Normalfördelning

Greve (2014) förklarar att normalfördelning ofta är ett villkor för att utföra olika analysmetoder i en undersökning. Att ha normalfördelad data innebär att enskilda värden för en variabel ska vara i närheten av variabelns medelvärde. Greve (2014) menar vidare att om en variabels värden inte är normalfördelade kan detta åtgärdas med olika metoder. Exempelvis kan en variabels värden logaritmeras eller inverteras för att värdena ska bli normalfördelade. Det finns enligt Greve (2014) olika sätt att ta reda på om en variabel är normalfördelad. Dels kan måttet skewness användas, vilket mäter huruvida observationer hamnar i klumpar vid låga eller höga värden. Vid perfekt normalfördelning bör skewness vara noll, medan fördelningen kan antas vara skev om skewness ligger utanför -1 till +1. Ett annat mått som kan användas för att säkerställa att fördelningen inte är skev är kurtosis. Detta mått kan användas för att få en överblick över huruvida observationerna finns kring observationernas medelvärde, eller om det förekommer extremvärden som gör fördelningen skev. Även för detta mått är den perfekta fördelningen noll. Histogram med normalfördelningskurvor för studiens samtliga variabler återfinns i bilaga 1 respektive 2.

42

3.8.5 Heteroskedasticitet

En felkälla i multipel regressionsanalys är heteroskedasticitet, vilket innebär att spridningen i datan är ojämn eller att det finns skillnader i spridningen (Djurfeldt, Larsson & Stjärnhagen 2018). Om heteroskedasticitet föreligger innebär det att osäkerheten i regressionsmodellen ökar, då det medför att standardavvikelserna för regressionskoefficienterna blir större samt att konfidensintervallen runt koefficienterna blir bredare (Djurfeldt, Larsson & Stjärnhagen 2018). Djurfeldt, Larsson och Stjärnhagen (2018) menar att det inte är helt oproblematiskt att åtgärda problemet, då inga standardlösningar finns till hands. Det vanliga tillvägagångssättet är att transformera de oberoende variablerna, vilket exempelvis skulle kunna ske genom en naturlig logaritmering, något som gjorts i denna studie.

3.8.6 Multikollinearitet

Edling och Hedström (2003) diskuterar fenomenet multikollinearitet som handlar om att två eller fler oberoende variabler korrelerar med varandra. De förklarar att problemet med multikollinearitet är att regressionsanalysen blir mindre pålitlig eftersom skattningarna av regressionskoefficienterna varierar mer mellan olika stickprov än om det inte hade förekommit någon korrelation mellan flera oberoende variabler. För att upptäcka multikollinearitet mellan studiens variabler menar Edling och Hedström att en korrelationsanalys kan upprättas. Djurfeldt, Larsson och Stjärnhagen (2018) menar att vid en korrelation på minst 0,8-0,9 mellan två eller flera oberoende variabler finns det anledning att börja oroa sig.

Djurfeldt, Larsson och Stjärnhagen (2018) förklarar att det dock inte alltid går att upptäcka multikollinearitet med hjälp av korrelationsmatriser om variablerna inte har linjära samband. Forskarna menar att det finns funktioner i statistikprogrammet SPSS som kan bidra med information kring multikollinearitet. Detta genom att låta SPSS beräkna tolerans och VIF- faktor för varje oberoende variabel, där författarna rekommenderar VIF-faktor som egentligen heter variance inflation factor. Om värdet på VIF-faktorn visar sig vara högre än 2,5 tyder detta på kollinearitetsproblem mellan variablerna. Vid genomgång av en korrelationsmatris framgick det att ingen av de oberoende variablerna i denna studie korrelerade med varandra. Vid kontroll av variablernas VIF-värden visade det dock sig att AU korrelerade med tillgångar och omsättning, något som därför behövde åtgärdas. Detta föranledde att regressionsanalyser med AU (oberoende) och ROE (beroende) fick göras utan tillgångar och omsättning som oberoende variabler.

43

3.9 Studiens validitet och reliabilitet

3.9.1 Validitet

Ett viktigt bedömningskriterie att ta hänsyn till vid företagsekonomisk forskning är validitet. Validitet handlar om i vilken utsträckning man lyckats mäta det man avsåg att mäta och hur giltiga resultaten är (Lantz 2014). Om resultaten har hög validitet innebär det att de inte är präglade av systematiska fel (Djurfeldt, Larsson & Stjärnhagen 2018).

Frågor avseende validiteten i denna studie är exempelvis; mäter AU verkligen agentkostnader? Mäter ROA och ROE verkligen lönsamhet? Det som kan konstateras är att det inte förekommer några egenkonstruerade mått i denna studie. Måtten som använts i denna studie har också använts flitigt i tidigare forskning för att mäta liknande fenomen. Valen att använda just dessa mått har baserats på vad tidigare forskare använt för mått samt på hur de har resonerat kring måtten. Att ha två lönsamhetsmått istället för ett stärker också validiteten samt minskar risken för ett vinklat resultat. Att risken för ett vinklat resultat minskar hänger ihop med att ett specifikt mått kan förstärkas/försvagas för en specifik företagsform till följd av hur deras kapitalstruktur ser ut. Familje- och icke-familjeföretagen i Sverige skiljer sig ju som tidigare nämnt avseende mycket tillgångar och eget kapital de har. Att enbart bedöma lönsamheten utifrån ett mått kan alltså vara missvisande. Vidare avseende AU är en en möjlig brist med måttet att det enbart är en proxyvariabel. Detta är inte en brist specifikt för just det måttet då Wang (2010) hävdar att det inte finns något lämpligt mått på agentkostnader. Det innebär således att proxyvariabler ligger närmast till hands när man vill estimera agentkostnader.

För att stärka validiteten i studien har vi även inkluderat kontrollvariabler i regressionsanalyserna för att komma närmare det faktiska sambandet mellan den oberoende och beroende variabeln. Det kan nämligen finnas andra bakomliggande variabler som samtidigt påverkar både den oberoende och beroende variabeln (Körner & Wahlgren 2015). Om man inte inkluderar kontrollvariabler i regressionsanalyserna innebär det alltså att man exempelvis kan dra slutsatsen att den oberoende variabeln har en större effekt på den beroende variabeln än vad den faktiskt har, när det i själv verket är en tredje variabeln som påverkar både den oberoende och beroende variabeln.

44

En annan aspekt avseende validiteten handlar om huruvida man kan generalisera sitt resultat till en större kontext, dvs. från urval till population (Bryman & Bell 2017). Sammanställningen av urvalet i denna studie har inte skett på ett slumpmässigt sätt, vilket enligt Bryman och Bell (2013) får implikationen att man inte kan säkerställa att urvalet är representativt för populationen. Bryman och Bell (2013) menar att det föreligger en risk för att urvalet är systematiskt skevt när urvalet inte är slumpmässigt, vilket således innebär att statistisk generalisering inte är möjligt. Detta ligger i linje med Barmark och Djurfeldt (2015) som menar att ett slumpmässigt urval är en förutsättning för statistisk generalisering. Det tidigare nämnda får alltså implikationen att författarna till denna studie enbart kan uttala sig om företagen som studeras.

3.9.2 Reliabilitet

Ett annat bedömningskriterie är enligt Holme och Solvang (1997) reliabilitet. De menar att kriteriet handlar om hur mätningen genomförs och hur noggrann hanteringen av information är, alltså tillförlitligheten i den information som har samlats in. I denna studie har datan samlats in från företags årsredovisningar och från företagsdatabasen Retriever Business. Den data som hämtats från företagens årsredovisningar är data om företagens: omsättning, tillgångar, antal anställda, eget kapital, obeskattade reserver och nettoresultat. Eget kapital och obeskattade reserver hämtades för att kunna beräkna ROE. Information om antal företagsår hämtades från Retriever Business. Datan från årsredovisningarna kan anses vara reliabel då siffrorna kontrollerats och granskats av en oberoende revisor. Att hämta information om företagsåldern i Retriever Business anses vara det mest reliabla sätt att få tag på denna information, bortsett från att få denna information direkt från företagen. Efter att all data hade samlats in kontrollerade vi att samtliga företag hamnat i rätt företagsgrupp (familje- respektive icke- familjeföretag). Vi dubbelkollade även att avvikande värden stämde.

Bryman och Bell (2013) menar vidare att resultatet från en studie ska kunna återfås vid en replikerande studie. För att detta ska vara möjligt menar författarna att studiens tillvägagångssätt tydligt förklaras. Denna studie anses kunna replikeras i och med tydligheten och transparensen avseende hur studien är genomförd. Vi har försökt förklara så tydligt som möjligt hur vi gått tillväga vid genomförandet av studien, vilket bland annat inkluderar hur urvalet av företag togs fram, hur litteratursökningen gick till samt hur datainsamlingen skedde och bearbetades. Därmed skulle en replikerande studie således vara möjlig att genomföra.

45

Däremot kan resultatet variera beroende på det urval som undersöks, vilket beror på att studien inte sammanställt ett slumpmässigt urval.

46

4. Resultat

___________________________________________________________________________ I detta kapitel kommer studiens resultat att beskrivas utifrån en redogörelse av den deskriptiva statistik som har erhållits och de justeringar som har gjorts för att kunna utföra de regressionsanalyser som avser att besvara studiens forskningsfrågor. Även en korrelationsmatris presenteras för att kontrollera variablernas multikollinearitet.

___________________________________________________________________________

4.1 Deskriptiv statistik

Tabell 2 (från SPSS). Deskriptiv statistik för hela urvalet

Ovanstående tabell visar den deskriptiva statistiken för det totala urvalet som denna studie utgått ifrån, det vill säga utan uppdelning på familje- och icke-familjeföretag. De mått som har använts är medelvärde, median, standardavvikelse, minvärde och maxvärde. Samtliga variabler som använts i denna studie ingår i denna tabell för att ge en överblick över den data som har samlats in. Det kan utifrån tabellen konstateras att det råder stora skillnader mellan min- och maxvärdena, alltså en stor variation i observationerna. Detta visas exempelvis i variabeln “Antal företagsår” där lägsta antalet var 2 och högsta var 104,5. Utifrån denna studies definition på små företag var 10 anställda det lägsta antal som företagen fick ha och 49 anställda var det högsta. I ovanstående tabell har det framkommit att det/de företag med lägst antal anställda har 11 anställda medan företaget/företagen med flest anställda har 49.

Även vad gäller företagens tillgångar går det att finna en stor skillnad mellan min- och maxvärdet, då det skiljer mer än 138 miljoner kronor. Effektivitetsmåttet asset utilization, för

47

att estimera agentkostnader, är som lägst 0,2784 och som högst 6,5690, vilket tyder på en stor skillnad i företagens agentkostnader. Skillnaden mellan företaget med lägst omsättning och företaget med högst omsättning är över 400 miljoner kronor. Detta går även att utläsa en stor skillnad i ROE, där lägsta värdet var -8,8793 och högsta värdet var 2,3223 (en skillnad på drygt 11 procentenheter). Medelvärdet för både ROA och ROE är positivt, vilket innebär att företagen i genomsnitt har en positiv avkastning på totalt kapital respektive eget kapital.

Utifrån tabellen går även att utläsa att det genomsnittliga företaget approximativt har: en omsättning på 80 miljoner, tillgångar på 30 miljoner, 28 anställda, en företagsålder på 24 år, 10,5 procent i ROA, 21,2 procent i ROE och 314 procent i AU.