Earnings management: Are men from Mars and women from Venus?
Notice bibliographique
Résumé
Purpose Research on gender and finance finds that women chief executive officers (CEOs) are relatively risk-averse and more ethical than their male counterparts. These differences are often presented as reasons for lower earnings management by firms led by women. A strand of contrasting literature however finds the notions of women being risk-averse and ethical not necessarily true for women occupying top leadership positions as women successful in shattering the glass ceiling adopt behaviors like men. This study attempts to understand the differences between the ethical tendencies of the two genders by examining if CEO power impacts the relation between CEO gender and earnings management. Design/methodology/approach The authors begin the analysis using standard regressions using the propensity score matched (PSM) samples and examine if CEO power mediates or amplifies relationship between CEO gender and earnings management. The authors use ordinary least squares (OLS) regression approach and instrumental variables (IV) estimation to address the endogeneity concerns. Findings This study’s results suggest that the relationship between CEO gender and earnings management is mediated by CEO power. The authors find that women CEOs with lower power engage in lower earnings management. However, women CEOs with more power tend to engage in greater levels of earnings management than their male counterparts. Originality/value This study contributes the finance literature by showing women leaders successful in occupying top leadership positions are not necessarily more risk averse and more ethical. Less powerful women CEOs are subjected to potentially higher levels of scrutiny and are forced into an environment where they have to be seen as ethical. However, powerful women face the same concerns as their male counterparts and not necessarily more ethical.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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.
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 ».