[重磅更新]上市公司高管数字化背景数据整理Stata代码（2008-2022年）

最新推荐文章于 2024-08-17 14:22:19 发布
最新推荐文章于 2024-08-17 14:22:19 发布
阅读量285 收藏 4
点赞数 7
文章标签： 大数据
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2401_84230935/article/details/138752407
版权

高管数字化背景


变量说明CEO政治关联

使用上市公司董监高
个人特征数据中的高管所学专业信息构建高管数字化背景的虚拟变量，将所学专业中涉及“
信息、智能、软件、电子、通信、系统、网络、自动、无线、计算机”的视为有数字化背景
高管。若上市公司高管中任意一人具有数字化背景，则该指标为1，否则为0。

参
考文献


[1]王超,余典范,龙睿.经济政策不确定性与企业数字化——垫脚石还是绊
脚石?[J].经济管理,2023,45(06):79-100.

各年数据量


数据描述性统计

数据截图


数据下载

代码经管之家Wh
atsappp.do
   

下载链接：https://download.csdn.net/download/weixin_45892228/89117525

点击下载：[重磅更新]上市公司高管数字化背景数据整理Stata代码（2008-2022年）

2401_84230935
关注
  • 7
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
2008-2020年数据上市公司高管团队异质性数据包含Stata代码
m0_71334485的博客
11-08 952
2008-2020年数据上市公司高管团队异质性数据包含Stata代码
2000-2020年上市公司环保投资数据（含原始数据和stata代码）
m0_71334485的博客
08-08 1917
2000-2020上市公司环保投资数据（含明细数据和代码计算思路通过筛选为上市公司财务报表附注的在建工程、其他应付款、管理费用中与环保投资有关的关键词，获得相关的环保投资数据。但是由于（在建工程、管理费用）和（其他应付款）分属于资产负债表借贷的两端，直接加总可能涉及重复计算，因此，仅选用在建工程、管理费用两个项目进行筛选。...
2008-2020上市公司全要素生产率OP方法-文献-数据-Stata代码
m0_71334485的博客
10-27 1754
2008-2020全要素生产率OP方法-文献-数据-Stata代码
2003-2019年上市公司治理水平（含原始数据和具体计算过程stata代码）
m0_71334485的博客
10-27 2500
2003-2019年上市公司治理水平（含原始数据和具体计算过程stata代码）
重磅更新上市公司高管数字化背景数据整理Stata代码（2008-2022年）
04-11
高管数字化背景 变量说明CEO政治关联 使用上市公司董监高个人特征数 据中的高管所学专业信息构建高管数字化背景的虚拟变量，将所学专业中涉及“信息、智能 、软件、电子、通信、系统、网络、自动、无线、计算机”的...
重磅更新上市公司高管团队异质性数据处理Stata代码（2008-2022年数据）
05-02
高管团队异质性 计算说明 年龄异质性，采用变异系数（也就是用标准差与均值的比值） 性别异质性、教育背景异质性、职能背景异质性、海外背景异质性、金融背景异质性，采 用Herfindal-Hirschman系数（赫芬系数）， P...
上市公司高管技术背景数据整理Stata代码（2008-2022年 ）技术高管技术董事技术监事
04-12
高管技术背景 变量说明CEO政治关联 当高管具有与企业信息化管理或信息技术相关的 教育或从业经历时，我们认为其具有信息技术背景。根据教育部2012年发布的《普通高 等学校本科专业目录》，信息技术教育背景是指具有...
上市公司高管薪酬粘性数据+Stata代码 2009-2022 五年滚动计算
08-20
上市公司高管薪酬粘性数据+Stata代码 2009-2022 五年滚动计算
上市公司女性高管指标数据整理Stata代码（附1999-2020年数据）
06-19
上市公司女性高管指标数据整理Stata代码（附1999-2020年数据） 含高管女性个人资料和处理代码 数据预览：链接：https://pan.baidu.com/s/1F1rJI49WkIK6xvxZRE0Sxw 提取码：wwhf
Spark MLlib 特征工程(上)
08-14 4498
特征选择的动机，在于提取与预测标的关联度更高的特征，从而精简模型尺寸、提升模型泛化能力。特征选择可以从两方面入手，业务出发的专家经验和基于数据的统计分析。归一化的目的，在于去掉不同特征之间量纲的影响，避免量纲不一致而导致的梯度下降震荡、模型收敛效率低下等问题。归一化的具体做法，是把不同特征都缩放到同一个值域。在这方面，Spark MLlib 提供了多种归一化方法供开发者选择。
RabbitMQ-消息队列之routing使用
最新发布
龙哥·三年风水从2011年开始做IT工作，从ps画图到前端开发->后端开发->框架开发->业务架构设计及开发->业务需求整理、开发->技术经理->技术总监
08-17 250
RabbitMQ-消息队列之routing使用
谷粒商城实战笔记-175~177-商城业务-检索服务-检索查询接口开发
epitomizelu的专栏
08-13 789
搜索页面搭建完成之后，点击搜索按钮，发送参数给后台服务，后台服务根据参数从Elasticsearch中查询符合条件的数据，返回给前端。
SparkSQL
m0_73745224的博客
08-13 1029
sparkSQL操作各种数据
重塑商业生态：技术驱动下的批发供应系统开发与革新
qq_27313987的博客
08-13 427
在当今这个快速变化的商业环境中，批发供应系统作为连接生产商、分销商与零售商的关键纽带，其效率与智能化水平直接影响着整个供应链的运作效率与市场竞争力。随着信息技术的飞速发展，特别是大数据、云计算、人工智能（AI）以及物联网（IoT）等前沿技术的深度融合，批发供应系统正经历着一场前所未有的技术革新，为传统商业模式带来了颠覆性的变化。
基于车联网大数据平台的用户驾驶习惯行为画像分析
DolphinDB智臾科技
08-15 714
车联网系统中，利用大数据对驾驶行为进行研究，有助于了解驾驶员的特征，并提供优化建议。本文从用户驾驶行程中的速度偏好、驾驶风格、熟练度三个方面描述用户画像，并介绍如何使用 DolphinDB 基于 K-means 算法的聚类模型生成用户画像与个性化标签，完成数据存储、处理、特征提取、模型构建及预测等全过程。
Binance 如何使用 Quickwit 构建 100PB 日志服务(Quickwit 博客)
o__cc的博客
08-15 645
三年前，我们开源了 Quickwit，一个面向大规模数据集的分布式搜索引擎。我们的目标很宏大：创建一种全新的全文搜索引擎，其成本效率比 Elasticsearch 高十倍，配置和管理显著更简单，并且能够扩展到 PB 级别的数据。 https://quickwit.io/blog/quickwit-first-release 虽然我们知道 Quickwit 的潜力，但我们通常测试的数据量不超...
SpringBoot + RabbitMQ + WebSocket + STOMP 协议 + Vue 实现简单的实时在线聊天案例
liber.info
08-09 1331
WebSocket是一种在单个TCP连接上进行全双工通信的协议。它允许客户端和服务器之间的实时、双向数据传输。与传统的HTTP请求/响应模型相比，WebSocket更加高效，因为它在初次握手后，连接保持打开状态，可以不断传输数据。
分布式锁：Mysql实现，Redis实现，Zookeeper实现
dxh9231028的博客
08-14 1411
通过自己定义一个锁表，并且定义一个不可重复的列，然后多个线程通过插入同一个数据来判断是否获取到锁，而释放锁的操作则是删除这条数据，通过自己实现这一过程，可以实现更灵活的分布式锁机制。
举一个用Stata代码计算上市公司高管特征异质性的例子，给出具体的数据和stata命令
05-30
以下是一个计算上市公司高管特征异质性的例子，数据来源于Wind数据库： 1. 数据范围：2010年至2019年中国A股上市公司高管数据 2. 变量说明： - 性别（gender）：0表示女性，1表示男性 - 年龄（age） - 学历（education）：0表示专科及以下，1表示本科，2表示硕士及以上 - 工作经验（workexp）：单位为年 - 公司名称（comname） 3. 数据处理： - 根据数据范围筛选符合条件的样本 - 对数据进行清洗和处理，如剔除缺失值、异常值等 - 进行变量构建，计算高管团队的异质性指标 4. Stata代码： ```stata * 导入数据 import delimited "data.csv", clear * 数据清理和处理 drop if missing(gender) | missing(age) | missing(education) | missing(workexp) drop if age < 18 | age > 80 | workexp < 0 gen comid = substr(comname, 1, 6) // 提取公司代码 egen count_id = count(comid), by(comid) // 计算每个公司的高管数 keep if count_id >= 3 // 保留至少有3个高管的公司 * 计算高管团队异质性指标 egen mean_age = mean(age), by(comid) egen sd_age = sd(age), by(comid) egen mean_education = mean(education), by(comid) egen sd_education = sd(education), by(comid) egen mean_workexp = mean(workexp), by(comid) egen sd_workexp = sd(workexp), by(comid) gen heterogeneity = sd_age + sd_education + sd_workexp // 计算高管团队异质性指标 * 查看结果 summarize heterogeneity ``` 其中，data.csv为原始数据文件，包含性别、年龄、学历、工作经验等多个变量。代码中进行了数据清理和处理，如剔除缺失值、异常值等，并计算了每个公司的高管数，保留至少有3个高管的公司。然后，通过egen命令计算了每个公司高管团队的异质性指标，包括年龄、学历、工作经验等方面的异质性。最后，通过生成一个新变量heterogeneity来计算高管团队异质性指标，并使用summarize命令查看结果。 需要注意的是，代码仅供参考，具体的数据处理和异质性计算需要根据实际情况进行调整和优化。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值