Regressionsanalys

!%&

Genom att summera genomsnittlig abnormal avkastning för dagarna i eventfönstret beräknas den kumulativa genomsnittliga abnormala avkastningen för eventfönstret. Kumulativ genomsnittlig abnormal avkastning (CAAR) beräknas enligt följande (ibid.):

𝐶𝐴𝐴𝑅(𝑡_&, 𝑡_') = 0 𝐴𝐴𝑅_"

"_!

"%"_"

För att testa resultatets signifikansnivå utförs t-tester där ett t-värde tas fram. T-värdet beräknas enligt funktionen nedan. Funktionens härledning återfinns i Bilagan.

𝜃 = 𝐶𝐴𝐴𝑅(𝑡_&, 𝑡_') 𝑣𝑎𝑟(𝐶𝐴𝐴𝑅(𝑡_&, 𝑡_'))^(,*

3.5 Regressionsanalys

Studien ämnar även till att studera om VD:ns erfarenheter och egenskaper har en effekt på den abnormala avkastningen vid eventdagen. Detta konkluderas i hypoteserna 2–5 och testas genom regressionsanalys. Då studien syftar till att studera vilken effekt VD:s utbildningsnivå, ålder, rekryteringsväg respektive tidigare VD-erfarenhet har på abnormal avkastning tillämpas fyra linjära multipla regressionsmodeller.

För samtliga regressionsmodeller är den beroende variabeln CARit som fås ut genom eventstudien, vilket motsvarar den kumulativa abnormala avkastningen för aktie i under

tidsperiod t. Utbildningsnivå (EDU), ålder (AGE), rekryteringsväg (INT) och tidigare VD-erfarenhet (WEXP) utgör oberoende variabler och testas i varsin regressionsmodell. Dessa variabler förklaras närmare i kapitel 3.5.2. Samtliga modeller inkluderar även kontrollvariabler som tidigare studier visat ha ett samband med CAR (Ku Ismail & Abdul Manaf 2016). Dessa inkluderar företagets storlek (SIZE), lönsamhet (PROF), skuldkvot (DEBT) samt bransch (IND, CD, HC) vilka presenteras närmare i avsnitt 3.5.3. Samtliga modellers intercept läses ut i termen 𝛼, 𝛽 är en koefficient och 𝜀 är feltermen. Sammanställd översikt över samtliga variabler presenteras i tabell 3.

För att testa H2, det vill säga om VD:ns utbildningsnivå har en effekt på CARit, förväntas variabeln EDUit antingen ha en positiv eller negativ effekt på CARit. Modell 1 som testar H2 följer:

𝐶𝐴𝑅#$= 𝛼 + 𝛽%𝐸𝐷𝑈#$+ 𝛽&𝑆𝐼𝑍𝐸#$+ 𝛽'𝑃𝑅𝑂𝐹#$+ 𝛽(𝐷𝐸𝐵𝑇#$+ 𝛽)𝐼𝑁𝐷 + 𝛽*𝐶𝐷 + 𝛽+𝐻𝐶 + 𝜀 (Modell 1)

H3 antar att VD:ns ålder påverkar marknadens reaktion negativt, alltså förväntas variabeln AGEit ha en negativ effekt på CARit. Modell 2 som testar H3 lyder:

𝐶𝐴𝑅_#$= 𝛼 + 𝛽_%𝐴𝐺𝐸_#$+ 𝛽_&𝑆𝐼𝑍𝐸_#$+ 𝛽_'𝑃𝑅𝑂𝐹_#$+ 𝛽₍𝐷𝐸𝐵𝑇_#$+ 𝛽₎𝐼𝑁𝐷 + 𝛽_*𝐶𝐷 + 𝛽₊𝐻𝐶 + 𝜀 (Modell 2)

H4 antar att marknadsreaktionen kommer att bli positiv om VD:n är internt rekryterad och detta testas genom att beräkna vilken effekt variabeln INTit har på CARit med modell 3 som lyder:

𝐶𝐴𝑅_#$= 𝛼 + 𝛽_%𝐼𝑁𝑇_#$+ 𝛽_&𝑆𝐼𝑍𝐸_#$+ 𝛽_'𝑃𝑅𝑂𝐹_#$+ 𝛽₍𝐷𝐸𝐵𝑇_#$+ 𝛽₎𝐼𝑁𝐷 + 𝛽_*𝐶𝐷 + 𝛽₊𝐻𝐶 + 𝜀 (Modell 3)

Till sist testas H5 i modell 4 genom att låta tidigare VD-erfarenhet utgöra den oberoende variabeln WEXPit, där studien förväntar sig att tidigare VD-erfarenhet har en negativ effekt på marknadens reaktion. Modellen ser därmed ut som följer:

𝐶𝐴𝑅_#$= 𝛼 + 𝛽_%𝑊𝐸𝑋𝑃_#$+ 𝛽_&𝑆𝐼𝑍𝐸_#$+ 𝛽_'𝑃𝑅𝑂𝐹_#$+ 𝛽₍𝐷𝐸𝐵𝑇_#$+ 𝛽₎𝐼𝑁𝐷 + 𝛽_*𝐶𝐷 + 𝛽₊𝐻𝐶 + 𝜀 (Modell 4)

Regressionerna genomförs enligt OLS-metoden (Ordinary Least Squares) och testas för multikollinearitet, skevhet, kurtosis samt normalfördelning. Antaganden för regressionsanalysen summeras i kapitel 3.5.4.

Tabell 3 Studiens variabler med förklaring av variabeltyp, var data för variabeln hämtas, variabelns kodning samt vilket samband som variabeln förväntas ge.

Variabel Variabeltyp Förkortning Förklaring Samband Källa

Kumulativ abnormal

Inte suttit som VD tidigare = 1, annars 0.

Den beroende variabeln i regressionsmodellen är CAR^it vilket motsvarar den kumulativa abnormala avkastningen för aktie i under tidsperiod t. CAR^it räknas ut genom att summera abnormal avkastning för samtliga dagar inom eventfönstret för respektive företag. Det eventfönster som visar på lägst signifikansnivå motsvarar den beroende variabeln i regressionen.

3.5.2 Oberoende variabler

För att undersöka hur VD:ns egenskaper och erfarenheter påverkar abnormal avkastning när kvinnliga VD:ar tillkännages operationaliseras egenskaper och erfarenheter i följande variabler:

utbildningsnivå (EDU), ålder (AGE), rekryteringsväg (INT) samt tidigare VD-erfarenhet (WEXP). Dessa utgör regressionsmodellernas oberoende variabler.

Utbildning

Information om VD:ns utbildningsnivå hämtas främst från pressmeddelanden angående tillkännagivande av en ny VD. Kan informationen inte hämtas från pressmeddelandet eftersöks informationen på VD:ns LinkedIn-profil. Darmadi (2013) menar att nationella skillnader påverkar hur investerare värderar en utbildad respektive icke-utbildad VD vilket motiverar att uppdelningen mellan högutbildade och lågutbildade i studien bör reflektera nationell standard.

På grund av att Sverige är ett högutbildat land (SCB 2020) skiljer denna studie på låg- respektive högutbildade VD:ar genom att skilja de som har en kandidatutbildning (motsvarande treårig universitetsutbildning) och de som har längre än en treårig universitetsutbildning. Till utbildning längre än en treårig universitetsutbildning räknas masterutbildning, MBA, doktorand- samt forskarexamen. De VD:ar som endast besitter en kandidatexamen kategoriseras som lågutbildade och kodas som 0, och de med en utbildning längre än en treårig universitetsutbildning kategoriseras som högutbildade, vilket kodas som 1.

Ålder

Information om åldern på den nytillsatta VD:n söks i första hand i pressmeddelandet för det aktuella VD-bytet. Därefter, om informationen inte kan utläsas i pressmeddelandet, söks åldern upp på allabolag.se. Tidigare studier som undersöker sambandet mellan ledarens ålder och företagets prestation och/eller marknadens reaktioner vid ledarens tillkännagivande definierar variabeln olika. Serfling (2014) delar exempelvis upp urvalet i tertiler medan Ku Ismail och Abdul Manaf (2016) utför regressionen med styrelsemedlemmarnas faktiska ålder som en kontinuerlig variabel. Denna studie ämnar att studera sambandet mellan ålder och abnormal avkastning på samma sätt, där VD:ns ålder vid tillkännagivandet sätts i relation till abnormal avkastning. Majoriteten av tidigare studier finner bevis för att yngre styrelsemedlemmar och/eller VD:ar är mer riskbenägna och uppnår högre tillväxt (Serfling 2014) samt att investerare värderar yngre kvinnliga ledare högre än äldre (Ku Ismail & Abdul Manf 2016).

Mot denna bakgrund förväntar sig studien att äldre kvinnliga VD:ar har en negativ effekt på abnormal avkastning och därmed att variabeln för ålder (AGE) har en negativ effekt på CAR.

Rekryteringsväg

Datainsamlingen för variabeln rekryteringsväg sker via pressmeddelanden i första hand och LinkedIn i andra hand. Variabeln konkluderas i denna studie som en dummyvariabel där en

tillkännages och finner att internt rekryterade kvinnliga VD:ar värderas högre av investerare än en externt rekryterad kvinnlig VD. Mot denna bakgrund väntar sig studien att internt rekryterade VD:ar ger en högre positiv effekt på abnormal avkastning än om VD rekryteras externt.

Tidigare VD-erfarenhet

UET menar att en ledares erfarenhet avgör dennas beslut och i sin tur de utfall som besluten resulterar i (Hambrick & Mason 1984). VD:ns tidigare arbetslivserfarenhet operationaliseras i denna studie som tidigare VD-erfarenhet enligt tidigare studier (Rose 2019). Rose (2019) kan varken bekräfta eller förneka att en VD med tidigare VD-erfarenhet påverkar marknadens reaktion vid ett VD-byte. Hamori och Koyuncu (2015) finner däremot bevis för att VD:ar som tidigare i karriären suttit på en VD-position har en negativ effekt på företagets prestation. Detta ligger till grund för hypotes 5 vilken antar att en VD utan tidigare erfarenheter ger positiv effekt på marknadens reaktion när VD:n tillkännages. I studien antas variabeln som en dummyvariabel där en VD utan tidigare VD-erfarenhet kodas som 1, annars 0.

3.5.3 Kontrollvariabler

Tidigare studier visar att faktorerna företagsstorlek, lönsamhet och skuldkvot påverkar marknadsreaktionens storlek (Ku Ismail & Abdul Manaf 2016). För att isolera den enskilda effekten av den oberoende variabeln och inte riskera att dra felaktiga slutsatser om det huvudsakliga sambandet inkluderas kontrollvariablerna företagsstorlek (SIZE), lönsamhet (PROF), skuldkvot (DEBT) samt bransch (IND, CD, HC) vilka presenteras nedan.

Företagsstorlek

Flertalet studier som utreder marknadens reaktion vid tillkännagivande av nya styrelsemedlemmar kontrollerar för företagsstorlek (Campbell & Vera 2010; Ku Ismail &

Abdul Manaf 2016). Dessa studier approximerar företagsstorlek genom att mäta naturliga logaritmen för företagets totala tillgångar, vilket även tillämpas i denna studie. Ku Ismail och Abdul Manaf (2016) samt Campbell och Vera (2010) finner att företagsstorlek har en negativ effekt på marknadens reaktion respektive företagsvärdet. Detta samband förväntas därmed även i denna studie. Data över företagens totala tillgångar för året vid tillkännagivandet hämtas från Refinitivs Eikon.

𝐹ö𝑟𝑒𝑡𝑎𝑔𝑠𝑠𝑡𝑜𝑟𝑙𝑒𝑘(𝑆𝐼𝑍𝐸) = ln (𝑡𝑜𝑡𝑎𝑙𝑎 𝑡𝑖𝑙𝑙𝑔å𝑛𝑔𝑎𝑟)

Lönsamhet

Även lönsamhet visar sig påverka marknadens reaktion samt företagets värde (Campbell &

Vera 2010; Ku Ismail & Abdul Manaf 2016) vilket därmed behöver kontrolleras. Campbell och Vera (2010) finner att hög lönsamhet har en negativ effekt på marknadens reaktion när kvinnliga styrelsemedlemmar tillkännages. Ku Ismail och Abdul Manaf (2016) som mäter marknadens reaktioner när en kvinnlig styrelsemedlem tillkännages finner också att företagets lönsamhet påverkar marknadsreaktionen. De finner att företag med en hög lönsamhet har en negativ effekt på marknadsreaktionen när en kvinnlig styrelsemedlem tillsätts. Detta förklaras av att investerare inte uppskattar ledarbyten när företaget går bra eftersom en ny person i styrelsen kan påverka det hittills vinnande konceptet (ibid.). I likhet med både Ku Ismail och Abdul Manaf (2016) och Campbell och Vera (2010) motsvaras företagets lönsamhet av avkastningen av totala tillgångar (ROA) och studien förväntar sig att en hög lönsamhet hos företag har en negativ effekt på marknadsreaktionen. Data över nettovinst och totala tillgångar för året vid annonseringen hämtas från Refinitivs Eikon.

𝐿ö𝑛𝑠𝑎𝑚ℎ𝑒𝑡(𝑃𝑅𝑂𝐹) = 𝑛𝑒𝑡𝑡𝑜𝑣𝑖𝑛𝑠𝑡 𝑡𝑜𝑡𝑎𝑙𝑎 𝑡𝑖𝑙𝑙𝑔å𝑛𝑔𝑎𝑟 Skuldkvot

Hur stora skulder företaget har i förhållande till totalt kapital är också en faktor som påverkar företagets prestation och hur investerare reagerar på förändringar i ledningen. Ku Ismail och Abdul Manaf (2010) finner ett signifikant samband mellan skuldkvot och marknadens reaktion där en hög skuldandel resulterar i negativ marknadsreaktion när kvinnliga styrelsemedlemmar tillkännages. Skuldkvoten mäts i tidigare studier genom att mäta företagets skulder i relation till företagets totala tillgångar (Ku Ismail & Abdul Manaf 2016; Campbell & Vera 2010).

Skuldkvoten mäts i denna studie på samma sätt och information om företagens skuldandel för året vid tillkännagivandet hämtas från Refinitivs Eikon. Studien förväntar sig, i linje med Ku Ismail och Abdul Manaf (2016) att en hög skuldandel påverkar marknadens reaktion negativt.

𝑆𝑘𝑢𝑙𝑑𝑘𝑣𝑜𝑡(𝐷𝐸𝐵𝑇) = 𝑡𝑜𝑡𝑎𝑙𝑎 𝑠𝑘𝑢𝑙𝑑𝑒𝑟 𝑡𝑜𝑡𝑎𝑙𝑎 𝑡𝑖𝑙𝑙𝑔å𝑛𝑔𝑎𝑟

Bransch

Regressionsanalysen kontrollerar även för branscheffekt. Branschkategoriseringen utgår från Global Industry Classification Standard (GICS) vilken delar in noterade företag i elva sektorer (MSCI, u.å.). Eftersom urvalet är litet summeras de branschkategorier med få observationer i en samlad kategori, kallad Others. Denna kategori innehöll flest observationer och utgör därmed referenskategorin och ingår i interceptet. Resterande tre branscher inkluderas som dummyvariabler och benämns enligt följande: Industrials (IND), Consumer Discretionary (CD) samt Health Care (HC). Bransch presenteras inte närmare i resultatet.

3.5.4 Antaganden för regressionsanalys

För att en regressionsanalys ska kunna generera reliabla resultat finns ett antal antaganden som bör uppfyllas. Första antagandet förutsätter att feltermen är normalfördelad med ett medelvärde på 0 med en varians på σ² samt att alla parvisa feltermer inte korrelerar samt är oberoende av varandra (Mendenhall & Sincich 2014, s.371). För att kunna anta att feltermen är normalfördelad studeras variablernas skevhet och kurtosis där skevhet uppstår om någon av variablerna i fråga är snedfördelade åt något håll och kurtosis visar hur hög eller platt normalfördelningen för respektive variabel är (Hair, Black, Babin & Anderson 2014, s.33–34).

Det är eftersträvansvärt att skevhet och kurtosis antar ett absolutvärde under 1 för att kunna anta normalfördelning, vid avvikelser från dessa gränsvärden kan transformering eller trimning av data utföras för att minimera problemet (ibid.). För att säkerställa normalfördelning av feltermen studeras även histogram och spridningsdiagram för varje regressionsmodell (ibid., s.181). Ytterligare ett antagande inom regressionsanalys är att de oberoende variablerna inte korrelerar med varandra, det vill säga att det inte råder multikollinearitet (Gujarati & Porter 2009, s. 321). För att mäta graden av multikollinearitet tas VIF-värden (Variance Inflation Factor) fram för samtliga variabler i samtliga modeller. Om VIF-värdena överstiger 10 tyder det på att det finns multikollinearitet vilket leder det till osäkra parameterskattningar, därmed kan enskilda variabler behöva uteslutas (Andersson, Jorner & Ågren 2007, s.119). Ett annat antagande som behöver kontrolleras för är om det råder heteroskedasticitet i regressionsmodellen, vilket innebär att feltermernas varians inte är konstant (Hair et al. 2014, s.181). Detta kontrolleras för genom att studera eventuella mönster i residualernas spridning runt de förväntade värdena för hela regressionen (ibid.), vilket utförs för varje oberoende variabel i respektive modell.