面对复杂的管理现象，主流的实证研究通常从某一角度去揭示特定现象.学者难以基于众多细微研究构建出中层理论，甚至也无法评价已有研究所探索的诸多影响因素的相对重要程度.本文提出，通过机器学习方法分析海量数据，并基于学界已经积累的研究结论，学者能够比较准确地把握与现象最相关的因素，从而建立更具解释力的理论.本研究以公司治理中CEO解聘这一流行话题为例，通过梳理现有文献，基于CEO大型文本语料库及CEO任职期间其个人与公司的相关数据，采用机器学习方法提取与CEO解聘相关的三类因素，并进一步计算出三类因素单独和彼此结合的预测力.研究发现证实了近年来这一领域研究话题向个体异质性转变的合理性，也为学者建立解释CEO解聘的整合理论奠定基础.本研究展示了机器学习与实证研究相结合的优势和前景.