上市公司高管超额在职消费计算Stata代码(附2005-2022年结果)高管非货币性私有收益

高管超额在职消费

计算说明

非正常的高管在职消费来衡量, 采用管理层在职
消费与由经济因素决定的高管预期正常的在职消费之间的差额表示。预期正常的高管在职消
费水平用以下模型估计:  


 为高管在职消费 ,数据取自管理费用中扣除了
董事 、高管以及监事会成员薪酬 、计提的坏账准备、存货跌价准备以及当年的无形资产
摊销额等明显不属于在职消费的项目后的金额;(注:实施新准则后企业计提的坏账准备和
存货跌价准备不再在“管理费用”科目核算。)
 为上期期末总资产
 为本期主营业务
收入的变动额
 为本期厂场 、财产和设备等固定资产的净值
 为本期存货总额
 为
企业雇佣的员工总数的自然对数

      利用模型先对样本企业分年度分行业
进行回归,通过模型回归得到的因变量预测值即表示正常的在职消费,实际在职消费与正常
在职消费的差额即为非正常在职消费(UnPerks)。

参考文献


权小锋, 
吴世农, 文芳. 管理层权力、私有收益与薪酬操纵[J]. 经济研究, 2010(
11):75-8
9.


数据说明


原始数据格式为:excel格式(2001
-2022年)
代码格式:do文件(Stata14/15/16),需要安装包可以
到该贴下载: 下载地址
行业标准选择2012年证监会行业分类标准,其他行业用一级
分类,制造业用二级分类(取前两位)
本文选取2005—2022年A股上市公司为研
究对象
本文剔除金融行业,剔除当年IPO及上市以前的数据,剔除已退市的上市公司,
剔除ST或PT上市公司,剔除了行业观察值小于10的样本,以便有效估计,具体筛选标
准可以根据需求调整

对变量进行Winsorize(缩尾)处理,小于1%分位数与
大于99%分位数的变量,令其分别等于1%分位数和99%分位数


结果说明


础数据截图


结果截图


各年数据量


描述性统计


附件下载

经管之家:momingiqmiao7
欢迎关注,分享更多实用的数据,独家
发布,请勿私自转卖,有任何问题在可以帖子下方回复,及时回复
注意:支持经管之家和
微信购买(账号同名),其他渠道购买无质量保证和售后保障,批量购买可享优惠

【关
注】【帖子索引2022年】【帖子索引2021年】【使用常见问题】

【点击查看更
多帖子】【Stata软件下载】【Stata免费学习资料】


补充内容 
(2024-6-26 22:11):
上市公司高管超额在职消费计算Stata代码
(附2005-2023年结果)高管非货币性私有收益
https://bbs.pi
nggu.org/thread-11817746-1-
1.html
   

下载链接:https://download.csdn.net/download/weixin_45892228/89129543

点击下载:上市公司高管超额在职消费计算Stata代码(附2005-2022年结果)高管非货币性私有收益

  • 3
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
以下是一个计算上市公司高管特征异质的例子,数据来源于Wind数据库: 1. 数据范围:2010至2019中国A股上市公司高管数据 2. 变量说明: - 别(gender):0表示女,1表示男 - 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 - 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 // 计算高管团队异质指标 * 查看结果 summarize heterogeneity ``` 其中,data.csv为原始数据文件,包含别、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指标,包括龄、学历、工作经验等方面的异质。最后,通过生成一个新变量heterogeneity来计算高管团队异质指标,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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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