Firms’ Financing Choices and Profitability in the For-Profit Education Industry: An Empirical Survey of Education Companies Listed on the NYSE and NASDAQ Stock Markets
Notice bibliographique
Résumé
This study seeks to understand financing choices and its relationships with profitability of for-profit education companies listed on NASDAQ and NYSE. This study tests the hypothesis that knowledge-based firms with higher assets intangibility used less debt in their capital structures than capital-intensive firms with higher assets tangibility. Capital structure theory is a useful framework to explain research findings. Tests were conducted on a sample consisting of education companies and capital-intensive firms listed on NASDAQ and NYSE during the period 2000-2018. Data collected by Zacks Premium database were submitted to regression analysis. Findings suggest that capital-intensive firms have higher debt ratios than education companies. Also, this study finds existence of a strong inverse relationship between profitability and the amount of debt in the capital structure of capital-intensive firms while no such relationship was found between these two variables for the education companies. This study’s findings could provide valuable information to policymakers and investors to identify suitable financing policies in the for-profit education industry. Findings can also be useful to stimulate debate on the role of equity financing to supporting growth policies of for-profit education industry. This study attempts to fill the absence of empirical studies on financial policies of for-profit education firms.Contribution/ Originality: The main contribution of this study is that it will increase knowledge about funding able to sustain for-profit education firm's growth. Furthermore, this study tries to fill the lack of studies who investigate explicitly (empirically or theoretically) funding policies of for-profit education firms.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».