Market value added and traditional accounting criteria: Which measure is a best predictor of stock return in Malaysian companies
محل انتشار: مجله ایرانی مطالعات مدیریت، دوره: 9، شماره: 2
سال انتشار: 1395
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 84
فایل این مقاله در 23 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JIJMS-9-2_010
تاریخ نمایه سازی: 6 شهریور 1402
چکیده مقاله:
This study tests the hypothesis that market value added (MVA) is more highly associated with stock return (SR) than traditional performance measures. The purpose of this study is to provide empirical evidence on the relative and incremental information content of MVA and traditional performance measures, namely, net income (NI), net operational profit after tax (NOPAT), and earning per shares (EPS). The sample involved ۳۹۵ non-financial companies listed in the main market of Bursa Malaysia over the period ۲۰۰۲–۲۰۱۱. To analyze the hypotheses panel data regression methods were employed. The results indicated that accounting measures (NI, NOPAT and EPS) have higher relative information content with stock return compared to MVA. Thus, the results do not support the hypothesis that MVA is superior to traditional accounting measures in association with stock return. Moreover, the findings showed that MVA has incremental information content with stock return compared to accounting measures. Consequently, MVA is a useful measure in describing the firm’s stock return in Bursa Malaysia. Therefore, Malaysian companies can use MVA with traditional measures (NI, NOPAT, and EPS) in evaluating companies’ performance.
کلیدواژه ها:
Earning per shares ، Market value added ، Net income ، Relative and incremental information content ، Stock Return
نویسندگان
حبیب اله نخعی
Department of Accounting, Birjand Branch, Islamic Azad University, Birjand, Iran
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :