I Tabell 4.4 nedan presenteras resultatet av regressionsanalysen av regressionsmodell 2 med ROE som beroende variabel. I efterföljande tabell, Tabell 4.5 presenteras modellens R 2 och justerade R2.
Tabell 4.4 - Regressionsanalys Modell 2
ROE Ostandardiserade Koefficienter Standardiserade Koefficienter
B Std. Error Beta t värde Sig. VIF
Konstant -18,544 21,032 -0,882 0,378
Ålder 0,053 0,199 0,005 0,267 0,789 1,031
Storlek 0,001 0,014 0,002 0,106 0,916 1,030
SG 0,001 0,003 0,003 0,163 0,871 1,001
TSK 65,894 26,595 0,045 2,478 0,013 1,004
Kommentar: B = SG (%) = Förändrad nettoomsättning, TSK = Total skuldsättningskvot, ROA = Avkastning på totalt kapital, ROE = Avkastning på eget kapital, Ostandardiserad regressionskoefficient; Std. Error =
Standard Error; Beta = Standardiserad regressionskoefficient; Sig = Signifikans; VIF = Variance Inflation
Tabell 4.5 - Coefficient of Determination Modell 2
R2 Adjusted R2
Modell 2 0,002 0,001
Kommentar: R2 = Coefficient of Determination; Adjusted R2 = Adjusted Coefficient of Determination.
Ovan finns resultaten för regressionsanalysen med ROE som beroende variabel. Till skillnad från tidigare regressionsmodell är det i den här regressionsmodellen med ROE som beroende variabel endast den oberoende variabeln TSK som är signifikant. Andra oberoende variabler kan därför inte tolkas i förhållande till ROE. Vidare visar Tabell 4.4 på ett signifikant positivt samband mellan TSK och ROE. Med samma resonemang som tidigare tolkas sambandet utifrån den standardiserade koefficienten. Sett till den standardiserade koefficienten (Beta) innebär det att när TSK ökar med en enhet, ökar ROE med 0,045 enheter. Sammanfattat kan det konstateras att det finns ett svagt, men signifikant samband mellan TSK och ROE.
VIF värde på 1 indikerar att det inte förekommer någon multikollinearitet (Hair, 2014). Tabell 4.5 visar modellen förklaringsförmåga mätt som R2. Annorlunda uttryckt förklarar R 2
hur väl de oberoende variablerna förklarar den beroende variabeln ROE. Sett till adjusted R 2
som även beaktar antalet variabler är det 0,1 % av variansen i den beroende variabeln som kan förklaras av de oberoende variablerna i modellen. Jämfört med regressionsmodell 1 har regressionsmodell 2 sämre förklaringsförmåga. Modellen har sålunda låg förklaringsförmåga.
5. Analys
Kapitel 5 ämnar analysera och diskutera resultaten från den empiriska undersökningen utifrån formulerade frågeställningar samt med hänsyn till den teoretiska referensramen. Kapitlet struktureras enligt följande, först analyseras respektive regressionsmodell och dess resultat följt av en utvecklande diskussion av skillnaderna resultaten emellan. Sedermera analyseras de empiriska resultaten ur ett teoretiskt perspektiv och skuldsättnings betydelse för ekonomistyrning, både från ett teoretiskt och ett empiriskt perspektiv. Kapitlet avslutas med en hypotesprövning.
5.1 Regressionsmodeller
Följande diskussion kommer fokusera på regressionsmodellerna som helhet samt de samband som identifierats för den oberoende variabeln TSK och ROA respektive ROE. Regressionsanalysens resultat för övriga oberoende variabler kommer vidare inte diskuteras, med hänsyn till studiens frågeställningar och syfte. Som presenterats i tidigare kapitel har ett signifikant negativt samband mellan TSK och ROA hittas, följt av ett signifikant positivt samband mellan TSK och ROE. Det negativa sambandet mellan TSK och ROA stöds av resultat från Khan (2012), Singh & Bagga (2019) och Yazdanfar & Öhman (2015). Det positiva sambandet mellan TSK och ROE stöds av resultat från Abdullah & Tursoy (2019), Abor (2005), Abu-Tapanjeh (2006) och Gill, Birger & Mathur (2011).
Regressionsanalysen för både regressionsmodell 1 och 2 visar på signifikanta, men svaga samband mellan TSK och ROA, respektive ROE, sett till den standardiserade regressionskoefficienten (Tabell. 4.2; Tabell 4.4). Regressionsanalyserna visar att sambandet är starkare mellan TSK och ROA än mellan TSK och ROE, även om båda är svaga. Vidare beskriver VIF-värdena huruvida de oberoende variablerna är korrelerade med varandra. Av Tabell 4.2 och Tabell 4.4 framgår att VIF, som förväntat är samma för båda regressionsmodellerna eftersom det är samma oberoende variabler. Det framgår också att värdena ligger runt 1, vilket tidigare konstaterats innebär att det inte förkommer någon multikollinearitet. VIF-värdena är kvalitetsmått på regressionsmodellerna, i det här fallet stärker de låga VIF-värdena modellernas kvalitet och tillförlitlighet.
Syftet med Multiple Coefficient of Determination ( R2) är att undersöka till vilken grad de oberoende variablerna förklarar den beroende variabeln. Justerad R 2 som även tar hänsyn till antal enheter och antal oberoende variabler är måttet som vidare diskuteras. Både regressionsmodell 1 och 2 har lågt R 2 värde, 0,028 respektive 0,001 (Tabell 4.3; Tabell 4.5). Det innebär att modellerna har låg förklaringsförmåga - de oberoende variablerna förklarar endast 2,8 % respektive 0,1 % av variansen i respektive beroende variabel. Att båda regressionsmodellerna har låg förklaringsförmåga kan förklaras med att flera av de oberoende variablerna inte är signifikanta för den beroende variabeln. Oberoende variabler som inte är signifikanta kan inte tolkas och därmed påverkar de inte den beroende variabeln lönsamhet. Följaktligen har modellerna som inkluderar dessa variabler låg förklaringsförmåga. Att regressionsmodell 1 har ett högre R 2 värde kan förklaras med att det dels är ett starkare samband mellan TSK och ROA, dels med att det är två av de oberoende variablerna, både ålder och TSK, som är signifikanta. Eftersom regressionsmodell 1 har två signifikanta förklarande variabler är modellens förklaringsförmåga högre än regressionsmodell 2:s förklaringsförmåga som enbart har en signifikant förklarande variabel.
Studien har både likheter och skillnader med tidigare forskning sett till R 2värden. Gill, Birger & Mathur (2011) hade i sina två regressionsmodeller med TSK för två olika branscher R 2
värden på 0,081 respektive 0,203. Förklaringsförmågan för båda är högre än den här undersökningens regressionsmodeller, även om den fortfarande är låg för båda. Gemensamt med Gill, Birger & Mathurs (2011) resultat är att de oberoende variablerna tillväxt och storlek inte är signifikanta, vilket kan förklara varför även deras regressionsmodeller har låga R2 värden. Å andra sidan visar Abor (2005) på hög förklaringsförmåga i sina regressionsmodeller med tillväxt och storlek som kontrollvariabler. R2 värdena för Abors (2005) regressionsmodeller var 0,683, 0,397 respektive 0,864, vilket kan förklaras med resultat där variablerna tillväxt och storlek var signifikanta , i kontrast till resultat från den här studien och Gill, Birger & Mathur (2011).
Precis som VIF värde är R 2ett kvalitetsmått för regressionsmodellerna. De låga R 2värdena är inte bra för regregresionsmodellernas kvalitet och tillförlitlighet. Undersökningen, regressionsmodellerna och dess resultat kan därför kritiseras utifrån modellernas låga
forskning bör vara att öka modellernas förklaringsförmåga genom att använda andra oberoende variabler som är signifikanta. Konkreta exempel på sådana variabler och fortsatt forskning diskuteras vidare i avsnitt 6.2 Förslag för Vidare Forskning.