Adverse Selection, Diversion of Resources, and Conservatism*
Notice bibliographique
Résumé
ABSTRACT We consider an investor's choice of conservative reporting, bonus payments, and investment decisions in the presence of the hidden‐information agency problem of a manager's productivity and the hidden‐action agency problem of a manager's diversion of resources. It is important to consider the hidden‐action and hidden‐information agency problems in isolation and their interaction to gain insights into the drivers of demand for conservatism. We show that the conservative (nonconservative) regime is optimal for the high‐productivity (low‐productivity) manager when both agency problems exist, even though the nonconservative regime is optimal for both the high‐ and low‐productivity managers when only the hidden‐action or the hidden‐information problem exists. Essentially, the low‐productivity manager can misrepresent as the high‐productivity manager to obtain high investment levels and divert resources only in the presence of both agency problems. This added layer of agency problem creates the demand for conservatism and highlights the importance of the interaction between the hidden‐action and hidden‐information agency problems. Furthermore, we show that as the conservatism level increases (i) the optimal investment level conditional on a good report for the high‐productivity manager increases and approaches the first‐best level (i.e., ex‐post investment efficiency increases); (ii) the expected optimal investment level for the high‐productivity manager decreases and diverges from the expected first‐best level (i.e., ex‐ante investment efficiency decreases); and (iii) the expected bonus payment to the high‐ and low‐productivity managers decreases. These findings provide insights into how the demand for conservatism arises in the presence of both hidden‐information and hidden‐action agency problems and provide empirical guidance relating conservatism to investment efficiency.
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 | 0,012 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».