Essays in empirical corporate finance
Notice bibliographique
Résumé
This dissertation is a collection of three essays that explore topics in empirical corporate finance. The first essay studies the quality of proxy advisors' recommendations. Using a comprehensive sample of say-on-pay recommendations from the two largest proxy advisors over the period 2012 – 2019, I document that proxy advisors fail to filter out industry-level returns that are presumably beyond the control of management in evaluating a CEO’s pay package. This finding contradicts the predictions of standard agency theory that CEOs should be evaluated on their relative performance in the presence of common shocks. I use adjustment for industry performance as the quality measure of recommendations. I find a decrease in quality (1) when proxy advisors are busy, and (2) when proxy statements and pay contracts are complex. My analysis suggests that proxy advisors’ capacity constraints are likely explanations for the limited applications of relative performance evaluations in their recommendations. The second essay, coauthored with Jan Bena, develops a novel measure of disagreement in voice between active and passive mutual funds using their proxy votes that captures shareholder conflicts in public firms. We show that the disagreement in voice between passive and active funds is associated with a decrease in firm value and suggest that the firm value loss is due to conflicting incentives between the two groups. The third essay, coauthored with Jan Bena and Guangli Lu, studies the impact of national culture on within-firm pay inequality using a unique administrative dataset covering closely-held immigrant-owned firms in Canada from 2001-2017. We find that within-firm pay inequality varies significantly with a firm owner’s country of origin. Firms owned by immigrants from more individualistic countries have higher pay inequality. Using a difference-in-differences analysis, we find a significant increase in within-firm pay inequality after the firm is taken over by immigrant owners from countries with higher within-firm-pay-inequality or more individualistic cultures.
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 | 0,007 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,004 |
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 ».