MétaCan
Menu
Retour à la cohorte
Enregistrement W2944143793 · doi:10.5267/j.ac.2019.5.001

Empirical analysis of board diversity and the financial performance deposit money banks in Nigeria

2019· article· en· W2944143793 sur OpenAlexvenueno aff
A.D. Adesanmi, O.A. Sanyaolu, Muideen Adejare Isiaka, Oluwasheun Fadipe

Notice bibliographique

RevueAccounting · 2019
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueIslamic Finance and Banking Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDiversity (politics)BusinessFinancial systemFinancePolitical science

Résumé

récupéré en direct d'OpenAlex

This study examined the effect of board diversity on the financial performance of deposit money banks in Nigeria.The study also examined the relationship between board independence and financial performance of deposit money banks in Nigeria.For the purpose of this study, the proxy for financial performance is profit margin while the proxies for board diversity and board independence are the ratio of female directors to total board size and ratio of non-executive directors to total board size, respectively.The data for the study were sourced from the annual reports of 10 listed deposit money banks in Nigeria from 2008 to 2017.The data were analyzed using pooled Ordinary Least Square regression.The results show that the coefficient of board diversity was positively signed and statistically significant at 5% (β=0.34,ρ=0.02); the coefficient of board independence was positively signed and statistically significant at 5% (β= 0.11, ρ=0.02).The study concludes that both gender diversity and board independence positively affect the financial performance of deposit money banks in Nigeria.Therefore, the study recommends that deposit money banks should encourage appointment of qualified female directors on the board.In addition, deposit money banks should ensure the independence of the board by appointing independent non-executive director who are well experienced in bank management.

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)0,001
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 enseignants0,008
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
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 Opus0,009
Tête enseignante GPT0,206
Écart entre enseignants0,196 · 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

Citations13
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAccountingMême sujetIslamic Finance and Banking StudiesTravaux en français237 207