Projet d'économétrie avec le logiciel RStudio (ou équivalent) : la rémunération des dirigeants

Thèmes abordés

Rémunération du dirigeant, RStudio, projet d'économétrie, performance de l'entreprise, échantillon d'entreprises, impact des primes, paramètres financiers, facteur d'influence, concurrence, modèle de régression, donnée utilisée, inégalité d'expérience, matrice de corrélation, outil statistique, coefficient de corrélation, régression linéaire

Résumé du document

La rémunération des dirigeants est depuis longtemps un sujet de controverse, beaucoup soutenant que les salaires élevés et les primes des dirigeants sont nécessaires pour attirer et retenir les meilleurs talents, tandis que d'autres affirment que cette rémunération est souvent excessive et peut entraîner des résultats négatifs tant pour l'entreprise que pour ses actionnaires (Bebchuk & Fried, 2004; Hall & Murphy, 2003; Jensen, 1993; Murphy, 1985). Ce document vise à explorer la relation entre la rémunération des dirigeants et la performance de l'entreprise, en mettant l'accent sur l'impact des primes sur cette relation. En examinant des données provenant d'un échantillon d'entreprises de différentes tailles, on espère fournir une compréhension nuancée de la façon dont la rémunération du dirigeant et les primes affectent la performance d'une entreprise.

Extraits

[...] Les résultats de ce document devraient fournir des preuves de la relation entre la rémunération du dirigeants et la performance de l'entreprise, et de la façon dont cette relation est affectée par l'inclusion de primes dans la rémunération du dirigeants. Les résultats de l'étude pourraient alimenter les débats sur le niveau approprié de la rémunération des dirigeants et l'utilisation des primes comme outil d'incitation à la performance. Données utilisées L'échantillon comporte différents indicateurs sur 447 observations d'entreprises américaines et de leurs dirigeants. Ces indicateurs sont énumérés comme suit : Salaire : rémunération régulière du dirigeant. [...]

[...] Si ces conditions ne sont pas remplies, le modèle de régression linéaire peut ne pas être approprié et d'autres techniques de modélisation pourraient être nécessaires - notamment en transformant certaines variables, ou encore en incorporant des contrôles supplémentaires. La régression linéaire est utilisée pour modéliser la relation entre une variable dépendante y et une ou plusieurs variables indépendantes x1, x xn. Elle permet de prédire la valeur de y en fonction de x1, x xn. en utilisant un modèle mathématique de la forme présentée plus haut. Dans cette formule, y est la variable dépendante, x1, x xn. sont les variables indépendantes et x1, β βn. sont les coefficients de régression. [...]

[...] La spécification de base s'écrit comme suit : Beneficei=α+β1Salairei+β2Primei+εi Où le bénéfice d'une entreprise i est régressé sur les salaire et prime du dirigeant. Comme la relation peut être imparfaite entre les deux variables explicatives et la variable endogène, on prend en compte un résidu noté ε, qui capture le comportement des bénéfices autre que ceux de la rémunération du dirigeant. La régression linéaire est une technique statistique utilisée pour modéliser la relation entre une variable dépendante et une ou plusieurs variables indépendantes. Elle permet de prédire la valeur de la variable dépendante en fonction de la ou des variables indépendantes. [...]

[...] Afin d'obtenir une visualisation des relations entre les variables, on utilise le package corrplot() pour représenter graphiquement la matrice de corrélation entre les variables : La matrice de corrélation est un outil couramment utilisé en statistiques pour évaluer la relation entre plusieurs variables quantitatives. Elle permet de visualiser les coefficients de corrélation entre chaque paire de variables dans un tableau. Si le coefficient de corrélation entre deux variables est positif, cela signifie qu'il y a une relation positive entre elles. Cela veut dire que lorsque l'une des variables augmente, l'autre augmente également. [...]

[...] On commence par la statistique de Fisher. Egalement appelée test de Fisher, est une mesure de significativité utilisée en statistiques pour évaluer si les coefficients de régression estimés dans un modèle de régression linéaire sont significativement différents de 0. En effet, dans un modèle de régression linéaire, on souhaite que chaque coefficient de régression (β βn) soit significativement différent de 0. Si un coefficient est égal à cela signifie que la variable indépendante associée n'a aucun effet sur la variable dépendante. [...]