Multipel regressionsanalys

Studien ämnar genomföra en multipel regressionsanalys med syftet att undersöka om det föreligger ett samband mellan beroende och oberoende variabler då detta är regressionsanalysens främsta egenskap. Regressioner används för att genomföra kvantitativa uppskattningar av ekonomiska relationer som tidigare endast befunnit sig i teorin (Studenmund, 2014, s.5). I enighet med Dechow et al., (2003, s.363) samt Hansen (2010, s.463) kommer denna studie att använda sig av en kategorisering av företag som loss avoidance- företag genom en uträkning som innehåller årets resultat samt en variabel som är kopplad till företagets storlek. Däremot har valet fallit på att i stället för börsvärde använda sig av totala tillgångar, då detta lämpar sig bättre i detta fall, då studien tittar på hanteringen av tillgångar snarare än värdet på bolaget i stort. Denna variabel var även mer tillgänglig i relation till de databaser som fanns att tillgå. Fortsättningsvis har valet fallit på att inkludera de bolag som

Statistik Huvudmodell Large cap-test Small cap-test

Antal observationer 187 95 92

34 finns inom intervallet 0–3% av årets resultat dividerat med totala tillgångar. Detta intervall är större än tidigare forskning, men motiveras genom att denna studie har ett betydligt mindre urval och för att få tillräckligt stort antal bolag att jämföra i testet konstaterades detta som nödvändigt. Den beroende variabel som valts att undersöka är den procentuella storleken på avskrivningar av immateriella tillgångar och de oberoende variabler som undersöks är loss avoidance och stigande resultattrend, dessa utvecklas vidare under nästa punkt i uppsatsen.

Ett annat mått som går att utläsa utifrån regressionen är förklaringsgraden. Förklaringsgraden beskrivs som proportionen av den totala variationen i den beroende variabeln Y, som kan förklaras av variationen i den oberoende variabeln X. Med andra ord hur träffsäker ens modell är. Då förklaringsgraden ökar när en ny variabel läggs till, innebär en ökning i förklaringsgraden inte nödvändigtvis att en ny variabel förbättrar modellen. För att korrigera för detta existerar den justerade förklaringsvariabeln. Den justerade förklaringsgraden är en modifierad version av förklaringsgraden som inte nödvändigtvis ökar när en ny variabel läggs till. Innehar förklaringsgraden höga procentvärden kan det antas vara en god anpassning till den linjära modellen, ett lågt procentvärde kan indikera att den slumpmässiga variationen har stor inverkan och på samma sätt kan det indikera att sambandet mellan x och y är icke-linjärt (Stock & Watson, 2015, s.242–244). Vidare kommer multipel regressionsanalys användas för att testa studiens hypoteser som tidigare beskrivits i kapitel 4. Första steget i hypotestestning är att komma fram till vilka hypoteser som ämnas testas. Nollhypotesen är vanligtvis den hypotes som forskaren inte förväntar sig stämma och den motsatta hypotesen följaktligen det som forskaren förväntar sig (Studenmund, 2014, s.128–129). Hypoteserna i denna studie är uppdelade i två delar och testar på så vis de båda situationer som tidigare beskrivits som situationer där företagsledningen kan ha starka incitament för att utföra resultatmanipulering med hjälp av sin redovisning.

De valda hypoteserna kommer i det efterföljande kapitlet att testas med hjälp av ett antal olika regressioner som genomförts baserat på relevanta variabler och tidigare teorier kring det aktuella ämnet, som kommer fungera som ett resultat för studien. Vid hypotestestning är det vanligt att bestämma sig för en signifikansnivå angående det relevanta variablerna för att på så sätt veta när det är möjligt att förkasta nollhypotesen eller inte. Signifikansnivån indikerar sannolikheten för att nollhypotesen förkastas trots att den stämmer, ett så kallat typ 1-fel. Om signifikansnivån skulle befinna sig på 10% och nollhypotesen förkastas kan en med 90%

säkerhet säga att nollhypotesen förkastas helt korrekt (Studenmund, 2014, s.138).

För att bestämma en signifikansnivå på eventuell förkastning av nollhypoteserna kommer p-värdet att användas. Anledningen är att p-p-värdet är enkelt att använda, vilket möjliggör för forskaren att bestämma en egen signifikansnivå samt att värdet berättar för läsaren om styrkan i beslutet att förkasta eller behålla en nollhypotes. P-värdet är ett sannolikhetsvärde och kan anta alla värden mellan 0 och 1 och berättar vilken som är den lägsta nivån av signifikans som det går att förkasta nollhypotesen. Ett lågt p-värde sätter tvivel på nollhypotesen vilket leder till att en letar efter ett så lågt p-värde som möjligt (Studenmund, 2014, s.141–143). P-värdet har ett antal fördelar som kan vara relevanta att nämna. Det är främst mer simpelt att använda sig utav, vilket är en stor anledning till att de är populära vid denna typ av tester. Det tillåter även framtida forskare att använda sig av sina egna signifikansnivåer, istället för att bli tvingade att använda samma nivåer som originalforskaren. Dessutom förmedlar p-värdet information till läsaren om den relativa styrkan som nollhypotesen kan förkastas med (Studenmund ,2014, s.143). Eftersom koefficienterna i regressionen endast är en uppskattning av en hel populations sanna parametrar, finns det alltid risk för att göra så kallade typ I och typ II-fel. Typ I-fel innebär en förkastning av nollhypotesen när den i själva verket inte bör förkastas och typ II-fel

35 uppstår när ett beslut om att inte förkasta nollhypotesen sker, trots att detta borde ha gjorts (Studenmund, 2014, s.130).

För att testa hypoteserna och kunna läsa ut ifall det är möjligt att förkasta nollhypotesen kommer t-test användas i modellen. T-testet är användbart på grund av att det inräknar skillnader i enheterna vid mätningen av variablerna och standardavvikelserna i de beräknade koefficienterna. Men framför allt är den användbar eftersom testet är lämpligt när den så kallade stokastiska feltermen är normalt distribuerad och avvikelsen för den fördelningen måste beräknas. Detta är vanligt vilket gjort att t-testet blivit ett standardtest vid hypotesprövning (Studenmund, 2014, s.134). Ett t-test kan utformas på olika sätt där olika koefficienter kan användas för att tolka inhämtad data. Dels kan t-värden användas och detta är ett värde som används för att ange den lägsta möjliga signifikansnivå för varje uppskattad regressionskoefficient. För att förkasta nollhypotesen med hjälp av t-värdet använder man sig av det kritiska t-värdet som är det som särskiljer acceptansregionen från avvisningsregionen om man talar om det grafiskt. Det kritiska t-värde väljs från en t-tabell, som i sin tur beror på om testet är ensidigt eller dubbelsidig, på nivån av typ I-fel som du anger och på frihetsgraderna som används (Studenmund, 2014, s.136–140).

En annan väg att gå är att titta på p-värdet, som också kallas marginalsignifikansnivån, vilket även är det värde som denna studie kommer att använda sig av. P-värdet i ett t-test berättar om sannolikheten att observera ett värde som är större än det kritiska om nollhypotesen skulle vara sann. Det vill säga med vilken lägsta signifikansnivå en kan anta att förkasta nollhypotesen. Ett lågt värde får en att tvivla på nollhypotesen. Om en signifikansnivå valts på 5% och det p-värde som kommer fram ur t-testet har ett p-värde på under 0.05 kan en förkasta nollhypotesen.

Beslutsregeln för p-värdet är alltså att förkasta nollhypotesen så länge p-värdet är lägre än signifikansnivån (Studenmund, 2014, s.142). Signifikansnivån kan rankas utifrån stjärnor baserat på hur användbar modellen är till att dra slutsatser ifrån där 10% signifikansnivå får en stjärna, 5% får två stjärnor samt 1% får tre stjärnor. För att minska risken för att förkasta en sann nollhypotes bör en så låg signifikansnivå som möjligt användas (Eliasson, 2013, s.108–

109). I tester som genomförs i denna studie kommer 5% signifikansnivå att användas för att förkasta nollhypotesen, men både 10% och 1% kommer att användas för att kunna hålla en jämförbar diskussion.

5.5 Variabler

I en multipel regressionsanalys ingår både en beroende variabel och ett antal oberoende variabler. Den beroende variabeln är den variabel som är menad att en ska förklara i testet, samtidigt som de oberoende variablerna är de variabler en ämnar testa hur de påverkar den beroende variabeln. För att testa modellens styrka är det även tillagt ett antal kontrollvariabler som används för att se om relationen mellan den beroende variabeln och den oberoende variabeln grundar sig i något annat än vad testet mäter (Bryman & Bell, 2017, s. 69–70). I denna studies modell ingår en beroende variabel, två oberoende variabler samt nio kontrollvariabler av olika karaktär.

36

5.5.1 Beroende variabel

Den beroende variabeln är den variabel som ämnar utsättas för effekten i en hypotesprövning (Studenmund, 2014, s.5). Tidigare forskning inom ämnet har exempelvis tittat på nyckeltalet periodiseringar som ett nyckeltal som skulle kunna användas i situationer för resultatmanipulering (Hayn, 1995, refererad i Pududu & de Villiers, 2016; Burgstahler &

Eames, 2006). Detta inspirerade till att titta vidare på andra redovisningsposter som svenska börsnoterade bolag möjligtvis skulle kunna använda sig av för att utföra detta. Då denna studies grundtanke är att få en bild av hur mycket svenska börsbolag påverkar sitt resultat med hjälp av avskrivningar på övriga immateriella tillgångar togs beslutet att primärt använda variabeln procentuell andel avskrivningar på övriga immateriella tillgångar som den beroende variabeln i den modell som skapats. Beslutet att inkludera denna variabel har framtagits genom egen diskussion, där vi analyserade effekten av avskrivningar på immateriella tillgångar på årets resultat. För att få fram denna variabel har årets avskrivningar för immateriella tillgångar delats med årets totala immateriella tillgångar.

Studien har också testat att använda sig av en sekundär beroende variabel som ett alternativ till den primära, där utgångspunkten istället för totala tillgångar varit årets resultat. Det vill säga, årets avskrivningar för immateriella tillgångar har delats med årets resultat. Anledningen till framtagandet av denna variabel är delvis att den primära variabeln inte grundat sig i tidigare forskning. Detta kan anses vara ett svaghetstecken och resulterade i att det ansågs lämpligt att ta fram en till beroende variabel för att se om det framkom stora skillnader vid byte av storleksbestämmande andel på variabeln, det vill säga årets totala tillgångar alternativt årets resultat. Ett beslut togs dock tidigt att inte använda oss av denna variabel då avskrivningar baserar sig på tillgångars värde och inte har något med resultat ett göra. Årets resultat kan dessutom variera kraftigt från år till år, särskilt bland de mindre bolagen, vilket skulle ge oregelbundna och svårtolkade resultat på denna variabel.

5.5.2 Oberoende variabler

Den oberoende variabeln, som även kallas för den förklarande variabeln, är den variabeln som är tänkt att förklara förändringen som sker i den beroende variabeln (Studenmund, 2014, s.5).

De oberoende variabler som främst används i denna studie är tillhörande i kategorin dummyvariabler vilket är en binär framställning av ett resultat, det vill säga att variabeln kan endast anta värdena 1 och 0 (Studenmund, 2014, s.88). De inkluderade dummyvariablerna i denna studie var definitioner på bolag som ingår under de två olika kategorierna loss avoidance och stigande resultattrend enligt definitionen i denna uppsats. Definitionen av loss avoidance har som tidigare benämnts, inkluderat de företag som hade en avkastning på totala tillgångar mellan 0–3%. Dessa kodades som 1 och de företagen som hade en avkastning högre respektive lägre än mellan 0–3% kodades som 0, se tabell 2.

Fortsättningsvis visar tidigare forskning att andra intervall använts. Dechow et al. (1996, s.363), tillämpade intervallet 0 till 0,5% samt Hansen (2010, s.463) applicerade intervallet 0 till 1% av den valda storlekvariabeln, som i deras fall var börsvärde. Dessa studier har dock, som tidigare nämnts, använts sig av ett betydligt större urval än vad denna studie har, vilket gjorde att det inte var lämpligt att ha ett mindre intervall då det skulle resultera i endast några enstaka observationer. Resonemanget kring varför det slutgiltiga intervallet hamnade just där är en kombination av att inte få ett för litet antal observationer, samtidigt som meningen var att

37 hålla nere nivån så lågt att det skulle vara möjligt att exkludera risken för att slumpen skulle spela ut sin rätt. Att inkludera ett spann över 3% skulle även vara svårt att motivera som loss avoidance, då resultaten kan vara så pass bra att avskrivningarna sannolikt inte har någon påverkan på detta. Ett spann under 3% visade sig snabbt innebära att endast några enstaka bolag inkluderades.

Variabeln stigande resultattrend har definierats som bolag med ökande eller identisk vinst i relation till året innan minst 3 år i rad. Vid genomgång av tidigare forskning har vi hittat att dessa till exempel använt sig av fem års stigande vinster (Barth et al., 1999, s.410). Återigen var detta inte möjligt i denna studies fall på grund av ett mindre urval, likt loss avoidance skulle det innebära att vi skulle ges för få observationer. De bolag som ingått i de ovan nämnda kategorierna har fått egna variabler och kategoriserats i den insamlade datan som 1 medan övriga bolag fått kategoriseringen 0, det vill säga som dummyvariabel.

5.5.3 Kontrollvariabler

Kontrollvariabler används för att kontrollera om förändringen i de oberoende variablerna är påverkade av andra variabler som inte är inkluderade i studien. De använda kontrollvariablerna har valts ut både med stöd av tidigare forskning inom kategorin earnings management, och eget resonemang kring vad som kan tänkas vara relevant i det specifika fallet. Denna studie har använt sig av kontrollvariablerna skuldsättningsgrad, avkastning på totala tillgångar, logaritmerade totala tillgångar, soliditet, bruttovinstmarginal och kassalikviditet, se tabell 3.

Anledningen till att variabeln skuldsättningsgrad använts är till stor del på grund av att tidigare studier visat på att det funnits ett positivt samband mellan skuldsättningsgrad och earnings management. Bland annat fann Lazzem & Jilani (2018, s.357) i sin franska studie att det finns ett positivt samband mellan skuldsättningsgrad och earnings management. Samtidigt menar Lazzem & Jilani (2018, s.351–352) att det finns tidigare studier som visat på motsatsen, men även studier som kommer fram till samma slutsats som dem själva. Eftersom det finns forskning som visar på ett positivt samband kan det anses vara relevant att inkludera denna variabel i studien. På denna variabel har beslutet även tagits att exkludera extremvärden från variabeln, där de 5% lägsta och 5% högsta värdena tagits bort från datan. Anledningen till detta är att en viss del av den tidigare forskningen har funnit ett så pass starkt samband mellan variablerna att det fanns risk att extremvärdena skulle kunna påverka resultatet, i en studie av den här storleken för mycket. Fortsättningsvis kan det finnas risk för att det skiljer sig åt en del i skuldsättningsgrad mellan de olika listorna som inkluderats i urvalet, vilket kan få stora konsekvenser i den framtida jämförelsen listorna emellan.

Avkastning på totala tillgångar, eller return on assets (ROA) som det även kallas, har även den variabeln använts i tidigare studier i ämnet. Kothari et al., (2005, s.165) diskuterar i sin studie kring att företag som levererar en sämre avkastning på totala tillgångar kan ha starkare incitament att utföra earnings management. Denna koppling anses därför göra det relevant att använda sig av den variabeln i studien. Kontrollvariabeln logaritmerade totala tillgångar är den variabeln som i studien ska användas som beskrivning av företagens storlek. Den främsta anledningen till att denna studie valt att logaritmera den variabeln är att detta gör att variabeln inte lägger lika stor vikt vid extremvärden då spridningen av observationer blir mer normalfördelad. Inspirationen till detta kommer bland annat från DuCharme et al., (2004, s.45) som använde sig av detta i sin studie. Företagets storlek är en vanlig typ av variabel att

38 inkludera i sin data, och storleken på företaget i form av totala tillgångar tittade till exempel Nagy & Neal (2001, s.102) på i sin studie och kom fram till att större företag kan ha större resurser till att kunna manipulera ett resultat. Övriga kontrollvariabler har noga vägts fram för att inkludera ett brett spektrum av nyckeltal, som kan tänka sig förklara sambandet mellan den beroende och de oberoende variablerna.

Årsvariabler har även de tagits med som en form av kontrollvariabel. Årsvariablernas syfte är att kontrollera årseffekterna av studiens data. Även årsvariablerna kodas som dummyvariabler i denna studie där varje år mellan 2017 och 2019 har kodats med antingen 1 eller 0 beroende på om de tillhör det innevarande året eller ej där 1 betyder ja och 0 nej. Årsvariabeln för 2017 inkluderas dock inte senare i själva testerna då denna är en så kallad referenskategori.