MétaCan
Menu
Retour à la cohorte
Enregistrement W3107556111 · doi:10.38043/jmb.v17i4.2718

Corporate Governance dan Kinerja Keuangan

2020· article· en· W3107556111 sur OpenAlexaboutno aff
Haniatus Sa’diyah

Notice bibliographique

RevueJurnal Manajemen Bisnis · 2020
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealth, Technology, Consumer Behavior
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCorporate governanceNonprobability samplingBusinessAccountingQuarter (Canadian coin)Sample (material)Path analysis (statistics)Panel dataSupervisory boardPopulationShariaFinanceIslamEconomicsStatistics

Résumé

récupéré en direct d'OpenAlex

This study aims to determine the effect of corporate governance as proxied by the Board of Commissioners, the Board of Independent Commissioners, the Board of Directors and the Sharia Supervisory Board on Financial Performance, through a connecting variable, namely Non Performing Financing (NPF). The sample of this research is using purposive sampling method. The population is 13 Islamic Commercial Banks in Indonesia. The samples obtained were 8 Islamic Commercial Banks. The data is obtained from the quarterly reports of each bank, namely the first quarter of 2017 to the second quarter of 2020. Data analysis and hypothesis testing methods use path analysis using panel data. The results of this study indicate that corporate governance as proxied by the Board of Commissioners, the Independent Commissioner, the Board of Directors and the Sharia Supervisory Board has no effect on financial performance and non-performing financing. This means that higher corporate governance does not affect financial performance or non-performing financing. In this study it was also found that non-performing financing has an effect on financial performance. If non-performing financing decreases, financial performance will increase. In addition, non-performing financing in this study cannot be an intervening variable for corporate governance.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,483
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,001

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 Opus0,166
Tête enseignante GPT0,402
Écart entre enseignants0,237 · 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 tête enseignante, pas un consensus.

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

Citations7
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJurnal Manajemen BisnisMême sujetHealth, Technology, Consumer BehaviorTravaux en français237 207