CEO Overconfidence and Dividend Payout Policy
Notice bibliographique
Résumé
The payout policy depends on not only the company's development strategy but also the CEO's personal characteristics, and CEO overconfidence is one of the attributes that are widely discussed. This study investigates the impact of CEO overconfidence on dividend payout policy. We analyze the traditional dividend hypothesis, the irrational behaviors caused by CEO overconfidence, and how these irrational behaviors affect the payout policy. \n \nThe study carried out the estimation based on 1238 U.S. and Canadian active and inactive publicly companies from 2010-2019. We use the method Holder67 of Malmendier and Tate (2005) to measure CEO overconfidence and follow the research method of Deshmukh et al. (2013). We first prove that overconfident CEO is 6.5% less likely to initiate dividend payments, which is consistent with the cater hypothesis. Then we find that CEO overconfidence is positively related to the amount of dividend payment. Specifically, overconfident CEOs tend to distribute $62.35 million more dividends than non-overconfidence. \n \nWe also analyze life-cycle theories of dividends and find that the growth opportunities have no impact on dividend payout independently, and the impact of CEO overconfidence on divide payout is greater in high-growth firms. Moreover, we differentiate companies into innovative and non-innovative firms based on the amount of R&D investment, and we find that the increase in dividend payments associated with CEO overconfidence is larger in innovative firms.
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 | 0,002 | 0,013 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».