MétaCan
Menu
Retour à la cohorte
Enregistrement W2006492851 · doi:10.1287/mnsc.2014.1998

Of Age, Sex, and Money: Insights from Corporate Officer Compensation on the Wage Inequality Between Genders

2014· article· en· W2006492851 sur OpenAlexaff
David Newton, Mikhail Simutin

Notice bibliographique

RevueManagement Science · 2014
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCorporate Finance and Governance
Établissements canadiensUniversity of TorontoConcordia University
Organismes subventionnairesnon disponible
Mots-clésOfficerExecutive compensationChief executive officerWageCompensation (psychology)Labour economicsCompensation of employeesStock (firearms)Demographic economicsBusinessEconomicsManagementPsychologyPolitical scienceSocial psychology

Résumé

récupéré en direct d'OpenAlex

This paper shows that the gender and age of the wage setter are crucial determinants of the disparity in wages between sexes. We document our findings using a data set on compensation of corporate officers that is uniquely suited for this analysis because officer wages are set by chief executive officers (CEOs). We show that CEOs pay officers of the opposite gender less than officers of their own gender, even when controlling for job characteristics. Older and male CEOs exhibit the greatest propensity to differentiate on the basis of sex. Female officers receive smaller raises if the firm is headed by a man. Our results suggest that CEO gender and age are economically more important determinants of officer compensation than are firm stock performance, stock volatility, or return on assets. This paper was accepted by Uri Gneezy, behavioral economics.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,609
Score d'incertitude au seuil0,397

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,057
Tête enseignante GPT0,231
Écart entre enseignants0,173 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations41
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueManagement ScienceMême sujetCorporate Finance and GovernanceTravaux en français237 207