We use Principal Component Analysis

We use Principal Component Analysis (PCA) to
combine CG attributes. In prior research, CG attributes
are usually combined using equally weighted or
binary approaches. Gompers et al.’s (2003) governance
index, for example, consists of 24 variables, all
of which are binary. They calculate the index using
the equal weighted sum of the variables. Others, such
as Credit Lyonnais Securities Asia (CLSA) (2001)
Patel et al. (2002), and Garay and Gonza´ lez (2008),
use similar methods to obtain their indices. Although
this method creates data that are more reproducible,
it omits important information that continuous CG
variables yield, and it subjectively sets the thresholds
of binary variables. CG attributes should have
different degrees of importance, and thus an equal
weighting of index components makes the comparison
more difficult. The challenge here is to find the
appropriate weighting of CG attributes. In our
model, we first apply the PCA, and then use the
largest eigenvector to combine the CG attributes.
This method captures the commonality of both
binary and continuous variables, and thus the indices
account for the contributions of individual attributes
to the CG mechanisms.

ผลลัพธ์ (ไทย) 2:

เราใช้การวิเคราะห์องค์ประกอบหลัก (PCA)
เพื่อรวมคุณลักษณะการกำกับดูแลกิจการ ในงานวิจัยก่อนคุณลักษณะ CG
จะรวมกันมักจะใช้อย่างเท่าเทียมกันถ่วงน้ำหนักหรือวิธีไบนารี
เปอร์ส et al. ของ (2003)
กำกับดูแลดัชนีตัวอย่างเช่นประกอบด้วยตัวแปร24
ทั้งหมดซึ่งเป็นเลขฐานสอง พวกเขาคำนวณดัชนีโดยใช้ผลรวมถ่วงน้ำหนักที่เท่ากันของตัวแปร
อื่น ๆ
เช่นเป็นเครดิตลียองเนส์หลักทรัพย์เอเชีย(CLSA) (2001)
เทลและอัล (2002) และ Garay และ Gonza' lez (2008)
ใช้วิธีการที่คล้ายกันที่จะได้รับของพวกเขาดัชนี แม้ว่าวิธีนี้จะสร้างข้อมูลที่สามารถทำซ้ำได้มากขึ้นมันละเว้นข้อมูลที่สำคัญที่การกำกับดูแลกิจการอย่างต่อเนื่องผลผลิตตัวแปรและจิตใจกำหนดเกณฑ์ของตัวแปรไบนารี คุณลักษณะบรรษัทภิบาลควรมีองศาที่แตกต่างกันมีความสำคัญและทำให้เท่ากับน้ำหนักขององค์ประกอบดัชนีที่ทำให้การเปรียบเทียบยากขึ้น ความท้าทายที่นี่คือการหาน้ำหนักที่เหมาะสมของคุณลักษณะบรรษัทภิบาล ของเราในรูปแบบครั้งแรกที่เราใช้ PCA และจากนั้นใช้วิคเตอร์ที่ใหญ่ที่สุดที่จะรวมคุณลักษณะด้านCG. วิธีการนี้จะจับคนธรรมดาสามัญของทั้งสองตัวแปรไบนารีและอย่างต่อเนื่องและทำให้ดัชนีบัญชีสำหรับผลงานของแอตทริบิวต์ของแต่ละกลไกการกำกับดูแลกิจการ

ผลลัพธ์ (ไทย) 3:

เราใช้การวิเคราะห์องค์ประกอบหลัก ( PCA )

รวมคุณลักษณะ CG . ในวิจัยคุณลักษณะ
CG มักจะรวมการเท่าเทียมกันถ่วงน้ำหนักหรือ
วิธีการไบนารี กอมเพิร์ส et al . ( 2003 ) ธรรมาภิบาล
ดัชนี ตัวอย่างเช่น ประกอบด้วย 24 ตัวแปรทั้งหมด
ซึ่งเป็นไบนารี พวกเขาคำนวณดัชนีถ่วงน้ำหนักเท่ากับใช้
ผลรวมของตัวแปร ผู้อื่น เช่น
เครดิตว่าเป็นหลักทรัพย์ เอเชีย ( CLSA ) ( 2001 )
Patel et al . ( 2002 ) และ กาเรย์ gonza ใหม่และ lez ( 2008 ) ,
ใช้วิธีที่คล้ายกันเพื่อให้ได้ดัชนีของพวกเขา แม้ว่า
วิธีนี้สร้างข้อมูลที่จำลองมากขึ้น
มันละเว้นข้อมูลที่ตัวแปร CG
อย่างต่อเนื่องผลผลิตที่สำคัญ และมันอย่างชุดธรณีประตู
ตัวแปรฐานสอง CG คุณลักษณะควร
องศาที่แตกต่างกันของความสำคัญจึงมีน้ำหนักเท่ากับ
ส่วนประกอบของดัชนีทำให้การเปรียบเทียบ
ยากขึ้น ความท้าทายที่นี่ เพื่อหาน้ำหนักที่เหมาะสมของแอตทริบิวต์ CG
. ในแบบของเรา
เราก่อนใช้ PCA และจากนั้นใช้
เวกเตอร์ลักษณะเฉพาะที่ใหญ่ที่สุดรวม CG คุณลักษณะ .
วิธีนี้จับ commonality ของทั้งสอง
ไบนารีและอย่างต่อเนื่องตัวแปร ดังนั้นดัชนี
บัญชีสำหรับเงินสมทบของแต่ละคุณลักษณะ
กับ CG กลไก