En regressionsanalys kan vara både multipel och bivariat (Sundell, 2009). Enligt Bryman och Bell (2017) kan en multipel regressionsanalys tillämpas för att finna eventuella kausala samband mellan en beroende variabel och flera oberoende variabler. En bivariat regressionsanalys undersöker endast den oberoende variabeln i förhållande till en beroende variabel (Sundell, 2009). I studien har 4 olika regressioner genomförts, en regression för varje beroende variabel, det vill säga för ROA år 1, anställda år 1, ROA år 5 och anställda år 5. Varje regression består sedan utav 4 olika modeller där modell 1 undersöker enbart den oberoende variabeln i förhållande till den beroende variabeln. I modell 2 utökas testet med
kontrollvariabeln kön, i modell 3 undersöks istället kontrollvariabeln bransch och i modell 4 tillämpas kontrollvariabeln län.
Multikollinearitet kan förekomma i en regressionsanalys när två eller flera av de oberoende variablerna starkt korrelerar med varandra och är något som måste kontrolleras för. Varför detta anses vara problematiskt beror på att effekterna av de två variablerna på den beroende variabeln är svåra att urskilja. Det finns dock inte något bestämt värde för när multikollinearitet bedöms vara problematiskt men utifrån Sundell (2010b) börjar det bli ett problem vid ett värde över 0,8.
Utifrån korrelationsanalysen (tabell 8) kan vi utläsa att det inte förekomma någon stark korrelation för någon av våra oberoende variabler, vilket innebär att multikollinearitet således inte är något problem i våra regressioner.
Siffrorna i tabellerna 9-12 nedan står för variablernas b-koefficient och standardfelet finns angivet inom parantes. B-koefficienten är ett mått som visar vad som händer med den beroende variabeln i genomsnitt om vi tar ett steg uppåt mot den oberoende variabeln (Sundell, 2009). I testerna tillämpas två olika signifikansnivåer, nämligen p < 0,1 och p < 0,05. Nivåerna skiljer sig åt beroende på tillförlitlighet. Den första nivån, p < 0,1, har en lägre trovärdighet eftersom resultatet i mindre utsträckning går att generalisera för hela populationen. Däremot har den andra signifikansnivån, p < 0,05, kapaciteten att dra slutsatser för hela populationen då det anses vara ett starkare och mer pålitligt mått (Bryman & Bell, 2017). Adjusted R Square (R2 adj)”
kan i tabellen nedan utläsas i procent och värdet kan förklara hur de oberoende variablerna kan förklara variansen för den beroende variabeln. Skillnaden mellan R2 och R2 (adj) är att det justerade värdet justerar ner måttet och tar hänsyn till antalet oberoende variabler som ingått i analysen. Ett högt R2 (adj) värde innebär en hög förklaringskraft (Sundell, 2009).
Gotland och Kronoberg har i regressionsanalyserna fallit bort då de inte har antagit några värden. Tjänster har i testen använts som referensgrupp i modell 3 och Stockholm som referensgrupp i modell 4. Resterande branscher och län jämförs sedan i förhållande till den valda referensgruppen. Varför just dessa referensgrupper väljs beror på att de båda sticker ut i undersökningen och har betydligt högre värden än resterande grupper.
Tabell 9: Regressionsanalys – ROA år 1. Siffrorna 1-4 står för respektive modell.
1 2 3 4
Aktiekapital 0,087 (0,353) 0,087 (0,354) 0,71 (0,369) 0,133 (0,395)
Kön -0,21 (0,409) förklaringskraft. Ingen av kontrollvariablerna kön, bransch eller län kan förklara denna lönsamhet. Det finns dock ett fall som kan förklara denna lönsamhet och det är Uppsala, vilket också är det enda fallet som är signifikant på 95% nivån.
Tabell 10: Regressionsanalys - Anställda år 1.Siffrorna 1-4 står för respektive modell.
1 2 3 4
Aktiekapital 0,150 (0,327) 0,150 (0,325) 0,220 (0,334) 0,280 (0,344)
Kön 0,611* (0,375)
Tabell 10 har signifikanta samband på båda signifikansnivåerna. I modell 2 ställs den oberoende variabeln aktiekapital i förhållande till den beroende variabeln anställda år 1 och kontrolleras mot kontrollvariabeln kön. B-koefficienten för kön (0,611) kan förklara att aktiebolagen har fler anställda om företaget drivs av en kvinnlig grundare än om det drivs av en manlig grundare och är således signifikant. B-koefficientens värde för finans i modell 3 kan utläsas att det aktiebolagen inom denna bransch genomsyras av färre antalet anställda gentemot branschen restaurang. I övrigt har regressionsanalysen ett lågt R2 värde för modell 3 på 2% och övriga R2 (adj) är dessutom negativa, vilket innebär att även denna analys har en låg förklaringskraft.
Tabell 11: Regressionsanalys - ROA år 5.Siffrorna 1-4 står för respektive modell.
1 2 3 4
Aktiekapital -0,039 (0,164) -0,039 (0,163) -0,084 (0,169) 0,107 (0,158)
Kön -0,224 (0,189)
Halland, Jämtland och Västernorrland har signifikanta samband i tabell 11 ovan. R2 (adj) värdet för modell 4 är här positivt, vilket innebär att 24% av variationen i ROA år 5 kan förklaras av den oberoende variabeln aktiekapital och kontrollvariabeln län. I övrigt är resultaten ganska lik ROA 1 (tabell 9) med låga R2(adj) värden för modell 1-3, vilket innebär att inga generella slutsatser av denna tabell kan dras.
Tabell 12: Regressionsanalys - Anställda år 5.Siffrorna 1-4 står för respektive modell.
1 2 3 4
Aktiekapital 0,229 (0,257) 0,229 (0,258) 0,245 (0,264) 0,416 (0,2949
Kön 0,164 (0,298)
Interceptet i tabell 12 är i alla fyra olika regressionsmodellerna signifikanta på 95% nivån. B-koefficienten för kön i modell 2 är till skillnad från värdet i tabell 10 inte längre signifikant och därmed finns ingen generell slutats att dra om könet på grundaren har betydelse för antalet anställda. I modell 3 kan vi utläsa ett positivt R2(adj) värde, vilket innebär att aktiekapital och bransch förklarar 1,2 % av variationen i anställda år 5, med bedöms däremot fortfarande vara en låg förklaringskraft.
6.3.1 Logistisk regression
När den oberoende variabeln går att mäta och den beroende variabeln är en kategorivariabel som enbart kan anta två olika svar används en logistik regressionsanalys (Hair et al., 2014). I denna studie är beroende variabeln konkurs en kategorivariabel och en logistik regression blir således lämplig att utföra för att finna eventuella samband mellan den beroende variabeln konkurs och den oberoende variabeln aktiekapital. I modell 2, 3 och 4 utökas dessutom den logistiska regressionen med studiens kontrollvariabler kön, bransch och län för att undersöka om dessa kan påverka utfallet.
Tabell 13: Logistisk regression – Konkurs. Siffrorna 1-4 står för respektive modell.
1 2 3 4
Den logistiska regressionen för konkurs finns sammanställd i tabell 13 ovan. Värdena för aktiekapital, kön, bransch och län står för variablernas b-koefficient. Cox & Snell R Square och Nagelkerke R Square förklarar sambandet mellan den oberoende och den beroende variabeln. För att den oberoende variabeln ska förklara den beroende variabeln maximalt ska dessa värden anta värdet 1. I modell 1 är Cox & Snell R Square värdet 0,018 och Nagelkerke R Sqaure värdet 0,03, vilket innebär att aktiekapital inte har någon direkt påverkan på konkurs.
Aktiekapitalet har en negativ relation till konkurs eftersom B-koeffienten är negativ. Däremot är den inte signifikant, vilket innebär att det inte med säkerhet går att konstatera att det finns ett negativt samband.
I modell 2 tillkommer kontrollvariabeln kön med måtten 0,021 och 0,035, vilket innebär att inte heller könet på grundaren har någon vidare påverkan på konkurs. Likt modell 1 är även här aktiekapitalet negativt till konkurs medan kön har en positiv relation. Däremot är inte värdet för kön signifikant vilket innebär att det inte går att dra någon konstantering om att kön skulle vara positivt relaterat till konkurs.
I modell 3 har kontrollvariabeln bransch måtten 0,078 och 0,131, vilka även de har en svag förklaringsgrad till konkurs. Aktiekapitalet, finans, hälsovård, industri och fastigheter har en negativ relation till konkurs medan övriga branscher har en positiv relation. Däremot är inga värden signifikanta och en slutsats om ett positivt eller negativt samband går således inte att fastställa.
Den största förklaringsgraden utläsas i modell 4 där kontrollvariabeln län tillkommer och har måtten 0,147 och 0,248. Däremot kan även dessa värden anses vara relativt låga och kan därmed inte förklara konkurs i speciellt hög utsträckning. Däremot har aktiekapital på 100 000 SEK här ett negativt signifikant samband med konkurs, vilket innebär att aktiebolag med 50 000 SEK i aktiekapital har större sannolikhet att gå i konkurs än aktiebolag med 100 000 SEK i aktiekapital. Detta stärker den deskriptiva statistiken ovan (tabell 6) som visade på en stor skillnad mellan grupperna när det kommer till konkurs, vilket här framkommer när den logistiska regressionen kontrollerar för län.
7 Analys
Inledningsvis analyseras studiens fyra olika hypoteser utifrån både teori och det empiriska resultatet. Därefter avslutas det sjunde kapitlet med en övergripande analys av teori och empiri för att besvara studiens frågeställning.