I alla delar av denna forskning använder jag mig av R2 metoden, vilket innebär att jag ser på förklaringsgraden av regressionen (R2) och hur den utvecklats över åren. Varje hypotes tacklas genom att köra de två modellerna som presenterades ovan.
Regressionerna görs år för år för olika sampelgrupper som jag förklarar i detta kapitel och som är sammanfattade i tabell 2. Denna undersökning ser på R2 utvecklingen över en 15 års tid (2006 – 2020) vilket innebär att båda modellerna körs 15 gånger för varje sampelgrupp. Den enda avgränsningen som gäller alla sampelgrupper är att finansiella institutioner inte har tagits med på grund av deras unika kapitalstruktur. Som finansiella institutioner räknas här banker, försäkringsbolag, mäklare samt andra finansiella tjänster.
4.2.1 Metod för hypotes 1
H1 = Värderelevansen av finansiell bokslutsinformation har sjunkit
För att undersöka vare sig hypotes 1 stämmer delas datat inte in i grupper. Detta eftersom den första hypotesen endast gäller värderelevansen av finansiell bokslutsinformation över lag. Datat jag använder för att undersöka hypotes 1 presenterar jag i kapitel 5.2.1.
4.2.2 Metod för hypotes 2
H2 = Värderelevansen av finansiell bokslutsinformation har utvecklats mera negativt för immaterialintensiva företag än för icke immaterialintensiva företag.
För att undersöka ifall hypotes 2 stämmer delas samplet in i en grupp som är intensiv på immateriella tillgångar och en grupp som är mindre intensiv på immateriella tillgångar.
Den första indelningen görs på basen av medianen för immaterialintensitet.
Immaterialintensitet beräknas som aktiverade immateriella tillgångar delat på totala tillgångar. De observationer som har en immaterialintensitet högre än medianen sätts i en grupp och de observationer som har en immaterialintensitet lägre än medianen sätts i den andra gruppen. Sedan körs de två modellerna för de båda grupperna år för år för att se hur R2 utvecklats för de två grupperna skilt. Tanken är att företag med mera aktiverade immateriella tillgångar också under åren skulle ha gjort mera investeringar i immateriella tillgångar som inte aktiverats, och att det skulle ha lett till att deras boksluts värderelevans skulle ha sjunkit mera än för lågimmaterialintensiva företag.
På grund av att många tidigare undersökningar argumenterar att redovisningsstandarderna gällande immateriella tillgångar är föråldrade (Brown et al.
1999; Lev och Zarowin, 1999; Lev 2019; Gu et al. 2021; Cazavan-Jeny och Jeanjean 2006) delar jag sedan också in samplet i en hög- och en lågimmaterialintensiv grupp på basen av industri. Indelningen gör jag på basen av SIC koden. Jag använder mig av samma indelning som Ciftci et al. (2014) och Collins et al. (1997), det vill säga, klassar de följande SIC koderna som immaterialintensiva industrier: 286X (plast och syntetiska material); 283X (läkemedel); 357X (dator och kontorsmaterial); 367X (elektronik, delar och tillbehör); 48XX (kommunikation); 73XX (business-services); 87XX (ingenjörs-, redovisnings-, forsknings och undersöknings- och lednings relaterad-service).
De observationer som har de ovannämnda SIC kodernas siffror som de första siffrorna i sin fyrsiffriga SIC kod lägger jag i ett eget sampel som utgör den immaterialintensiva gruppen. De kvarvarande observationerna blir sitt eget sampel som utgör den icke immaterialintensiva gruppen. Motiveringen till att dela in samplet på basen av industri stöds speciellt av kritiken av Lev (2019) gällande den rådande redovisningen av immateriella tillgångar. Lev (2019) argumenterar starkt över hur en stor del av immateriella tillgångar kostnadsförs och inte aktiveras på balansen, även om de i praktiken är högt betydelsefulla tillgångar för företaget. Denna problematik diskuterade jag i problemdiskussonen i inledningen mera ingående. Tanken bakom att också dela in samplet på basen av industrier som anses vara intensiva på immateriella tillgångar är alltså att ifall en signifikant del av immateriella tillgångar inte aktiveras på balansen (så som kritikerna menar) så är den föregående indelningen på basen av den beräknade median immaterialintensiteten inte ideal eftersom immaterialintensiteten där beräknades på basen av de i balansen aktiverade immateriella tillgångarna.
4.2.3 Metod för hypotes 3
H3 = Boksluten för företag inom immaterialintensiva branscher är mera värderelevanta för IFRS rapporterande företag än för US GAAP rapporterande företag.
Gällande hypotes tre undersöker jag skillnader i R2 mellan immaterialintensiva företag som rapporterar enligt US GAAP och immaterialintensiva företag som rapporterar enligt IFRS. För det här tar jag ett skilt sampel med Amerikanska företag och ett skilt sampel med Europeiska företag och kör båda modellerna för båda samplen år för år. Jag filtrerar bort icke immaterialintensiva företag på basen av immaterialintensiteten (aktiverade immateriella tillgångar dividerat på totala tillgångar) och tar med de observationer som har en högre immaterialintensitet än medianen av båda samplen. Jag lägger först ihop
grupperna för att räkna vad immaterialintensitet medianen är och använder sedan den i båda grupperna för att filtrera bort de observationer som har en lägre immaterialintensitet. Här är fokuset att se på ifall skillnaderna i redovisningsstandarderna över immateriella tillgångar mellan IFRS och US GAAP leder till skillnader i bokslutens värderelevans. Därför filtreras företag med en låg andel aktiverade immateriella tillgångar bort.
Samplet med US GAAP rapporterande företag uppstår då jag ur mitt sampel som jag använde för hypotes 1 filtrerar bort företagen vars huvudkontor inte är i USA (Var företagets huvudkontor ligger indikeras i Compustat med variabeln LOC). Jag gör alltså antagandet att de företag vars huvudkontor är i USA har rapporterat enligt US GAAP.
För IFRS rapporterande företag laddar jag först ner ett sampel från databasen Compustat Global Fundamentals Annual. Till mitt IFRS sampel tar jag endast länder som har euro och därmed rapporterat sitt resultat i euro. Det här gör jag på grund av att man i Compustat Global inte kan välja i vilken valuta man vill att observationerna ska vara i och till exempel svenska företags observationer är ofta i svenska kronor och danska observationer i danska kronor och så vidare. Filtreringen av länder görs också här med hjälp av variabeln LOC. Här raderar jag alla observationer vars huvudkontor är i något annat land än ett land som haft euro som valuta sedan 2006. I datat tar jag också med variabeln CUR som visar vilken valuta företaget rapporterat i och filtrerar sedan bort de få observationer som inte är i euro. Så som i US GAAP samplet gör jag också här antagandet att de företag som har sitt huvudkontor i ett euroland rapporterar enligt IFRS. De euroländer som har ett väldigt litet antal observationer, som till exempel Luxemburg, tar jag inte med. IFRS samplet består av data från företag vars huvudkontor är i följande länder: Tyskland; Italien; Frankrike; Irland; Finland; Spanien;
Nederländerna; Belgien.
Priset på aktien i slutet av året finns inte tillgänglig i Compustat Global Fundamentals Annual. För att få aktiepriset för diverse observationer laddar jag ner dem skilt från databasen Copustat Global Security Daily. Från denna databas fås variabeln ”price close daily (prccd)”, det vill säga aktiepriset för enskilda dagar. Från denna databas laddar jag ner en fil för varje års sista bankdag (2006 – 2020, d.v.s. 15 filer) så att all prisdata är för sista bankdagen för året. Vissa företags årsobservationer ger flera aktiepris för samma dag vilket beror på att de har olika aktieklasser. Aktieklassen indikeras i Compustat Global Security Daily av variabeln ”IID”. Till mitt data tar jag endast aktieklassen 01W av alla företag, (denna aktieklass förekommer det överlägset mest av). Variablerna som
jag utöver aktiepriset och aktieklassen tar med i dessa 15 ”prisdatafiler” är endast företagsidentifieringskoden (gvkey) samt huvudkontorets geografiska ställe (loc). Sedan parar jag ihop dessa 15 ”prisdata” filer med Fundamentals Annual filen som har resten av variablerna som behövs. Därefter filtrerar jag bort alla andra länder förutom de som nämndes ovan samt de observationer som inte är i euro.
Tabell 2 Sammanfattning över hypoteser och deras undersökningsmetod
H1 = Värderelevansen av finansiell bokslutsinformation har sjunkit
Metod: R2 metoden med avkastningsregressionen & prisregressionen
Sampel 1 – taget ur Compusat Capital IQ - North America - Fundamentals Annual
H2 = Värderelevansen av finansiell bokslutsinformation har utvecklats mera negativt för immaterialintensiva företag än för icke immaterialintensiva företag.
Metod: R2 metoden med avkastningsregressionen & prisregressionen på sampel-1 indelat i - grupp 1a = observationer med högre immaterialintensitet än sampelmedianen - grupp 2a = observationer med lägre immaterialintensitet än sampelmedianen - grupp 1b = företag med SIC koden: 283X, 286X, 357X, 367X, 48XX, 73XX, 87XX - grupp 2b = företag med andra än ovannämnda SIC koder
H3 = Boksluten för företag inom immaterialintensiva branscher är mera värderelevanta för IFRS rapporterande företag än för US GAAP rapporterande företag.
Metod: R2 metoden med avkastningsregressionen & prisregressionen
US GAAP sampel = Sampel 1 med företag vars huvudkontor inte är i USA först raderade och sedan företags års observationer vars immaterialintensitet är lägre än medianen raderade
IFRS sampel = Nedladdat från Compustat Global. Företags års observationer vars huvudkontor inte är i något av de länder uppräknade i kapitel 4.2.3. först raderade, sedan observationer som inte är i euro raderade och sedan observationer vars immaterialintensitet är lägre än medianen raderade.