Three essays on going private transactions: management buyouts versus leveraged buyouts
Notice bibliographique
Résumé
This dissertation consists of three essays that examine differences between two different forms of going-private transactions: leveraged buyouts (LBOs) and management buyouts (MBOs). My main focus is to look at what separates MBOs and LBOs in terms of motivations and outcomes. I argue that the desire for decision-making control of the firm is what drives both the choice of an MBO over an LBO and many strategic decisions leading up to the transaction itself. The first essay surveys the literature and develops testable hypotheses that distinguish between MBOs and LBOs. Using control to differentiate between these two types of transactions is important because I wish to examine how decision-making control of the firm motivates each participant in the transaction. This leads to hypotheses about pre-buyout ownership structure, which affects the probability of choosing either an MBO or LBO. The second essay examines the determinants of LBOs and MBOs, and the effects of financing conditions and firm characteristics in a sample of U.S. firms that went private through LBOs and MBOs from 2000 to 2011 relative to the firms that were public during this period. I find significant differences between the LBO and MBO samples. Tighter lending conditions decrease the probability of an LBO but increase the probability of an MBO. In addition, while liquidity and growth opportunities are negatively correlated with the probability of going private for both LBOs and MBOs, the latter plays a stronger role for MBOs. The third essay analyzes differences in the determinants of the premiums paid when taking a firm private. Since the choice between an MBO and an LBO is one of self-selection, the empirical methodology must take this into account. I use a two-stage regression model to control for this selection bias. The first-stage probit model shows that ownership is the main determinant of the selection of the transaction type. The second-stage model shows that the determinants of MBO and LBO premiums are substantially different. The level of insider ownership has a large negative effect on MBO premiums, but no effect on LBO premiums. Overall, this dissertation contributes to the existing literature by examining heterogeneity among firms that go private. I test this heterogeneity and find significant differences between MBO and LBO firms, both in terms of the motivations for taking the firm private and the premiums paid in the transaction.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 ».