Revisiting the CEO Effect Through a Machine Learning Lens
Notice bibliographique
Résumé
An important debated topic in strategic management concerns the so-called “chief executive officer (CEO) effect,” which quantifies the impact that CEOs have on the performance of the firms that they lead. Prior literature has empirically investigated the CEO effect and found support for both theses: a significant effect and no effect at all. We note, however, that virtually all prior studies have relied on an empirical specification that leverages in-sample data, which could be unreliable in certain circumstances. In this paper, we utilize machine learning models and predictive analytics based on out-of-sample data to revisit the CEO effect. In particular, we operationalize the CEO effect as the gain in the out-of-sample predictive accuracy by adding the CEO information to the model input in addition to the firm information. By analyzing 1,245 firms and 1,779 CEOs over 20 years, we demonstrate that the results of the approach from the literature have limited external validity. More specifically, we convey that the analyses are purely based on in-sample data and that the predictive effects of CEOs are not substantive when out-of-sample test data sets are used. Although our main analysis relies on optimized distributed gradient boosting, we also conduct extensive robustness tests spanning close to 100 models with alternative algorithms and specifications, all of which yield consistent results. This paper was accepted by Joshua Gans, business strategy. Supplemental Material: The online appendix and data files are available at https://doi.org/10.1287/mnsc.2023.03625 .
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».