MétaCan
Menu
← Retour à la cohorte
Enregistrement W2134770128 · doi:10.5539/ibr.v7n7p10

Can Disclosure Quality Explain Dividend Payouts?

2014· article· en· W2134770128 sur OpenAlexvenueaboutno aff
Dan Lin, Hsien-Chang Kuo, Lie-Huey Wang

Notice bibliographique

RevueInternational Business Research · 2014
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCorporate Finance and Governance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDividendCorporate governanceOutcome (game theory)Quality (philosophy)Dividend policyPrincipal–agent problemBusinessDividend payout ratioAgency costEconomicsMonetary economicsAgency (philosophy)Panel dataEconometricsFinanceShareholderMicroeconomics

Résumé

récupéré en direct d'OpenAlex

This study investigates how a firm’s disclosure quality affects its dividend policy. Using a sample of Canadian firms with disclosure data from The Globe and Mail, we empirically test the outcome hypothesis and the substitution hypothesis. The outcome hypothesis posits that dividends are an outcome of an effective governance regime and complements other governance mechanisms while the substitution hypothesis argues that dividend payout is a substitute for other forms of governance. Since disclosure quality can reflect the severeness of agency problems between outsiders and insiders, the outcome hypothesis predicts that higher disclosure quality would lead to higher dividend payouts while the substitution hypothesis predicts that lower disclosure quality is associated with higher payouts. This study contributes to the ongoing debate on the relationship between disclosure quality and dividend policy. Our results provide support for the outcome hypothesis; specifically, better disclosure quality is associated with both a stronger propensity to pay dividends and among dividend payers, with larger dividends.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,034
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,035
Score d'incertitude au seuil0,070

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,034
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,095
Tête enseignante GPT0,353
Écart entre enseignants0,259 · 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 source (Gemma direct ou Codex distillé), 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

Citations2
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInternational Business Research→Même sujetCorporate Finance and Governance→Travaux en français237 207→