MétaCan
Menu
← Retour à la cohorte
Enregistrement W2965139868 · doi:10.5465/ambpp.2019.121

Dominant Choices? How CEO/Board Power Predicts Compensation Consulting Firm Relationships

2019· article· en· W2965139868 sur OpenAlexaff
Shelby Gai, Edward J. Zajac, Danielle Zhang

Notice bibliographique

RevueAcademy of Management Proceedings · 2019
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCorporate Finance and Governance
Établissements canadiensKellogg's (Canada)
Organismes subventionnairesnon disponible
Mots-clésCorporate governanceBusinessCompensation (psychology)Power (physics)Executive compensationRelevance (law)Perspective (graphical)Affect (linguistics)Service (business)MarketingService providerAccountingPsychologySocial psychologyFinancePolitical science

Résumé

récupéré en direct d'OpenAlex

While research examining the relevance of differences in CEO/Board relative power across firms has typically focused on intra-organizational antecedents and consequences, this study analyzes the potential inter-organizational implications of such power differences. Specifically, we consider how existing differences in CEO/Board power within prospective client firms makes third-party service providers differentially attractive to these client firms, and we examine how such differences in client firms will affect the use and choice of compensation consulting (CC) firms. More specifically, we suggest that client firms with more powerful CEOs will tend to hire CC firms that have exhibited a consistent history of CEO favoritism (i.e., excess CEO compensation). We also address the possible consequences of such hiring choices in terms of subsequent CC behaviors, and we examine the implications of an initial and ongoing client/CC firm misalignment. We test our hypotheses using an original dataset consisting of over 1500 firms across 5 years, and discuss the implications of our theoretical perspective and supportive empirical findings for future research on corporate governance, CEO/Board power, and third-party service providers.

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)0,013
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 enseignants0,010
Score d'incertitude au seuil0,026

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,013
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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 GPT0,222
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

Citations0
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAcademy of Management Proceedings→Même sujetCorporate Finance and Governance→Travaux en français237 207→