MétaCan
Menu
Retour à la cohorte
Enregistrement W2542698714 · doi:10.1108/ejm-08-2015-0541

Commitment to marketing spending through recessions

2016· article· en· W2542698714 sur OpenAlexaff
Imran S. Currim, Jooseop Lim, Yu Zhang

Notice bibliographique

RevueEuropean Journal of Marketing · 2016
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCorporate Finance and Governance
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésRecessionStock (firearms)EconomicsMarketingStock marketRevenueBusinessFinanceMacroeconomics

Résumé

récupéré en direct d'OpenAlex

Purpose This paper aims to address two unique and important questions. First, how do recessions directly affect firms’ marketing spending decisions? Second, and more importantly, do firms which are more committed to marketing spending through past recessions achieve better stock market returns? Design/methodology/approach This study is based on a combination of National Bureau of Economic Research, COMPUSTAT and Center for Research in Security Prices data on 6,000 firms between 1982 and 2009 which are analyzed using panel data-based regression models. Findings The authors find that firms cut marketing spending during recessions. However, firms committed to marketing spending during past recessions achieve better stock market returns. The findings are found to be robust across B2B and B2C industries, different periods and US firms which vary on the proportion of their global revenue from non-US sales. Research limitations/implications Top executives cut marketing budgets during recessions; however, if they can resist the pressures, and strategically continue to make marketing investments during recessions, they will achieve higher stock market returns. Originality/value This is the first paper to establish the longer-term (not short-term) positive stock market performance of continuous (not episodic) marketing spending through past recessions, i.e. the view that marketing spending is necessary (not discretionary) for stock returns.

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)0,011
score de la tête « metaresearch » (Gemma)0,004
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 enseignants0,456
Score d'incertitude au seuil0,620

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0110,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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 Opus0,031
Tête enseignante GPT0,236
Écart entre enseignants0,204 · 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

Citations15
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEuropean Journal of MarketingMême sujetCorporate Finance and GovernanceTravaux en français237 207