Executive Compensation, Investment Opportunities, and Earnings Management: High-Tech Firms versus Low-Tech Firms
Notice bibliographique
Résumé
This paper examines the systematic differences between high-tech and low-tech firms in compensation policies, the sensitivity of compensation to market and accounting performance, and earnings management in the presence of investment opportunities. We find that the level of industry participation (i.e., high-tech versus low-tech) has incremental contracting value beyond the investment opportunity set (IOS) in determining executive compensation. When we control for the IOS factor, we find that high-tech firms generally pay higher levels of total compensation by granting larger amounts of stock options than low-tech firms, even though they typically offer lower cash salaries and bonuses than their low-tech counterparts. The relationship between compensation and stock return is higher for high-tech firms, and there appears to be no difference in the association between compensation and accounting return in both groups. More importantly, we find that the association between bonus and discretionary accruals is higher for high-tech firms than for low-tech firms, especially when earnings before discretionary accruals are lower than analyst-forecasted earnings. Furthermore, even in cases where premanaged earnings exceed earnings expectations, or in cases where the probability of meeting analysts' forecasts is low, high-tech firms are more likely to reward managers who use discretionary accruals to meet earnings forecasts. This is consistent with the practice of compensation committees of hightech firms rewarding CEOs for using discretionary accruals to signal private information to reduce information asymmetry.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».