3.3. Spécificité du
modèle
| accd_kit |
=   áit+ â residuel coverage
it + ë V contrôle it +åit
á t : effet fixe de temps ;
åit : terme d'erreur
|
Variables
|
Définition
|
Mesure
|
|
Taill
|
Taille de l'entreprise
|
Se calcule par le logarithme de la capitalisation
boursière
|
|
ROA
|
La rentabilité comptable
|
Bénéfice net / capitaux propres
|
|
Croi
|
Croissance
|
Taux de croissance des Actifs
|
|
Cfep
|
cash flow d'exploitation
|
Cash flow d'exploitation /total actif
|
|
Cons
|
Terme résiduel
|
Apres la régression
|
Tableau 14 : variables indépendantes du
modèle 4
|
Variable
|
Observation
|
Moyenne
|
Ecart type
|
Min
|
Max
|
|
| accd |
|
360
|
0,082
|
0,096
|
0,0007
|
0,9897
|
|
RESI
|
360
|
0,453
|
0, 564
|
0,654
|
10,654
|
|
ROA
|
360
|
4,875
|
4,251
|
0,04577
|
24,400
|
|
Croi
|
360
|
0,569841
|
6,788301
|
-0, 97562
|
125,2609
|
|
Cfep
|
360
|
10,02006
|
1,590379
|
7,204885
|
18,52261
|
|
Taill
|
360
|
0,60589
|
0,419378
|
0,03415
|
3,6609
|
Tableau 15: Statistique descriptive du modèle
4
|
Variables
|
Taill
|
ROA
|
Croi
|
Cfep
|
|accd|
|
|
Taill
|
1,000
|
|
|
|
|
|
ROA
|
-0.2471
|
1,000
|
|
|
|
|
Croi
|
0,001
|
-0.0390
|
1,000
|
|
|
|
Cfep
|
-0.046
|
0.116
|
-0.016
|
1,000
|
|
|
|accd|
|
-0,0975
|
0,0213
|
-0,0272
|
0,0267
|
1,000
|
Tableau 16: Matrice de corrélation du
modèle 4
La valeur absolue des accruals discrétionnaires est
corrèle négativement avec la taille et la croissance ce qui
explique que la manipulation comptable influencé le développement
économiques des firmes et les gestionnaires utilisant les accruals
pour manipuler le résultat.
3.4.
Test empirique résultats et interprétation
Figure3 : Variation de la valeur absolue des
Accruals discrétionnaires
Pour estimer ce modèle, nous avons utilisé le
logiciel approprié vu sa performance dans l'estimation des
régressions portant sur les donnes de Panel. Nous avons recours a la
régression linéaire généralisée. En plus
l'estimation des données en panel permet de spécifier si
l'effet individuel observable est fixe ou aléatoire. Pour tester nous
avons d'abord effectué le test de stationnarité et nous trouvons
que nos les variables sont stationnaire aussi nous avons appliqué le
teste d'Hausman et ce de Multiplicateur de Lagrange. Nous avons dés lors
constaté que nous devons privilégier l'adoption d'un
modèle à effet aléatoire. Ceci est expliqué par la
valeur de Chi (2) qui est significative au seuil 5%.
|
Variable
|
Coefficient
|
Std. Error
|
t-Statistic
|
Prob.
|
|
Cons
|
-0,00018***
|
0,00339
|
4,14
|
0,0000
|
|
ROA
|
-0,00018***
|
0.00214
|
-3,09
|
0.0009
|
|
Croi
|
-0.000371
|
0.000754
|
-0.49
|
0.6234
|
|
Cfep
|
0.062101**
|
0.030756
|
2.01
|
0.0442
|
|
Taill
|
-0.020837
|
0.012547
|
-1.66
|
0.0977
|
***significativé à 1% **
significativé à 5% * significativé à 10%
Tableau 17: Résultats de
régressions des nombres d'analystes et GR
D'après ce tableau nous pouvons remarquer qu'il existe
une relation négative et significative entre la variable R.coverage
résidus et la valeur absolue des accruals discrétionnaires au
seuil de 1% ceci indique que l'augmentation des nombre d'analyste entraine une
réduction de la gestion des résultats ce résultat confirme
notre hypothèse et corrobore avec les travaux de Yu (2008) et de Hang
et al., (2009).
La variable ROA est liée négativement et
significativement avec la valeur absolue des accruals discrétionnaires
au seuil de 1%. Ce résultat peut être interpréter
ainsi : les entreprises non rentables sont celles qui gèrent le
plus les résultats ceci est corrobore avec les travaux de Degeorge et
al., (2007).
Par ailleurs le coefficient associes a la variables la variable
Cfex et positif et significatif au seuil de 5%. Ceci suggère que les
entreprises qui génèrent les cash flows d'exploitation
élevés sont également qui gèrent le plus les
résultats. Ceci corrobore avec les travaux de littérature
antérieure de Gul et al (2003).
| 
