
akrual diskresioner tertinggal dibagi dengan jumlah saham yang beredar.19Lebih detail diθ sebuah
sebuah
t, kamu
t disediakan
t,and rsebuah
diBagian 3danLampiran D.
Tabel 4melaporkan hasil regresi dengan menggunakan data yang sebenarnya. Panel A melaporkan hubungan laba-pengembalian dasar dengan regresi
pengembalian saham atas laba yang dilaporkan.persamaan (19)diperkirakan pada enam sampel berbeda: sampel lengkap perusahaan Compustat, perusahaan S&P
500, perusahaan non-S&P 500, dan masing-masing dari tiga kelompok yang diidentifikasi dengan model yang paling masuk akal yang diperkirakan dalamBagian 3.
Hasil umumnya mengkonfirmasi temuan sebelumnya dari koefisien respon pendapatan positif (misalnya,Kothari, 2001), kecuali untuk kelompok perusahaan
pembelajaran dengan keuntungan konstan. Karena grup ini hanya mencakup 16 perusahaan, saya melihat hasil yang tidak signifikan sebagai tidak meyakinkan.
Panel B dariTabel 4melaporkan hasil regresi daripersamaan (21)untuk data aktual, sekali lagi diperkirakan pada enam sampel yang berbeda
mohon Untuk sampel lengkap (kolom (1)), koefisien pada θ sebuah tpositif dan signifikan (0,002,t-stat.=7.22), koefisien
pada t1 negatif dan signifikan (-0,002,t-stat. = -7.28), dan koefisien padarsebuah
sebuahsebuah
t1 positif dan signifikan (0,030,
t-stat. = 6,08). Hasil ini konsisten dengan anomali akrual diskresioner dan momentum pengembalian. Hasil serupa diperoleh dengan
menggunakan perusahaan S&P 500 dan perusahaan non-S&P 500 (Panel B, kolom (2)–(3)).
Panel C melaporkan hasil regresi untuk masing-masing industri 12 Fama-Perancis.20Pada hasil regresipersamaan (19),
koefisien darikamusebuah tpositif dan signifikan untuk semua kecuali dua industri. Pada hasil regresipersamaan (21), untuk delapan keluar
dari 12 industri, koefisien pada θ sebuah tpositif dan koefisien pada
t1 negatif.
sebuah sebuah
Lebih penting lagi, kolom (4)–(6) Panel A dan B melaporkan hasil untuk subsampel perusahaan yang dikelompokkan menurut model yang
paling masuk akal. Jika estimasi SMM menghasilkan klasifikasi perusahaan yang valid, hasil yang menggunakan data aktual untuk setiap
kelompok harus secara kualitatif mirip dengan yang menggunakan data simulasi di bawah model yang sesuai. Kelompok belajar
constantgain, sekali lagi, tidak memiliki kekuatan statistik karena ukuran sampel yang kecil. Untuk dua kelompok lainnya, saya menemukan
pola yang sebagian besar konsisten dengan hasil regresi menggunakan data simulasi. Misalnya, koefisien padarsebuaht1 tidak signifikan untuk
sampel AIS, tetapi positif untuk sampel pergeseran rezim (Panel B). Temuan ini mendukung validitas deskriptif kerangka kerja.
Secara keseluruhan, ada dua wawasan utama dari analisis regresi. Pertama, untuk memahami hubungan antara informasi akuntansi dan
pengembalian saham, penting untuk melihat pendapatan dan akrual sebagai hasil endogen dan kontrol untuk faktor-faktor yang dapat
mempengaruhi keputusan pelaporan. Faktor-faktor tersebut termasuk akumulasi akrual diskresioner tertinggal dan harga tertinggal. Kedua,
keteraturan empiris yang tampaknya tidak terkait dapat dihubungkan melalui model yang menggabungkan harapan investor, kebijaksanaan
pelaporan, dan kendala akrual.
5. Penutup
Saya mempelajari tiga model ekspektasi investor (yaitu, pembelajaran keuntungan konstan, keyakinan pergeseran rezim, dan keyakinan AIS) dalam
masalah manajemen laba yang dinamis dan implikasinya terhadap harga aset. Model-model ini mencakup berbagai kemungkinan tentang bagaimana
investor menafsirkan laporan pendapatan dan memperkirakan pendapatan masa depan.
Dua jenis analisis dilakukan: estimasi SMM dan analisis regresi bentuk tereduksi. Sementara estimasi SMM mengevaluasi model
fit sehubungan dengan momen yang dipilih, analisis regresi berbicara tentang validitas deskriptif model sehubungan dengan
keteraturan empiris termasuk anomali akrual dan momentum kembali. Estimasi SMM mengungkapkan bahwa keyakinan AIS dan
keyakinan pergeseran rezim paling baik menjelaskan momen empiris masing-masing sekitar 63% dan 32% dari perusahaan S&P 500.
Analisis regresi menunjukkan bahwa ketiga model menawarkan prediksi yang berbeda tentang keberadaan dan besarnya
keteraturan empiris pada angka akuntansi dan pengembalian saham, termasuk anomali akrual diskresioner dan momentum
pengembalian. Keseluruhan,
Studi ini dapat diperluas dalam beberapa hal. Kerangka teoritis sangat bergaya, menampilkan investor netral risiko dan variabel biner, di
antara penyederhanaan pilihan pemodelan. Meskipun fitur-fitur ini tidak mungkin merusak validitas latihan empiris dalam penelitian ini,
penelitian masa depan dapat mengembangkan model yang lebih lengkap untuk memberikan prediksi yang lebih kaya. Selain itu, batasan
manajemen laba menetapkan bahwa manajer tidak dapat memanipulasi laba ke arah yang sama selama lebih dari dua periode berturut-turut.
Batasan ini dapat diparameterisasi untuk menawarkan statika komparatif pada dampak peraturan. Terakhir, penelitian ini berfokus pada
manajemen laba berbasis akrual. Penelitian di masa depan juga dapat memeriksa bagaimana manajer menggunakan keputusan investasi
atau produksi untuk memanipulasi pendapatan.
19Ingat itu daripersamaan (2), t1=kamu

sebuah t1
sebuah sebuah − θ sebuaht1,di manakamusebuaht1− θ sebuaht1adalah akrual diskresioner dalam periodet− 1.
20Klasifikasi industri tersedia dari situs web Ken French:http://mba.tuck.dartmouth.edu/pages/faculty/ken.french/Data_Library/det_12_ind_port. html.
Tabel 4
Analisis regresi berdasarkan data aktual.
Panel A:ra t=0 + 1ya t+εt
(1) (2) (3) (4) (5) (6)

Harapan
Sampel sampel lengkap S&P 500 Non-S&P Konstan- Rezim- SIA

perusahaan 500 perusahaan memperoleh pergeseran
Dep. var. ra ra ra ra ra ra
t t t t t t
Mencegat 0,018Belaka 0,011Belaka 0,019Belaka 0,008 0,016Belaka 0,007Belaka
(30.97) (9.18) (29.81) (1.29) (6.20) (5.20)
ya 0,004Belaka 0,002Belaka 0,004Belaka 0,000 0,003∗∗ 0,002Belaka
t
(11,99) (3.79) (11,73) (−0,06) (2.34) (2.63)
Obs. 89.578 12.673 76.905 474 3.744 6.913
Adj.R2 0,003 0,002 0,003 0,002 0,002 0,002
Panel B:ra t=ϕ0 +ϕ1 t +

θ sebuah ϕ2 AA + ϕ3ra + νt
t1 t1
(1) (2) (3) (4) (5) (6)
Harapan
Sampel sampel lengkap S&P 500 Non-S&P Konstan- Rezim- SIA

perusahaan 500 perusahaan memperoleh pergeseran
Dep. var. ra ra ra ra ra ra
t t t t t t
Mencegat 0,017Belaka 0,010Belaka 0,019Belaka 0,005 0,015Belaka 0,006Belaka
(27,47) (7.92) (26.50) (0.94) (5.82) (4.70)
θ sebuah
t 0,002Belaka 0,001Belaka 0,002Belaka 0,001 0,003Belaka 0,000
(7.22) (2.93) (6.48) (−0.71) (4.25) (0.69)
AA 0,002Belaka 0,002Belaka 0,002Belaka 0,002 0,002∗ 0,002Belaka
t1
(−7.28) (−3.95) (-6.42) (−1.06) (−1.71) (−3.83)
ra 0,030Belaka 0,041Belaka 0,028Belaka 0,187Belaka 0,091Belaka 0,006
t1
(6.08) (3.29) (5.43) (4.77) (4.20) (0.39)
Obs. 71.727 10.606 61.121 409 3,423 6.310
Adj.R2 0,002 0,003 0,002 0,036 0,012 0,001
Panel C: Regresi menurut industri
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11) (12)
Industri Konsumen Konsumen pabrik. energi Bahan kimia Bisnis Telekomunikasi. Keperluan Toko Keuangan Kesehatan Lainnya
NonDur. tahan lama Eqpt.
Dep. var. ra ra ra ra ra ra ra ra ra ra ra ra
t t t t t t t t t t t t
1ya t+εt
ra
t=0 +
ya 0,005Belaka 0,003Belaka 0,003Belaka 0,005Belaka 0,000 0,006Belaka 0,002 0,002∗ 0,007Belaka 0,005∗∗ 0,003Belaka 0,003Belaka
t
(5.16) (2.99) (4.22) (4,97) (0.28) (5.67) (0.69) (1.92) (5.52) (2.12) (5.27) (4.38)
t=ϕ0 +ϕ1
ra
t +
θ sebuah ϕ2 AA + ϕ3ra + νt
t1 t1
θ sebuah
t 0,006Belaka 0,002Belaka 0,001∗∗ 0,004Belaka 0,001 0,006Belaka 0,001 0,005Belaka 0,002∗∗ 0,004Belaka 0,001∗ 0,001∗∗
(4.49) (2.92) (2.18) (6.24) (0,54) (5.31) (0,38) (3.29) (2.53) (2.62) (1.77) (2.43)
AA 0,007Belaka 0,002∗∗ 0,004Belaka 0,001 0,004∗∗ 0,006Belaka 0,003 0,003Belaka 0,003Belaka 0,001 0,001∗ 0,002∗∗
t1
(-4.03) (-2.06) (-4.64) (-0.95) (-2.09) (-4.28) (-1.59) (-2,79) (-2.66) (-0.51) (-1,83) (-2.35)
ra 0,027 0,047∗ 0,029∗∗ 0,022 0,057∗ 0,021∗ 0,030 0,041∗∗ 0,021 0,018 0,023 0,040Belaka
t1
(1.47) (1.92) (2.54) (1.04) (1.85) (1.89) (0.48) (2.51) (1.51) (1.04) (1.27) (3.26)
Ini meja laporan itu regresi hasil pada itu sebenarnya data.
berdasarkan Itu regresi model r
t = 0+ t+εt
1 kamu (Panel A) sebuah sebuah
atau t =ϕ0+ϕ1
rsebuah θ sebuah +ϕ sebuah t1+ϕ3rsebuaht1+νt
t 2 sebuah (Panel B) diperkirakan pada enam sampel berbeda: sampel lengkap Compustat
perusahaan, perusahaan S&P 500, perusahaan non-S&P 500, dan masing-masing dari tiga kelompok ditentukan oleh model ekspektasi investor yang paling masuk
akal yang diperkirakan dalamBagian 3. Panel C melaporkan koefisien terpilih dari hasil regresi untuk masing-masing industri 12 Fama-Perancis. Data aktual
dikumpulkan dari Compustat dan CRSP selama periode 1971–2014. Untuk sebuah perusahaan untuk dimasukkan dalam sampel, saya mensyaratkan bahwa (i) ada
setidaknya 20 tahun berturut-turut data yang tersedia dan (ii) nilai absolut dari koefisien autokorelasi pendapatan sebenarnya kurang dari 1 (lihatLampiran D).
Penghasilan sebenarnya (θ t)adalah laba bersih dikurangi akrual diskresioner dibagi dengan jumlah saham yang beredar, di mana akrual diskresioner adalah rata-ratanya
sebuah
total aset dikalikan dengan sisa dari varianDechow dan Dichev (2002)model. Penghasilan yang dilaporkan (kamusebuah t)adalah laba bersih sebelum luar biasa
item dibagi dengan jumlah saham yang beredar. θ tdan tdiperoleh dengan mengambil selisih pertama dariθ sebuah tdankamusebuaht,masing-masing. yang tertinggal
kamu sebuah sebuah
perbedaan dalam akumulasi akrual diskresioner, t1,sama dengan akrual diskresioner tertinggal dibagi dengan jumlah saham yang beredar. Saham
sebuah sebuah
kembali (rsebuaht)adalah pengembalian kumulatif yang disesuaikan dengan beta di jendela 32 hari perdagangan [−30,1] sekitar tanggal pengumuman laporan laba rugi tahunan, dimana
beta dihitung berdasarkan model pasar menggunakan pengembalian harian bulan sebelumnya. Rincian lebih lanjut tentang definisi variabel disediakan diLampiran D. Kokoht
-statistik, dilaporkan dalam tanda kurung, didasarkan pada standar deviasi yang dikelompokkan berdasarkan perusahaan.∗,∗∗ danBelakamenunjukkan signifikansi statistik pada tingkat
0,10, 0,05, dan 0,01, masing-masing, berdasarkan uji dua sisi.
Lampiran A. Harapan rasional
Dalam lampiran ini, saya menguraikan konsep ekuilibrium ketika investor memiliki ekspektasi rasional (RE). Saya fokus pada
keseimbangan ekspektasi rasional Markovian yang stasioner (REE) di mana distribusi probabilitas variabel keadaan tidak berubah
sepanjang waktu dan strategi pelaporan manajer bergantung pada sejarah hanya melalui keadaan saat ini. Kondisi yang diperlukan
untuk keseimbangan seperti itu dicirikan.
Di bawah asumsi ekspektasi rasional, investor memahami strategi pelaporan manajer, yaitu, hubungan antara laporan
pendapatan dan variabel keadaan yang mendasarinya. Fungsi harga mencerminkan upaya perwakilan investor untuk menyimpulkan
pendapatan sebenarnya yang mendasari perusahaan berdasarkan riwayat laporan pendapatan.
Lemma A.1.Di bawah ekspektasi rasional, harga saham pada akhir periode t diberikan oleh
(( )1 )
1
pt=pt |
ULANG(kamut)=Mt kamut· − Sayaθ , (A.1)
δ
Saya−
1+
dimana Mt|kamut[Pr(θt=θ L|kamut),Pr(θt=θH|kamut)],saya adalah 2×2 matriks identitas, danθ̄ = [θ L,θH]′.
Keputusan pelaporan manajer dapat bervariasi dari Markovian hingga yang bergantung pada sejarah, bergantung pada bagaimana aturan
keputusan memasukkan informasi masa lalu. Aturan keputusan Markovian bergantung pada sejarah hanya melalui keadaan saat ini (dalam penelitian
ini,xt). Aturan keputusan yang bergantung pada sejarah bergantung pada seluruh sejarah negara bagian dan tindakan. Aturan keputusan yang
bergantung pada sejarah lebih umum daripada aturan keputusan Markovian (Puterman, 2005).
Dalam ekuilibrium, dugaan investor tentang distribusi probabilitas gabungan dari keadaan tersembunyi dan riwayat laporan pendapatan
adalah sama dengan distribusi ekuilibrium, yang pada gilirannya ditentukan oleh keputusan pelaporan manajer. Berikut ini, saya
mendefinisikan REE dengan aturan keputusan yang bergantung pada sejarah, sebelum mempelajari kasus aturan keputusan yang lebih ketat
tetapi lebih mudah diatur (yaitu, Markovian).
Definisi A.1.Ekuilibrium ekspektasi rasional (REE) adalah seperangkat keputusan pelaporankamut(xt,kamut1),hukum gerak untuk variabel keadaan(xt,
kamut1),keyakinan investorμt(xt,kamut), dan harga sahampt(kamut), seperti yang
t
(i) Keputusan pelaporankamut(x,kamu t1)adalah solusi untuk masalah optimasi manajer:
{ [V ]}
VULANG
t (x t,kamut1)=maksimalKe atast ( kamu , kamut))+βEt
ULANG t1 ULANG
t+1 (x
t+1
, kamu )
t (A.2)
yt
t(·)adalah fungsi nilai periodet;

di manaVULANG
(ii) Hukum gerak untuk variabel keadaan(xt,kamut1)ditentukan olehpersamaan (1)–(2), kendala akrualpersamaan (3), dan
keputusan pelaporan;
(iii) Keyakinan investor konsisten dengan hukum gerak untuk variabel negara bagian; fungsi harga adalahpULANG(·)diberikan oleh persamaan
(A.1).
Dengan aturan keputusan yang bergantung pada sejarah, dimensi ruang keadaan tumbuh secara eksponensial dari waktu ke waktu. Hal
ini membuat masalah pelaporan tidak dapat diselesaikan.21Untuk menghindari masalah ini, saya fokus pada kesetimbangan di mana variabel
keadaanxtsesuai dengan distribusi probabilitas invarian (stasioner) dan keputusan manajer adalah Markovian. Kondisi stasioneritas secara
efektif membatasi ruang keadaan untukX, praktik standar dalam literatur dinamika ekonomi.
Definisi A.2.REE Markovian stasioner adalah REE di mana distribusi gabungan dari negara bagian adalah invarian dari waktu ke waktu dan
aturan keputusan manajer adalah Markovian, yaitu, tergantung pada sejarah hanya melalui status saat ini.
Dalam REE Markovian stasioner, strategi pelaporan dapat diwakili oleh vektors= [sj]6×1,dimanaj-Elemen ke-th adalah probabilitas
bahwa pendapatan rendah dilaporkan ketikaxt=xj,
sj=Pr(kamut=θ L|xt=xj). (A.3)

Membiarkanμ[μsaya]6×1menjadi distribusi stasioner dari variabel keadaanxt. Proposisi berikut menyatakan kondisi yang diperlukan untuk
keseimbangan seperti itu.
Proposisi A.1.Kondisi yang diperlukan untuk REE Markovian stasioner adalah bahwa matriks transisi = [Pr(xt+1=xj|xt=xsaya;s)]
diberikan oleh
⎡ ⎤
πs1 (1s1) 0 (1)s1 (1)(1s1) 0
⎢ 0 πs2 (1s2) 0 (1)s2 (1)(1s2) ⎥
⎢ 0 0 π 0 0 1π ⎥
=⎢ ⎢ ⎥⎥; (A.4)
1π 0 0 π 0 0
⎣ ⎦
(1)s5 (1)(1s5) 0 πs5 (1s5) 0
0 (1)s6 (1π )(1s6) 0 πs6 (1s6)
distribusi probabilitas negara bagian,μ,diberikan oleh
μ̃
μ= (A.5)
<μ̃,e>
21Masalah pelaporan manajer didefinisikan dalamDefinisi A.1adalah masalah keputusan Markov adaptif. Dalam masalah keputusan Markov yang khas (misalnya,
Puterman, 2005), diasumsikan bahwa data masalah (fungsi reward, probabilitas transisi, set keputusan) stasioner (homogen waktu), dan fungsi reward (utilitas) hanya
didasarkan pada status dan tindakan periode saat ini (Puterman, 2005). Dalam model ini, utilitas adalah fungsi dari harga saham yang bergantung pada seluruh
riwayat tindakan. Karena sifat tidak homogen dari fungsi penghargaan, model tidak dapat diselesaikan secara analitis; bahkan komputasi mencirikan model seperti
itu akan sangat mahal.
di mana
⎡ ( ) ⎤
(1)s2+(1 2s2)s5s6
( )
⎢ (1)(1s1)1s5+(1 + 2s5)s ⎥
⎢ ( )(
6 )
⎢⎢(1)(1s 2)1s5− (1 2s5) 1s6− (1 − 2s6) ⎥⎥
μ=⎢ ( )( ) ⎥ (A.6)
⎢ s1+(1 2s1) s2+(1 2s 2)s 5s6 ⎥
⎢ ( ) ⎥
⎣ (1)(1s1)s2( + (1 2s2)s6 ⎦
)
(1)(1s1)(1s2)1s5+(1 + 2s5)
1 ∑3 saya∑ 6 saya 1
daneadalah6×1vektor satu; investor kepercayaan diberikan oleh M|yt=θ L= saya=1μ ssaya , μ
saya= 4 ssaya]dan M|yt=θH=
<μ,s>· [ <μ,e−s>·
∑ ∑6
[3 saya=1μsaya(1 − s ), saya= 4μsaya(1ssaya)],dimana <· , ·>menunjukkan produk dalam dari dua vektor.
saya
Aturan keputusan dapat bersifat deterministik atau acak, tergantung pada bagaimana aturan tersebut memilih tindakan. Aturan
keputusan deterministik memilih laporan pendapatan dengan pasti, yaitu,sj{0, 1},∀j. Di sisi lain, aturan keputusan acak menentukan distribusi
probabilitas atas kumpulan laporan pendapatan yang mungkin. Saya fokus pada REE Markov yang deterministik.
Lemma A.2.Kondisi yang diperlukan untuk REE Markovian yang stasioner dan deterministik dengan probabilitas positif untuk setiap keadaan adalah
aturan keputusan dan distribusi probabilitas yang diberikan oleh salah satu dari empat skenario berikut:
(saya)s= [1,1,1,0,0,0]danμ = [μ1,μ2,1/2μ1− μ2,μ1,μ2,1/2μ1− μ2]′,untuk0<μ1,μ2<1;

(ii)s= [1,0,1,0,0,1]danμ = [μ1, (1)(1/2μ1),(1/2μ1),μ1,(1/2μ1), (1)(1/2μ1)]′,untuk0<μ1<1;
(aku aku aku)s= [0,1,1,0,1,0] dan μ = [(1)(1/2μ3),(1/2μ3),μ3,(1/2μ3), (1)(1/2μ3),μ3,]kan, untuk
0<μ3<1;
(iv)s= [0,0,1,0,1,1]danμ =(1//2(2)))· [1π,1π,π,π,1π,1π]′.
Agar ekuilibrium kandidat ada, kondisi "kesesuaian insentif" manajer, seperti yang tersirat oleh:persamaan (A.28), harus puas.
Kondisi kompatibilitas insentif mengharuskan diberikan distribusi stasioner dan kepercayaan investor, manajer lebih baik dengan
memilih strategi pelaporan yang diberikan relatif terhadap strategi layak lainnya. Kondisi ini sulit untuk dikarakterisasi secara
analitis. Saya secara numerik memeriksa apakah strategi pelaporan optimal untuk manajer dengan serangkaian nilai parameter
tertentu.
Perhatikan contohs= [1,1,1,0,0,0] (pelaporan yang jujur). Diketahui dari Lemma A.2 bahwa di bawah strategi pelaporan ini
distribusi stasioneritas tersirat diberikan olehμ = [μ1,μ2,1/2μ1− μ2,μ1,μ2,1/2μ1− μ2]′,untuk 0<μ1,
μ2<1. Berdasarkan distribusi stasioner, kita dapat memperoleh keyakinan dan harga investor. Selanjutnya, fungsi nilai dapat diselesaikan sebagai solusi
untuk sistem persamaan yang diberikan olehpersamaan (A.28)dan strategi pelaporan. Langkah terakhir adalah menemukan kondisi untuk parameter
model yang membuat strategi pelaporan ini kompatibel dengan insentif. Perhatikan bahwaμ1danμ2dapat mengambil nilai apa pun antara 0 dan 1. Hal
ini ditunjukkan, dengan memeriksa rentang yang luas dari kemungkinan nilaiμ1,μ2dan parameter model (yaitu,
θ L,θH,π,β,δ), bahwa aturan keputusans= [1,1,1,0,0,0] tidak optimal untuk pengelola. Oleh karena itu, strategi ini dikesampingkan.
Tiga kandidat strategi lainnya yang disediakan dalam Lemma A.2 dapat dievaluasi secara analog. Dapat ditunjukkan bahwa keseimbangan
Markovian yang stasioner dan deterministik tidak ada untuk rentang nilai parametrik yang agak lebar, termasuk nilai yang digunakan dalam
analisis simulasi (yaitu, (θ L,θH,π,β,δ)=(1, 2, 0,75, 0,97, 0,06)).
Lampiran B. Bukti
Bukti Lemma 1.Di bawah pembelajaran gain konstan, pendapatan yang dilaporkan dianggap mengikuti proses Markov dengan tran-
matriks posisi t.Penghasilan masa depan yang diharapkan diberikan olehEt[kamut+s|kamut=θ j] = [ tsθ ]j,di mana [ s
tθ ]jmenunjukkanjbaris ke tiga tsθ .
1
Perhatikan bahwa 0< 1+< 1 memastikan konvergensi1 1+δ
+ (1+)21
2+...= (Saya− 1
1+δ
) 1− Saya. Oleh karena itu, fungsi harga adalah
diberikan oleh
[(( )1 )]
∑∞ 1 1
pCG(kamut,π̂t)= Et[yt+s|kamut=θ j,π̂t] = t − Sayaθ (A.7)
(1 +)s δ
Saya−
1+
s=1 j
di manaSayaadalah 2× 2 matriks identitas, t= [πt,1π̂t;1π̂t,π̂t],θ̄ = [θ L,θH]′,danj=1 jikakamut=θ L,danj=2 jikakamut=θH. -
Bukti Lemma 2.Fungsi harga di bawah keyakinan pergeseran rezim dapat ditulis ulang sebagai
∑∞ 1
pRS(kamut, qt)= Et[kamut + s|kamut, qt]. (A.8)
s=1
(1 +)s
Penghasilan yang dilaporkan dapat didekomposisi menjadi konstan dan white noise,
{ θ L=θ L+θH d
2 − 2
kamut= (A.9)
θ H=θ L+θ2H + d
2
di manad=θH− θ L. Karena itu, kamut=

θ L+θH+zt,di manazt∈ {d 2,− d 2 }. Jelas bahwa investor akan melihatztsebagai berikut
2
proses pergantian rezim yang sama sepertikamut. Fungsi harga dapat ditulis sebagai
[ ∣ ]
∑∞ 1 θ L+θ H
∣ θ L+θ H ∑∞ 1
p(kamut)= Et + zt+s∣zt, qt = + E[zt+s|zt, qt]. (A.10)
(1 +)s 2 2δ (1 +)t s
s=1 s=1
Barberis dkk. (1998)buktikan jika investor percaya bahwazt∈ {d 2,− d 2}mengikuti proses pergeseran rezim yang dijelaskan dalam
Bagian 2.4, nilai masa depan yang diharapkan dariztdiberikan oleh
Et[zt+s|zt, qt] =ztξ kan

0Qs (ξ1+ξ2qt) (A.11)
di manaξ0= [1,−1,1,−1]kan,ξ1= [0,0,1,0]kan,ξ2= [1,0,−1,0]kan,dan
⎡ ⎤
(1k1)(1g) (1k1)g k2(1g) k2g
⎢ (1k1)g (1k1)(1g) k2g k2 (1g) ⎥
Q=⎣ ⎦. (A.12)
k1g k1(1g) (1k2)g (1k2)(1g)
k1(1g) k1 g (1k2)(1g) (1k2)g
Berdasarkanpersamaan (A.10)dan(A.11), kita punya
[ ]
θ L+θ H ∑∞ 1
S
pR(kamut, qt)= + ztξ kan Qs (ξ1+ξ2qt)
2δ
[s=1 (1 +)s
0
( )1 ]
θ L+ θ H 1
= + z ξ 0 Saya Q − saya ( + ξ2qt)
2δ 1 +δ
t kan − 1
( )[ ( )1 ]
θ L+θ H θ L +θ H 1
= + kamu − Q (ξ1+ξ2qt).
− Saya (A.13)
2δ 1 +δ
ξ Saya −
0 t kan
2
hukum gerak untukqt, seperti yang diberikan olehpersamaan (11), mengikuti langsung dari penerapan aturan Bayes berikut:
[(1k1)qt1+k2(1qt1)] Pr(kamut|ωt=ωM,kamut1)
qt= . (A.14)
[(1k1)qt1+k2(1qt1)]Pr(kamut|ωt=ωM,kamut1)+ [k1qt1+(1k2)(1qt1)]Pr(kamut|ωt=ωP,kamut1)
Bukti Lemma3.Di bawah keyakinan AIS, pendapatan masa depan yang diharapkan diberikan oleh:Et[kamut+s|ρt] = [ρt,1 sθ .Mengikuti
ρt] argumen konvergensi yang sama seperti pada buktiLemma 1, fungsi harga diberikan oleh
[( )1 ]
∑∞ 1 1
pSIA(kamut,ρt)= Et[kamut+s|ρt] = [ρt,1ρt] − Sayaθ (A.15)
(1 + )s 1 +δ
Saya−
s=1
di manaSayaadalah 2×2 matriks identitas, = [λ,1λ;1λ,λ],danθ̄ = [θ L,θH]′.

hukum gerak untukρt, seperti yang diberikan olehpersamaan (16), mengikuti dari aturan Bayes. Untuk kasuskamut=θ L,
L
ρt(θL,ρt1)=Pr(θt=θ L|kamut=θ ,kamut1)
Pr(kamu t =θ |Lt=θθ L)Pr(θt=θ |kamu

L t1)
=
Pr(kamut=θ θ θ L,kamut1)
L| t=
∑
θt1∈-P ∑ r(kamut =θ L |θt=)PrL(θt=θ L|θt1)Pr(θt1|kamu−1)t
= ∑ Lθ
θt1∈ - Pr(kamut=θ |t)Pr(θt|θt1)Pr(θt1
t− 1)
|kamu
θt∈-
bλρt1+b(1)(1ρt1)
=
[bλρt1+b(1)(1ρt1)] + [(1b)(1)ρt1+(1b)λ(1ρt1)]
b(2λ − 1)ρt1+b(1)
= . (A.16)
(2b− 1)(2λ − 1)ρt1+(1b)λ+b(1)
Kasuskamut=θ Hdapat dibuktikan secara analog. -
Bukti Lemma A.1.Di bawah ekspektasi rasional, investor membentuk keyakinan tentang pendapatan riil yang mendasari dan harga saham
saham yang sesuai. Pendapatan riil masa depan yang diharapkan diberikan olehEt[θt+s|θt=θ j] = [sθ ]j,di mana [sθ ]jmenunjukkan
j-baris ke- sθ .Karena konvergensi urutan pendapatan masa depan yang didiskontokan, fungsi harga diberikan oleh:
] (( )1 )
∑∞ 1 [∑ 2 1
pULANG(kamut)= Pr(θt= θ j|kamu
t
)·Et[θt+s|θt=θ j] =Mt|kamu · − Sayaθ (A.17)
( 1 +) 1 +δ
t Saya−
s
s=1 j=1
L t),Pr(θt=θH|kamut)],Sayaadalah 2×2 matriks identitas, danθ̄ = [θ L,θH]′.

di manaMt|kamut[Pr(θt=θ |kamu -
Bukti Proposisi A.1.Dalam REE stasioner mana pun, riwayat laporan pendapatan tidak dapat menjadi variabel status, dan keputusan pelaporan manajer
hanya bergantung padaxt. Ingatlah bahwa strategi pelaporan adalah vektors= [sj]6×1didefinisikan olehpersamaan (A.3). Kami akan fokus pada strategi
murni:
{
1 jikay(xt=xj)=θ L
sj= (A.18)
0 jikay(xt=xj)=θ H.
Mengingat kendala pada akumulasi akrual,s3= 1 dans4= 0. Vektor probabilitas bahwa pendapatan tinggi dilaporkan diberikan olehe−
s,di manaeadalah 6×1 vektor satuan.
Dalam REE stasioner apa pun, hukum gerak untuk variabel keadaanxtdapat diwakili oleh matriks transisi xj|xt=xsaya,s)]. Sangat = [Pr(xt+1=
mudah untuk menunjukkan bahwa
=diag(s)L+diag(e− s)H (A.19)

di mana Ldan Hadalah matriks transisi untukxtyang sesuai dengan dua kasus khususs=edans=0,masing-masing, dimana
eadalah 6×1 vektor satu dan0adalah 6×1 vektor nol. Berdasarkan hukum gerak untukθ tdansebuaht1,berikut ini
⎡ ⎤
π 0 0 1π 0 0
⎢ 0 π 0 0 1π 0 ⎥
[ ] ⎢ 0 0 π 0 0 1π⎥ ⎥
L= Pr(xt+1=xj|xt=xsaya;s=e) =⎢ ⎢ (A.20)
0 0 0 0 0 0⎦ ⎥
⎣
1π 0 0 π 0 0
0 1π 0 0 π 0
dan
⎡ ⎤
0 π 0 0 1π 0
⎢ 0 0 π 0 0 1π⎥
[ ] ⎢ 0 0 0 0 0 0 ⎥
H= Pr(xt+1=xj|xt=xsaya;s=0) =⎢ ⎢ ⎥ (A . 21)
⎣1 π 0 0 π 0 0 ⎥.
⎦
0 1π 0 0 π 0
0 0 1π 0 0 π
Matriks transisipersamaan (A.4)mengikuti langsung daripersamaan (A.19)–(A.21). Secara intuitif, matriks transisi yang tersirat oleh strategi
pelaporan apa pun dihitung, untuk setiap baris (status), sebagai rata-rata tertimbang dari baris yang sesuai dari Ldan
H, di mana bobot diberikan oleh elemensdane− s. Perhatikan bahwa ungkapan ini berlaku untuk strategi deterministik dan acak.
Distribusi distribusi probabilitas stasionerμ dipersamaan (A.5)diperoleh dengan menyelesaikan
<μ,e>=1 (A.22)
dan
μkan =μkan. (A.23)
Berikut ini, saya membuktikan ekspresi untuk keyakinan investor. Ingat ituMt|kamut[Pr(θ=tθ L |kamut),Pr(θt=θH|kamut)]. Karena
Properti Markovian dari keputusan pelaporan, informasi yang terkandung dalam sejarah pendapatan yang dilaporkankamutsetara dengan yang
terkandung dalamkamut. Karena itu,
M|kamut=θ L= [Pr(θt=θ L|kamut=θ L),Pr(θt= θ H|kamut=θ L)] . (A.24)
Menerapkan aturan Bayes,
=θ L|θt=) LPr (θt=θ L)

Pr(θt=θ )=
Pr(kamut
|kamut=θ L
θ L)
L
Pr(kamut=
Pr(kamut= θ L|θt=)PrL (θt=θ L)

= H ) Pr(θt=θ H)
Pr(kamut=θ L|θt=θ L)Pr(θt=θ L)+Pr(kamut=θ L|θt=θ
∑3 saya
∑3 saya
saya=1μ ssaya saya=1μ ssaya.
=∑ ∑ = (A.25)
3
saya=1 μ saya
ssaya+
6
saya= 4
saya
μ ssaya <μ,s >
Berikut ini
∑3
Pr(θt=θ H |kamut=θ L)=1 saya=1 μ sayas
saya
. (A.26)
<μ,s >
Karena itu,
[∑3 saya
∑ 3 saya
]
saya=1μ ssaya saya=1μ ssaya
M|kamut=θ L= ,1 . (A.27)
<μ,s > <μ,s >
Ekspresi untukM|yt=θH dapat diturunkan secara analog. -
Bukti Lemma A.2.Dalam REE Markovian stasioner, fungsi nilai adalah solusi untuk sistem enam persamaan berikut:
v1= maks{ln(pL)+β[(1)v4+πv1],ln(pH)+β[(1)v5+πv2]} v2= maks{ln(pL)+β[(1

)v5+πv2],ln(pH)+β[(1)v6+πv3]}
v3= ln(pL)+β[(1)v6+πv3]
v4= ln(pH)+β[v4+(1)v1]
v5= maks{ln(pL)+β[v4+(1)v1],ln(pH)+β[v5+(1)v2]} v6= maks{ln(pL)+β[v5+(1)
v2],ln(pH)+β[v6+(1)v3]}. (A.28)
Dalam REE deterministik, strategi pelaporansdapat mengambil 16 (= 24) nilai-nilai yang mungkin, karena manajer memiliki fleksibilitas dari
representasi yang salah hanya di empat dari enam negara bagian. Berdasarkan<μ,e>=1 danμkan =μkansebaikpersamaan (A.4), mudah untuk
memecahkan distribusi stasioner yang sesuai di masing-masing dari 16 skenario. Hanya dalam empat dari 16 skenario, kita dapat memperoleh distribusi
stasioner dengan probabilitas positif yang ketat untuk masing-masing dari enam keadaan. Keempat skenario tersebut tertuang dalam Lemma A.2. Di
masing-masing dari 12 skenario lainnya, setidaknya satu dari negara bagian memiliki probabilitas 0. -
Lampiran C. Iterasi fungsi nilai untuk keyakinan yang mengubah rezim
Algoritme iterasi fungsi nilai yang digunakan untuk memecahkan masalah pemrograman dinamis dalam Proposisi 1-3 diilustrasikan
menggunakan contoh keyakinan pergeseran rezim. Algoritma melibatkan lima langkah berikut:
1. Susun kembali fungsi nilai (persamaan (12)) ke dalam sistem 12 persamaan univariat. Secara khusus, ada tiga variabel keadaan, xt, kamut1
danqt1,di mana dua yang pertama adalah diskrit dengan total 12 nilai yang mungkin. Oleh karena itu, persamaan Bellman dapat ditulis
ulang sebagai sistem dari 12 persamaan univariatqt1. MembiarkanV(qt1)menunjukkan vektor fungsi nilai. Menemukan solusi untuk
persamaan (12)ekuivalen dengan mencari solusi sistem persamaan. Perhatikan bahwa kendala akrual mensyaratkan bahwa untuk empat
dari 12 persamaan (untukxt∈ {(θH,−d), (L,d)},∀kamut1,∀qt1), keputusan pelaporan telah ditentukan sebelumnya sebagai pelaporan yang
benar, yaitu,kamut=θt.
2. Inisialisasi tebakan sistem fungsi nilai,V0(qt1). Untuk konkrit, ambilV0(qt1)=0,∀qt1.
3. PasangV0(qt1)ke dalam ruas kanan persamaan Bellman, dan selesaikan untukV1(qt1)sebagai nilai yang dioptimalkan berdasarkan
persamaan Bellman. Catat keputusan pelaporan optimal terkait sebagai vektor,kamu1(qt1).
4. Perbarui tebakan denganV1(qt1),dan ulangi Langkah 3 untuk mendapatkanV2(qt1). Iterasi langkah ini akan menghasilkan urutan
fungsi nilai{Vn(qt1)}∞ n=0 dan urutan aturan keputusan{kamun(qt1)}∞ .Dengan n=0 Teorema Pemetaan Kontraksi, ini
barisan akan konvergen ke solusi,V∗(qt1)dan∗ kamu(qt1).
5. Hentikan iterasi ketika|Vn+1(qt1)− Vn(qt1)|<ε untuk∀qt1,di manaε adalah tingkat toleransi yang ditentukan sebelumnya (diatur ke
108dalam penelitian ini). Fungsi nilai dan aturan keputusan terbaru adalah solusi untuk masalah pelaporan manajer.
Lampiran D. Rincian tambahan tentang estimasi SMM
Pengukuran variabel
Penghasilan yang dilaporkan (ytsebuah).Earnings per share (EPS), calculated as net income before extraordinary items (Compustat item saya)
dibagi dengan jumlah saham yang beredar (csho).

t).Laba per saham sebenarnya, dihitung sebagai laba bersih dikurangi akrual diskresioner dibagi dengan angka
Penghasilan sebenarnya (θ sebuah
dari saham yang beredar. Saya mengukur akrual diskresioner sebagai rata-rata total aset dikalikan dengan sisa (υ̂) dari varian
Dechow dan Dichev (2002)model:
TCAj,t=β0+β1OCFj,t1+β2OCFj,t+β3OCFj,t+1+β4 PENJUALANj,t+β5APDj,t+υj,t. (A.29)

TCAadalah total akrual saat ini, dihitung sebagaiCA− CL− (bertindak), TUNAI+STDEBT,di mana CAadalah perubahan aset lancar
CLadalah perubahan kewajiban lancar (lct), TUNAIadalah perubahan uang tunai (che), dan STDEBTadalah perubahan singkat-
hutang berjangka (dlc).OCFadalah arus kas operasi, dihitung sebagaiIB− TCA+DP,di manaIBadalah laba bersih sebelum pos luar biasa (saya), danDP
adalah beban penyusutan dan amortisasi (dp).PENJUALANadalah perubahan pendapatan penjualan (penjualan).APDadalah nilai bruto properti, pabrik,
dan peralatan (ppegt). Semua variabel diskalakan berdasarkan total aset rata-rata (pada).persamaan (A.29)diperkirakan dalam penampang dari masing-
masing 48 industri Fama-Perancis untuk setiap tahun fiskal, yang membutuhkan setidaknya 20 perusahaan. Residu tingkat perusahaanυ̂
mengukur akrual diskresioner yang diskalakan dengan total aset rata-rata.
t). Pengembalian kumulatif yang disesuaikan dengan beta di jendela 32 hari perdagangan [−30,1] seputar pengumuman
Pengembalian saham (rsebuah
tanggal laporan pendapatan tahunan, di mana beta dihitung berdasarkan model pasar menggunakan pengembalian harian bulan sebelumnya.
CV.Volatilitas arus kas, diukur sebagai standar deviasi arus kas operasi (OCF) selama lima tahun terakhir dengan setidaknya tiga
tahun data, di manaOCFdidefinisikan dalam rincian pengukuran pendapatan sebenarnya.
Kalibrasi proses penghasilan yang sebenarnya
Untuk tujuan solusi dan estimasi, saya perlu mengkarakterisasi proses Markov spesifik perusahaan yang menjelaskan hukum
gerak untuk pendapatan sebenarnya. Agar lebih selaras dengan data empiris, proses Markov dikalibrasi berdasarkan AR(1)
regresi pada pendapatan sebenarnya yang sebenarnya (θ sebuah t).Untuk setiap perusahaan, model AR(1) berikut ini diregresi pada data deret waktu
penghasilan nyata tahunan:
t=(1)m+φθ
θ sebuah sebuah ε
t1+ t (A.30)
di manamadalah mean dari proses AR(1),φ adalah koefisien autokorelasi, danεt∼ N(0,σ 2).
Regresi menghasilkan estimasi dari tiga parameter AR(1):m,φ, danσ . MengikutiAdda dan Cooper (2003), saya mengubah proses AR(1) yang
dipasang menjadi proses Markov orde pertama simetris yang diberikan olehpersamaan (1), dinyatakan kembali di bawah ini:
[ ] [ ]
Pr(θt+1=θ L|θt=) L Pr(θt+1=θ |θHt=θ L) π 1π
H) = (A.31)
Pr(θt+1=θ |θL t=θ H) Pr(θt+1=θ H|θt=θ 1π π
√ √ ∫ m e−(v − m)2/ 2σ̃ 2 ((m−v) √
di manaθ L=m− 2
π σ̃ ,θH=m+ 2
π σ̃ ,π =√2 σ̃ −∞ σ ) dv, danσ̃ =σ /1φ.
Lampiran E. Momen deret waktu biner dalam kaitannya dengan deret waktu kontinu yang mendasarinya
Lampiran ini berisi beberapa hasil tentang sifat-sifat deret waktu biner yang dihasilkan dengan "memotong" proses Gaussian
stasioner. Pertimbangkan proses AR(1) yang merupakan proses Gaussian stasioner rata-rata nol:
kamut=φkamut1+εt (A.32)
dimana |φ|<1 danεt∼ N(0,σ 2). Membiarkanγkamu(k)≡ Cov(ut, kamut+k). Sangat mudah untuk menunjukkan bahwaE[kamut] =0,γkamu(0)=Var(u )=
tσ 2 //1), 2
danγkamu(k)=φkσ 2//1φ2). Mendefinisikanρkamu(k)≡ γ (k)/γ (0). Berikut ini(k)=φk.

Sekarang, pertimbangkan deret waktu biner yang dihasilkan oleh "kliping" proses AR (1) di atas:
{
0 saya
fkamut≤ 0
kamut= (A.33)
1 jikakamut>0.
Lemma berikut merangkum momen pertama dan kedua dari deret waktu biner.
Lemma A.3.
E[kamut] =1/2 (A.34)
Var(kamut)=1/4 (A.35)
1 ()
Cov(kamut, kamut+k)=
1
dosa φk (A.36)
2π
2 ( )
ρ )= dosa−
1
φk (A.37)
π
kamu (k
ρkamu(k)≤ ρkamu(k) (A.38)
φkσ
Cov(kamut, kamut+k)=√ . (A.39)
2(1φ2)
persamaan (A.34)–(A.35)mengikuti langsung dari asumsi.persamaan (A.36)–(A.38)dibuktikan dengankedem(1980, hlm. 33–43) dengan
mengamati fakta bahwa
1 1
Pr(kamut=1,kamut+k=1)= + dosa1(φk). (A.40)
4 2π
Bukti daripersamaan (A.39)adalah sebagai berikut:
1
Cov(kamut, kamut+k)=E[kamutkamut+k]E[kamut]E[kamut+k] = Pr(kamut=1)E[kamut+k|kamut>0] = φkE[kamut|kamut>0]
2
[ ] ∫ √∞
1 σ 1 σ 2
=φkE√ ût|ût>0 = φk√ p (−z2
zmantan ) dz
2 1φ2 2 1φ2 0 π
φkσ
=√ (A.41)
2(1φ2)
√
1− φ2
di manaût≡ σ kamut∼ N(0,1).
Pertimbangkan deret waktu biner yang lebih umum yang dihasilkan dengan "memotong" proses AR(1) di atas padakamu∗, bukannya 0:
{
∗
0 jikakamut≤ kamu
kamut= (A.42)
1 jikakamut> kamu∗.
Untuk deret waktu biner ini,Kedem (1980)membuktikan hasil berikut:
Lemma A.4.Proses biner ytterdiri dari variabel acak yang saling bebas jika dan hanya jika proses Gaussian asli utterdiri dari variabel
acak yang saling bebas.
Oleh karena itu, keberadaan dan kekuatan sifat autoregresif dari proses stasioner kontinu asli,kamut, diawetkan oleh proses
biner turunankamut.
Referensi
Adda, A., Cooper, R., 2003. Ekonomi Dinamis: Metode dan Aplikasi Kuantitatif. The MIT Press, Cambridge, MA.. Alti, A., Tetlock, P.,
2014. Keyakinan yang bias, harga aset, dan investasi: pendekatan struktural. J. Keuangan 69, 325–361. Andreassen, P., Kraus, S.,
1990. Ekstrapolasi yang menghakimi dan arti-penting perubahan. J. Prakiraan. 9, 347–372.
Baker, M., Wurgler, J., 2004. Sebuah teori katering dividen. J. Keuangan 59, 1125-1165.
Barberis, N., Shleifer, A., Vishny, R., 1998. Model sentimen investor. J. Keuangan. Ekonomi 49, 307–345.
Barton, J., Simko, P., 2002. Neraca sebagai kendala manajemen laba. Akun. Wahyu 77, 1-27. Suplemen
Bernales, A., Guidolin, M., 2015. Belajar tersenyum: dapatkah pembelajaran rasional menjelaskan dinamika yang dapat diprediksi di permukaan volatilitas tersirat? J. Keuangan. Tanda.
26, 1-37.
Beyer, A., Guttman, I., Marinovic, I., 2018. Manajemen laba dan kualitas laba: teori dan bukti. Kertas kerja, Universitas Stanford dan NYU. Bhamra, H., Uppal, R.,
2014. Harga aset dengan heterogenitas dalam preferensi dan keyakinan. Pendeta Keuangan pejantan 27, 519–580.
Bloomfield, R., Hales, J., 2002. Memprediksi langkah selanjutnya dari jalan acak: bukti eksperimental keyakinan pergeseran rezim. J. Keuangan. Ekonomi 65, 397–414. Branch, W.,
Evans, G., 2010. Dinamika pengembalian aset dan pembelajaran. Pendeta Keuangan pejantan 23, 1651–1680.
Brav, A., Heaton, J., 2002. Bersaing teori anomali keuangan. Pendeta Keuangan pejantan 15, 575–606.
Brown, L., 1993. Laba peramalan penelitian: implikasinya untuk penelitian pasar modal. Int. J. Prakiraan. 9, 295–320. Bushee, B., 2001. Apakah
investor institusional lebih memilih pendapatan jangka pendek daripada nilai jangka panjang? penghinaan Akun. Res. 18, 207–246. Carceles-Poveda,
E., Giannitsarou, C., 2008. Harga aset dengan pembelajaran adaptif. Pdt. Din. 11, 629–651.
Collins, D., Kothari, SP, 1989. Analisis determinan intertemporal dan cross-sectional dari koefisien respon pendapatan. J.Akun. Ekonomi 11, 143-181. Cooper, R.,
Haltiwanger, J., 2006. Tentang sifat biaya penyesuaian modal. Pdt. pejantan 73, 611–633.
De Bondt, W., 1993. Bertaruh pada tren: prakiraan intuitif risiko keuangan dan pengembalian. Int. J. Prakiraan. 9, 355–371. De Jong,
D., Dave, C., 2011. Makroekonomi Struktural, edisi kedua Princeton University Press, Princeton, NJ..
Dechow, P., Dichev, I., 2002. Kualitas akrual dan pendapatan: peran kesalahan estimasi akrual. Akun. Wahyu 77, 35–59.
Dechow, P., Ge, W., Schrand, C., 2010. Memahami kualitas laba: review dari proxy, determinan dan konsekuensinya. J.Akun. Ekonomi
50, 344–401.
Duffie, D., Singleton, K., 1993. Simulasi estimasi momen model Markov dari harga aset. Ekonometrika 61, 929–952. Dye, R., 1988.
Manajemen laba dalam model generasi yang tumpang tindih. J.Akun. Res. 26, 195–235.
Evans, G., Honkapohja, S., 2001. Pembelajaran dan Harapan dalam Ekonomi Makro. Princeton University Press, Princeton, NJ.. Evans, G.,
Honkapohja, S., 2003. Harapan dan masalah stabilitas untuk kebijakan moneter yang optimal. Pdt. pejantan 70, 807–824. Fischer, P.,
Verrecchia, R., 2000. Bias pelaporan. Akun. Wahyu 75, 229–245.
Friedman, B., 1979. Ekspektasi optimal dan asumsi informasi ekstrem dari makromodel "harapan rasional". J.Monet. Ekonomi 5, 23–41. Gerakos, J., Kovrijnykh,
A., 2013. Guncangan kinerja dan pelaporan yang salah. J.Akun. Ekonomi 56, 57-72.
Gourieroux, C., Monfort, A., 1996. Metode Ekonometrika Berbasis Simulasi. Oxford University Press, New York, NY..
Graham, J., Harvey, C., Rajgopal, S., 2005. Implikasi ekonomi dari pelaporan keuangan perusahaan. J.Akun. Ekonomi 40, 3-73. Griffin, D.,
Tversky, A., 1992. Pembobotan bukti dan faktor penentu kepercayaan. Sadar. psiko. 24, 411–435.
Guidolin, M., Timmermann, A., 2007. Sifat harga aset ekuilibrium di bawah skema pembelajaran alternatif. J. Ekonomi. Din. Kontrol 31, 161–217. Hansen, L.,
1982. Sifat sampel besar dari metode umum penduga momen. Ekonometrika 50, 1029–1054.
Hansen, L., Sargent, T., 2007. Kekokohan. Princeton University Press, Princeton, NJ.. Hirshleifer, D., 2001.
Psikologi investor dan penetapan harga aset. J. Keuangan 56, 1533–1597. Hong, H., Stein, J., Yu, J., 2007.
Prakiraan sederhana dan pergeseran paradigma. J. Keuangan 62, 1207-1242.
Jegadeesh, N., Titman, S., 1993. Kembali ke membeli pemenang dan menjual pecundang: implikasi untuk efisiensi pasar saham. J. Keuangan 48, 65–
91. Kedem, B., 1980. Deret Waktu Biner. Marcel Dekker, New York.
Kothari, SP, 2001. Riset pasar modal di bidang akuntansi. J.Akun. Ekonomi 31, 105–231.
Landier, A., Ma, Y., Thesmar, D., 2017. Bukti eksperimental baru pada pembentukan ekspektasi. Kertas kerja, HEC Paris, Universitas Harvard, dan MIT. Lewellen,
J., Shanken, J., 2002. Pembelajaran, tes harga aset, dan efisiensi pasar. J. Keuangan 57, 1113-1145.
Lo, A., MacKinlay, A., 1990. Kapan keuntungan kontrarian karena reaksi pasar saham yang berlebihan? Pendeta Keuangan pejantan 3,
175-205. Lux, T., 2018. Estimasi model berbasis agen menggunakan metode sekuensial monte carlo. J. Ekonomi. Din. Kontrol 91, 391–408.
Marcet, A., Sargent, T., 1989. Konvergensi mekanisme pembelajaran kuadrat terkecil dalam referensi diri, model stokastik linier. J. Ekonomi. Teori 48, 337–368.
Marschak, J., Miyasawa, K., 1968. Perbandingan ekonomi sistem informasi. Int. Ekonomi Wahyu 9, 137-174.
Puterman, M., 2005. Proses Keputusan Markov. John Wiley & Sons, New York, NY..
Rajgopal, S., Shivakumar, L., Simpson, A., 2007. Sebuah teori katering manajemen laba. Kertas Kerja, Universitas Washington.
Richardson, S., Tuna, I., Wysocki, P., 2010. Akuntansi anomali dan analisis fundamental: review kemajuan penelitian terbaru. J.Akun. Ekonomi 50,
410–454.
Sloan, R., 1996. Apakah harga saham sepenuhnya mencerminkan informasi dalam akrual dan arus kas tentang pendapatan masa depan? Akun. Wahyu 71, 289–315. Stein,
J., 1989. Pasar modal yang efisien, perusahaan yang tidak efisien: model perilaku perusahaan rabun. Ekonomi QJ. 104, 655–669.
Stokey, N., Lucas, R., Prescott, E., 1989. Metode Rekursif dalam Dinamika Ekonomi. Pers Universitas Harvard, Cambridge, MA. Strebulaev,
I., Whited, T., 2012. Model dinamis dan estimasi struktural dalam keuangan perusahaan. Ditemukan. Tren Keuangan 6, 1-163. Sun, B.,
2014. Pengembalian aset di bawah pengungkapan berkala manajemen laba. Int. Ekonomi Wahyu 55, 255–282.
Timmermann, A., 1996. Volatilitas yang berlebihan dan prediktabilitas harga saham dalam model dividen autoregressive dengan pembelajaran. Pdt. pejantan 63, 523–557. Vissing-
Jorgensen, A., 2004. Perspektif tentang keuangan perilaku: apakah "irasionalitas" menghilang dengan kekayaan? Bukti dari harapan dan tindakan. NBER
makroekonomi. Ann. 18, 139-194.
Xie, H., 2001. Mispricing akrual abnormal. Akun. Wahyu 76, 357–373.
Zakolyukina, A., 2017. Seberapa umum pelanggaran GAAP yang disengaja? Estimasi dari model dinamis. J.Akun. Res. 56, 5-44.

Du, K. (2019) .En - Id

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Du, K. (2019) .En - Id

Diunggah oleh

Hak Cipta:

Format Tersedia

Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

Jurnal Dinamika & Kontrol Ekonomi 105 (2019) 134-157

Daftar isi tersedia diSainsLangsung

Jurnal Dinamika & Kontrol Ekonomi

Ekspektasi investor, manajemen laba, dan harga aset-

info artikel abstrak

Kata kunci: © 2019 Diterbitkan oleh Elsevier BV

2.1. Model dasar

sebuaht=sebuaht1+(kamut− θt). (2)

sebuaht∈ {−d,0,d}≡ D. (3)

alat untuk mendeteksi penerapan standar akuntansi yang tidak netral.

Model harapan investor

Penghasilan sejati Tidak Tidak Tidak Tidak

Hukum gerak untuk penghasilan Ya Tidak Tidak Penghasilan sejati yang

2.2. Belajar terus-menerus

π̂t(kamut1,kamut,π̂t1)=(1)π̂t1+γ ·1kamu =kamu t t1 (6)

dimana VCG(·)adalah fungsi nilai.

(saya)Nilai awal keadaan diberikan oleh (x0,kamu0,π̂0);

2.3. Keyakinan yang mengubah rezim

dimana VRS(·)adalah fungsi nilai.

(saya)Nilai awal dari keadaan diberikan oleh(x0,kamu0,q0);

2.4. Keyakinan sistem informasi akuntansi

dimana aku adalah2×2matriks identitas, dan hukum gerak untukρtdiberikan oleh

dimana VSIA(·)adalah fungsi nilai.

(saya)Nilai awal dari keadaan diberikan oleh(x0,ρ0);

2.5. Solusi numerik

3.2. Hasil estimasi

3.3. Karakteristik perusahaan menurut kelompok

pt=0+1 kamut+εt (19)

Panel A: Estimasi SMM untuk Tyson Food, Inc.

Parameter Keuntungan konstan Pergeseran rezim SIA

Keuntungan konstan Pergeseran rezim SIA Total

Berarti Perbedaan (t-statistik)

Ciri Keuntungan konstan Pergeseran rezim SIA CG - RS CG - AIS AIS - RS

Ukuran 7.606 7.952 8.078 0,346 0,472 0,126

Horizon investasi investor institusi Konstan- Rezim- SIA Jumlah total

Berdedikasi 4,35% 39,13% 56,52% 69

pt=ϕ0+ϕ1 θt+ϕ2 sebuaht1+ϕ3 pt1+νt (21)

4.2. Hasil regresi berdasarkan data simulasi

Panel A: pt= 0+1 kamut+εt

Harapan Keuntungan konstan Pergeseran rezim SIA

Panel B: pt=ϕ0+ϕ1 θt+ϕ2 sebuaht1+ϕ3 pt1+νt

Harapan Konstan-gain Pergeseran rezim SIA

4.3. Koneksi ke data aktual

19Ingat itu daripersamaan (2), t1=kamu

Panel A:ra t=0 + 1ya t+εt

(1) (2) (3) (4) (5) (6)

Sampel sampel lengkap S&P 500 Non-S&P Konstan- Rezim- SIA

Panel B:ra t=ϕ0 +ϕ1 t +

Sampel sampel lengkap S&P 500 Non-S&P Konstan- Rezim- SIA

Panel C: Regresi menurut industri

Lampiran A. Harapan rasional

dimana Mt|kamut[Pr(θt=θ L|kamut),Pr(θt=θH|kamut)],saya adalah 2×2 matriks identitas, danθ̄ = [θ L,θH]′.

t(·)adalah fungsi nilai periodet;

sj=Pr(kamut=θ L|xt=xj). (A.3)

(saya)s= [1,1,1,0,0,0]danμ = [μ1,μ2,1/2μ1− μ2,μ1,μ2,1/2μ1− μ2]′,untuk0<μ1,μ2<1;

di manaSayaadalah 2× 2 matriks identitas, t= [πt,1π̂t;1π̂t,π̂t],θ̄ = [θ L,θH]′,danj=1 jikakamut=θ L,danj=2 jikakamut=θH. -

di manad=θH− θ L. Karena itu, kamut=

Et[zt+s|zt, qt] =ztξ kan

di manaξ0= [1,−1,1,−1]kan,ξ1= [0,0,1,0]kan,ξ2= [1,0,−1,0]kan,dan

Berdasarkanpersamaan (A.10)dan(A.11), kita punya

di manaSayaadalah 2×2 matriks identitas, = [λ,1λ;1λ,λ],danθ̄ = [θ L,θH]′.

Pr(kamu t =θ |Lt=θθ L)Pr(θt=θ |kamu