دانلود ترجمه مقاله شناسایی مدیریت سود با شبکه های عصبی
- فرمت : zip
- حجم : 0.74مگابایت
- شماره ثبت : 411
نمونه ای از ترجمه این مقاله در زیر قابل رویت است:
مطالعات زیادی جهت ارزیابی و سنجش رخداد و پیدایش مدیریت درآمد در زمینه های مختلف صورت گرفته است. در اکثر مطالعات، مفروضات بر این است که درآمد از طریق اقلام تعهدی حسابداری، مدیریت میشود. بدین ترتیب یکسری از مدلهای تشخیص مدیریت درآمد مبتنی بر اقلام تعهدی پیشنهاد شد. توانایی این مدلها برای تشخیص مدیریت درآمد، توسط برخی مطالعات دیگر زیر سؤال رفته است. یک توجیه برای عملکرد ضعیف مدلهای موجود آن است که اکثر این مدلها از یک رویکرد خطی برای مدلسازی فرایند اقلام تعهدی حتی در صورتی که فرایند اقلام تعهدی غیر خطی باشد، استفاده میکنند. گزینه دیگر در مواجهه با موارد غیرخطی، استفاده از انواع مختلف شبکه های عصبی است. هدف از این مطالعه ارزیابی این مورد است که آیا مدلهای مبتنی بر عملکرد عصبی نسبت به مدلهای خطی و قسمتی خطی درتشخیص مدیریت درآمد، موثرتر هستند یا خیر؟. این مطالعه شامل مدلهای شبکه عصبی براساس نقشه خود سازمان دهنده SOM) )، یک مفهوم چند لایه MLP) ) و یک شبکه عصبی رگرسیون عمومی GRNN) ) میباشد. نتایج نشان میدهد عملکرد مدل بر مبنای شبکه های عصبی، بهترین عملکرد را دارا میباشد، درحالی که مدل خطی مبتنی بر رگرسیون، ضعیفترین عملکرد را دارد، همچنین نتایج نشان داد که هر 5 مدل مورد ارزیابی قرار گرفته، قادر به تخمین اقلام تعهدی اختیاری هستند که باقدری اغماض بعنوان نماینده مدیریت درآمد، عمل مینماید.
واژگان کلیدی: مدیریت درآمد، تعهدات اختیاری، شبکه های عصبی
_______________________________________
عنوان انگلیسی مقاله: Detecting earnings management with neural networks
عنوان فارسی مقاله: تشخیص مدیریت درآمد با شبکه های عصبی
دسته: اقتصاد
فرمت فایل ترجمه شده: WORD (قابل ویرایش)
تعداد صفحات فایل ترجمه شده: 21
ترجمه ی سلیس و روان مقاله آماده ی خرید می باشد.
بخشی از مقاله انگلیسی لاتین:
When applied to regression analysis pro blem s , neural networks have several appealing advantages compared to traditional statis – tical methods, such as linear regressi o n. DeTienne, DeTienne, and Joshi (2003) discussed the main advantages and disadvantages with neural networks when compared to linear regressi o n. First, a considerab l e disadvantage with linear regression is that it cannot deal with non – linear relationships between the dependent variable and the independent variables. Neural networks, on the other hand, can effectively mo del non – line a r relationshi p s. Second, the performan c e of linear regression models hinges largely on various assumptions such as absence of multicollinearit y , and normally distributed residuals with zero mean and constant variance. In contrast, these as sumpt i ons are not required with neural networks.
دانلود ترجمه مقاله شناسایی مدیریت سود با شبکه های عصبی