I tabell 5 presenteras den deskriptiva statistiken för de oberoende variablerna. Eftersom Big4, LOSS, ROT är dummyvariabler så presenteras inte deskriptiv statistik för dem, utan de är utmärkta med n.a. Däremot är information om hur många observationer av
värdet 1 och 0 presenterade i tabellen. För AGE som är måttet på längden av revisionsuppdraget anses det minsta värdet ligga på 1 år. Alla de andra variablerna är angivna i absoluta värden medan ROA är angiven i procent.
Tabell 5 Deskriptiv Statistik
Som man kan läsa i Tabell 5 är de totala mängden observationer 840 stycken. AWCA värdet har ett minimivärde på -8,841, ett maximivärde på 5,409. Dessa värden kan anses vara höga och låga, men eftersom det inte är i intresse för AWCA värden att fokusera på minimi- och maximivärde, utan snarare medelvärdet anses dessa inte vara ett problem.
Dessa kan tolkas som extremvärden, men eftersom det inte handlar om en stor mängd observationer har dessa valts att inte exkluderas. Spridningen av AWCA värden kommer att presenteras mera utförligt i kapitel 5.4. Medelvärdet för AWCA är -0,048, medianen -0,004 samt standardavvikelsen 0,746. Här bör även nämnas att det inte är en skillnad på negativa och positiva AWCA värden då negativa anses vara inkomstsänkande resultatmanipulering och positiva inkomsthöjande resultatmanipulering. Därmed kan man tolka att desto längre värdet är från noll desto mera resultatmanipulering använder sig företaget av. Medelvärdet visar att de flesta använder sig av någon slags resultatmanipulering, men ändå är medelvärdet inte mycket under noll. Eftersom AWCA indikerar revisionskvaliteten, är det av intresse att kolla på standardavvikelsen eftersom den visar spridningen av observationerna. Eftersom standardavvikelsen inte är hög indikerar det att AWCA värdena är relativt lite utspridda.
ROA som har angetts i procent har ett minimivärde på -123,55%, maximivärde på 58,08%. Medeltalet är 3,18% medan medianen är 5,58%. Standardavvikelsen ligger på 17,36%. Storleken (SIZE) däremot har ett minimivärde på 3,321 maximivärde på 13,171, medelvärde 7,852. Medianen ligger på 7,546 och standardavvikelse på 1,917. Med detta kan man se att storleken på företagen skiljer sig relativt mycket och därmed finns både relativt stora och små företag med i samplet.
LEVERAGE variabeln som mäter skuldsättningsgraden har ett minimivärde på 0,000, maximivärde på 0,900, medeltalet ligger på 0,154, medianen är 0,122 och standardavvikelse värdet är 0,149. AGE som står för längden på revisionsuppdraget har ett minimivärde på 1 och ett maximivärde på 45 år. Medelvärdet är 9 år medan medianen är 6. Standardavvikelsen är 8 år. Med detta kan man konstatera att medelvärdet för revisionsuppdraget inte är över den lagliga gränsen för obligatorisk byrårotation.
LOSS fungerade som en dummyvariabel, med värdet 1 ifall en förlust hade förekommit under året eller respektive 0 ifall företaget visade vinst. På grund av att variabeln är en dummy variabel har n.a. skrivits in på de andra tabellerna och det har endast presenterats mängden förluster och vinster som uppkommit. 172 stycken observationer visade en förlust medan de resterande 668 observationer visade en vinst för året.
Därmed visade 79,5% av observationerna en vinst istället för förlust.
Big4 är även en dummyvariabel och värdet 1 indikerar att företaget blivit reviderat av ett av Big4 företagen medan värdet 0 indikerar att de revideras av ett företag som inte hör till Big4. Av de totalt 840 observationer var 793 stycken reviderade av ett Big4 revisionsföretag vilket är 94,4%. Därmed var de resterande 47 stycken observationerna reviderade av något annan revisionsbyrå. Med detta kan man konstatera att största delen av samplets företag använder sig av ett Big4 företag vid revideringen av bolaget.
ROT som är undersökningens intressevariabel är även en dummyvariabel. Variabeln har ett värde på 1 ifall en obligatorisk byrårotation skett och värdet 0 i andra fall. I Tabell 5 kan man se att endast 20 stycken observationer har värdet 1 vilket betyder att endast 20 stycken obligatoriska byrårotationer har gjorts. Med detta kan man konstatera att data i sig består av en relativt liten mängd obligatoriska byrårotationer som endast omfattar 2,4% av den totala mängden observationer.
5.2.1 Indelning av industrier
Det har även gjorts en indelning av industrier som presenteras nedan. I databasen Wharton Compustat Capital IQ, varifrån allt data har insamlats, har en indelning av industrier gjorts basis på så kallade Global industry standard dvs. GICS koder. I Tabell 6 presenteras de olika industrier som avhandlingens data består av. Som man kan se i Tabell 6 är den industriella sektorn den största sektorn i data med 32,86%. Till följande är industrigruppen inom hälsovård med 17,98%. Konsumtion (sällan) representerar 17,14% av data medan informationsteknologi ligger på 17,62%. Därefter är de resterande relativt små jämfört med de tidigare nämnda. Energi 0,95%, material 5,24%,
konsumtion (dagligen) 2,86%, telekommunikation 4,17, kraftförsörjning 0,71% och fastigheter med endast 4 observationer och därmed en andel på 0,48%. En indelning av industrier har inkluderats som kontrollvariabler i regressionerna, vilket även har gjorts av tidigare gjorda studier (Kwon et al. 2014). I Tabell 6 är samplets indelning av industrier presenterat. Eftersom regressionsanalyserna görs i statistikprogrammet SPSS kommer automatiskt en av dummyvariablerna att lämnas bort för att undvika en så kallad ”dummytrap”.
Tabell 6 Samplets indelning av industrier
5.2.2 Samplets indelning enligt revisionsbyrå
BIG4 variabeln är en dummy variabel med ett värde på 0 ifall företaget inte hade blivit reviderat av ett Big4 företag och värdet 1 ifall det var frågan om ett Big4 företag. I Tabell 7 presenteras indelningen av revisionsbyråer i samplet samt hur många procent som respektive revisionsbyråerna representerade i data.
Tabell 7 Samplets indelning enligt revisionsbyråer
Revisionsbyrå Antal Antal %
PwC 331 39,41%
Deloitte 127 15,12%
Ernst & Young 216 25,71%
KPMG 138 16,43%
BDO 6 0,71%
Moore Stephens 2 0,24%
Grant Thornton 20 2,38%
TOTALT 840 100%
Som man kan se i Tabell 7 är Big4 företagen de som har den största representationen i samplet. Av samplet var 39,41% av företagen reviderade av PwC, 15,12% reviderade av Deloitte, 25,71% av Ernst & Young och 16,43% av KPMG. De icke Big4 företagen i samplet var BDO, Moore Stephens och Grant Thornton. Deras representation av samplet ytterst litet med endast 28 observationer tillsammans.
Ett problem som uppstod vid datainsamlingen var då Compustat Capital IQ skilde åt PwC och Öhrlings PwC. PwC fick det rätta värdet medan Öhrlings PwC blev insatt som ett ”övrigt bolag”. Öhrlings PwC kommer från en fusion år 1998 mellan Price Waterhouse och Öhrlings Coopers & Lybrand men är de facto densamma som PwC Sverige. Detta betyder att det är frågan om samma företag trots att dessa två olika benämningar används. I företagens årsredovisningar kunde det antingen stå PwC eller Öhrlings PwC.
På grund av detta har en manuell ändring i data gjorts för att ändra dessa observationer till PwC istället för övrig revisionsbyrå och kan därmed ha orsakat små störningar i data.
Detta anses dock inte vara betydande för själva resultatet. (PwC Sverige, 2014)
5.2.3 Korrelation
Till följande presenteras resultaten från Pearsons-Korrelationsmatris i Tabell 8.
Pearsons-Korrelationsmatris visar korrelationen mellan variablerna, desto närmare värdet 1 variabeln är desto närmare perfekt korrelation har variablerna sinsemellan.
Värdet -1 indikerar en fullständig negativ korrelation och värdet 1 indikerar en fullständig positiv korrelation. Värdet 0 indikerar däremot att det inte finns någon korrelation alls. Syftet för att denna matris presenteras är för att kolla att ingen av kontrollvariablerna har en för stor korrelation med den beroende variabeln som kan snedvrida resultatet, detta kallas även för multikollinearitet.
Tabell 8 Pearson-Korrelationsmatris
I Tabell 8 kan man avläsa att inga extremvärden existerar och orsakar därmed inte snedvridningar i samplet. Det högsta värdet närmaste värdet 1 är -0,585 och är korrelationen mellan variablerna ROA och LOSS. Det näst högsta värdet är 0,318 och är korrelationen mellan LEVERAGE och SIZE. Några andra relativt starka samband kan man se mellan LOSS och SIZE med ett värde på -0,314 samt mellan AWCA och ROA med värdet -0,303, dessa indikerar på negativa korrelationer. En negativ korrelation mellan AWCA och ROA innebär att desto högre ROA desto bättre är revisionskvaliteten.
Korrelationsvärden är trots allt inte oroväckande höga och förväntas inte ha en inverkan på resultatet av regressionsanalysen. Enligt Pallant (2010 sid. 158) bör värdet på korrelationen inte vara över 0,7 eftersom då anses korrelationen vara så hög att det kan snedvrida resultatet. I denna avhandling är alla värden under 0,7 och därmed kan alla variabler hållas med i analysen.
Ytterligare kan man läsa från Tabell 8 att ingen av variablerna har ett högt VIF-värde.
Detta indikerar även att multikollinearitet inte existerar. Enligt Pallant (2010 s.158) är ett värde på 10 ett oroväckande högt värde och bör flaggas. I Tabell 8 kan man avläsa att
inget av VIF-värden överskrider 1,6 vilket betyder att multikollinearitet inte förekommer. Ytterligare kan man enligt Pallant (2010 s.158) tolka toleransvärdet som ett tecken för multikollinearitet. Ifall toleransvärdet underskrider 0,10 kan man anse att multikollinearitet har uppstått, detta kan man ändå i Tabell 8 avläsa att inte är fallet för denna undersökning.