MétaCan
Menu
← Retour à la cohorte
Enregistrement W2765983824 · doi:10.5539/ibr.v10n12p22

The Capital Structure Choice of European Firms: The Role of Financial System and Institutional Setting

2017· article· en· W2765983824 sur OpenAlexvenueno aff
Daniela Venanzi, Alessia Naccarato

Notice bibliographique

RevueInternational Business Research · 2017
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCorporate Finance and Governance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLeverage (statistics)Capital structureSample (material)BusinessRelevance (law)Empirical evidenceEmerging marketsEconomicsSimultaneous equations modelEmpirical researchPerspective (graphical)FinanceEconometricsPolitical science

Résumé

récupéré en direct d'OpenAlex

Recent international financial research finds that a firm’s capital structure is not only influenced by firm- and industry-specific determinants, but also by country-specific factors. Starting from the last decade’s studies on the country effect and addressing some areas of potential development in empirical testing, we test, on a sample of seven apparently similar European countries and more than 800,000 variously sized firms (from the BACH-ESD database) over a ten year period (2000-2009), the direct effects of country characteristics on leverage, as well as their mediating role on the effects of firm- and industry-specific determinants, by using a simultaneous equation model (SEM) never used before by any scholar in this field. The emerging empirical evidence: i) highlights the relevance of many institutional, financial, and macroeconomic country characteristics; ii) confirms the better ability of banks in selecting, monitoring, and financing small and risky firms; iii) shows that the demand-side perspective can better explain some counter-intuitive effects of some determinants on leverage.

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)0,002
score de la tête « metaresearch » (Gemma)0,006
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 enseignants0,006
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0030,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,027
Tête enseignante GPT0,284
Écart entre enseignants0,257 · 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

Citations5
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

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