Där 𝑆𝑝𝑎𝑟𝑎𝑛𝑑𝑒𝑖 är den beroende variabeln bostadsrättsföreningars sparande för framtida underhåll enligt ekvation 1, 𝛼0 är regressionens skärningspunkt på Y-axeln, 𝛽1−5 är de oberoende variablernas koefficienter och 𝜀i är en slumpavvikelse. De oberoende variablerna är
som tidigare nämnts variablerna Skuld, Avgift, Ålder, Storlek och Mark. Studiens variabler sammanställs i tabell 4.2 nedan.
Tabell 4.2 Sammanställning och definition av studiens variabler
Variabel Definition Operationalisering
Sparande Beräkningen utgår från årets resultat rensat från avskrivningar och årets kostnadsförda planerade underhåll, dividerat med bostadsrätternas sammanlagda boarea
Beroende variabel
Skuldsättning Beräkningen av föreningens belåning per kvm användes föreningens långfristiga lån dividerat med bostadsrätternas sammanlagda boarea.
Oberoende variabel
Årsavgift Föreningens totala årsavgift fördelat på boarea Oberoende variabel Ålder Ålder på bostadsrättsföreningens byggnad Oberoende variabel Storlek Föreningens storlek. En liten förening definieras i
studien som föreningar under 20 bostadsrätter.
Oberoende variabel
Markägande Anger om föreningen har tomträtt eller friköpt markägande.
37
4.5 Analytiska metoder
Eventuella samband mellan den beroende variabeln och de oberoende variablerna har studerats med hjälp av statistisk hypotesprövning. Den insamlade datan testades genom att utföra en univariat, bivariat och multivariat analys.
4.5.1 Univariat analys
En univariat analys innebär att variabler analyseras var för sig. Syftet är att visa variabelns fördelning på ett överskådligt sätt med hjälp av till exempel diagram (Lind, Marchal & Wathen 2013, s. 124). För att få en överblick av studiens beroende variabel och de oberoende variablerna har olika diagram skapats och sammanställts i en deskriptiv statistik.
4.5.2 Bivariat analys
En bivariat analys undersöker istället två variabler åt gången och används för att beskriva variablernas relation till varandra (Denscombe 2016). I studien utfördes ett korrelationstest för att undersöka det linjära sambandet mellan studiens olika variabler. En positiv korrelation innebär att höga värden på den ena variabeln hänger samman med höga värden på den andra variabeln. Låga värden på den ena variabeln hänger också samman med låga värden på den andra variabeln. Korrelationskoefficienten kan därmed vara positiv eller negativ beroende på vilken riktning sambandet har och koefficientens spann varierar mellan värdet -1 eller +1 (Denscombe 2014, s. 367). Det innebär att ju närmare noll desto svagare korrelation mellan variablerna.
4.5.3 Multivariat analys
I en multivariat analys undersöks sambandet mellan den beroende variabeln och två eller fler variabler samtidigt (Lind, Marchal & Wathen 2013). I studien genomfördes en multivariat analys med sparande per kvm som beroende variabel och de oberoende variablerna Skuld, Avgift, Ålder, Storlek och Mark. Variablerna Storlek och Mark har dummykodats för att på ett mer effektivt sätt mäta H4 och H5. För variabeln Storlek innebär värdet 1 att föreningen är större bostadsrättsförening (> 20 bostadsrätter) och värdet 0 innebär att föreningen är en liten bostadsrättsförening (<20 bostadsrätter). För den oberoende variabeln Mark innebär värdet 1 att bostadsrättsföreningen innehar tomträtt och 0 att marken är friköpt.
38
I en regressionsanalys bör variablerna vara normalfördelade kring medelvärdet, om de inte är det kan de logaritmeras (Lind, Marchal & Wathen 2013, s. 534). Att logaritmera en variabel innebär att avstånden mellan värdena ändras, vilket enbart ändrar den teoretiska betydelsen av variabeln. Den beroende variabeln Sparande och samt de oberoende variablerna Skuld, Avgift och Ålder har logaritmerats inför de statistiska testerna för att skapa en mer jämn fördelning. Vid negativa värden inom variablerna har värdena omvandlats till 1 för att logaritmeringen skulle vara möjlig.
Vid en regressionsanalys undersöks om det finns ett linjärt förhållande mellan de undersökta variablerna, vilket beskrivs genom en ekvation (Lind, Marchal & Wathen 2013, s. 514). Studien regressionsmodell presenteras i ekvation 4 i det tidigare avsnittet 4.4
Operationalisering. En metod för att beräkna en multivariat regressionsanalys är Ordinary
Least Squares metoden vilken kommer förklaras mer nedan.
4.5.4 Least Squares principen
För att undersöka sambandet mellan Sparande och de oberoende variablerna har studien valt att tillämpa Least Squares principen. Metoden bestämmer lutningen på regressionslinjen genom att ta den med minsta möjliga värde på summan av kvadraterna av de vertikala avvikelserna kring linjen (Lind, Marchal & Wathen 2013, s. 476). För att resultatet i regressionsanalysen ska anses giltigt måste fem antaganden för variablerna vara sanna (ibid. s. 531).
Det första antagandet ställer krav på att det finns ett linjärt samband mellan den beroende variabeln och de oberoende variablerna för att resultatet ska bli korrekt. Sambandet går att utläsas i ett scatter diagram mellan den beroende variabeln och var och en av de oberoende variablerna.
Det andra antagandet behandlar homoskedasticitet vilket bygger på att variablernas variation är konstant oavsett små eller stora värden. Om villkoret inte uppfylls uppstår ett problem med heteroskedasticitet vilket innebär det motsatta, att spridningen inte är jämn. Har man problem med heteroskedasticitet kommer standardfelen för koefficienterna kan ge missvisande värden vilket i sin tur medför att signifikanstesterna inte blir korrekta. En scatterplot kan upprättas för att kontrollera huruvida spridningen är jämn eller inte.
39
Normalfördelade residualer eftersträvas inom det tredje antagandet vid tillämpning av Least
Squares principen och innebär att de observerade värdena ska vara normalfördelade kring medelvärdet. Om så inte är fallet kan variablerna transformeras för att uppfylla antagandet och öka testets signifikans och tillförlitlighet.
Multikollinearitet är det fjärde antagandet vid tillämpning av Least Squares principen.
Multikollinearitet uppstår om två eller fler av de oberoende variablerna korrelerar starkt med varandra. Om så är fallet kan man inte hålla isär effekten de variablerna har på den beroende variabeln. Ett sätt att undersöka om om multikollinearitet föreligger är genom korrelationsanalysen. Det är vanligt att de oberoende variablerna korrelerar något men när korrelationen ligger utanför värden -0,7 och 0,7 kan man misstänka att koefficienterna inte är trovärdiga (Lind, Marchal & Wathen 2013, s. 535). Ett annat sätt som analyserar om de oberoende variablerna korrelerar starkt med varandra är genom ett VIF-test som utförs i statistikprogrammet SPSS. VIF-värdet ska vara så lågt som möjligt och inte överstiga 10 (ibid.).
Ingen autokorrelation mellan residualerna är det sista antagandet som eftersträvas vilket
innebär att variablerna inte ska korrelera med sig själv mellan olika tidpunkter. Det kan bli problematiskt om en variabels historiska värden påverkar framtida värden och modellens styrka kan komma att påverkas.
4.6 Metodens räckvidd och begränsningar
Trovärdigheten i företagsekonomisk forskning bedöms vanligtvis ur tre kriterier: validitet, reliabilitet och replikerbarhet (Bryman & Bell 2017, s. 68). Data ska vara valida och metoderna tillförlitliga (Denscombe 2016, s. 377) därför kommer studien värderas utifrån dessa nedan.
4.6.1 Reliabilitet och replikerbarhet
Reliabilitet avser huvudsakligen till huruvida en studie ger samma resultat om den upprepas under andra förhållanden (Bryman & Bell 2017; Denscombe 2016). För att stärka reliabiliteten och möjligheten att göra ett test-retest presenteras de bostadsrättsföreningar vars årsredovisningar undersöktes i bilagorna (se Bilaga 1), och även metoden för att ta fram dessa till studiens urval. Årsredovisningar är offentlig och lättåtkomlig information vilket underlättar eventuell replikering. Ett stort fokus har också tilldelats presentationen av tillvägagångssätt för datainsamlingen samt den undersökningsmetod som använts, för att ytterligare förbättra
40
studiens reliabilitet och möjligheterna till att testa studien på nytt. Denscombe (2016) betonar även vikten av att källan som information hämtas från ska vara auktoritär och tillförlitlig. I denna studie har datan hämtats direkt från bostadsrättsföreningars årsredovisningar och de källor som använts i studien består till stor del av litteratur och vetenskapligt granskade artiklar. Beräkningen av föreningars sparande till framtida underhåll baseras på ett nyckeltal framtaget av HSB. Interbedömarreliabiliteten avseende risken med forskarnas subjektiva bedömningar har motverkats genom att hämta ut data ur årsredovisningar på ett standardiserat sätt utifrån bestämda nyckeltal. Detta ger inget utrymme för egna tolkningar eller partiskt agerande i datainsamlingen.
4.6.2 Validitet
Studiens kvalitet kan bedömas i begreppet validitet som tar utgångspunkt i att det som mäts är det som avses att mäta och om det är relevant för forskningsfrågan (Bryman & Bell 2017; Denscombe 2016). Detta kopplas till resonemanget att det ska finnas ett tydligt samband mellan den teoretiska och den operationella definitionen i studien. Kopplat till studiens hypoteser och faktorer i undersökningen har dessa tagits fram på grunder som finner stöd i tidigare forskning inom området, vilket stärker studiens validitet. Den externa validiteten, som avser generaliserbarhet för populationen, beräknas vara högt för studier som utgår från ett slumpmässigt urval (Bryman & Bell 2017; Denscombe 2016; Skärvad & Lundahl 2016). Denna studie utgår från ett slumpmässigt urval vilket därmed kan ses styrkande för den externa validiteten. Till viss del bör studiens resultat till viss grad betraktas som generaliserbart för populationen, dock begränsat till ramen bostadsrättsföreningar i postort Stockholm. Studiens fokus var till stor del att hämta så ny information som möjligt, vilket dock även kan ses som en försvagande aspekt då studien fick ett relativt stort bortfall som minskade analysenheterna från 357 till 282 stycken.
För validiteten av datan är det också av stor vikt att försäkran görs att det inte skett några fel som har med misstag att göra under datainsamlingen. Detta har motverkats i denna studie genom att båda forskarna räknat fram nyckeltalen först var för sig, samt att stickprovskontroller har gjorts där forskarna kontrollräknat den andras beräkning för 25 bostadsrättsföreningar vardera. Totalt har därför 50 bostadsrättsföreningars nyckeltal räknats två gånger, för att säkerställa att inga misstag gjorts i beräkningarna. Resultatet av detta var dock att inga fel hade gjorts i beräkningarna i stickprovet.
41
4.6.3 Studiens begränsningar
Viktigt att nämna är att denna studie är fokuserad till ett mindre område, det vill säga bostadsrättsföreningar i postort Stockholm. Totalt finns i dagsläget 28 300 aktiva bostadsrättsföreningar i Sverige (Hittabrf u.å.). Studiens population, postort Stockholm, som består av 4910 bostadsrättsföreningar beräknades 357 stycken till studiens urval där 282 stycken återstod efter bortfall. Med detta sagt är det värt att ha i åtanke att denna studie enbart studerat en liten del av föreningarna som finns och därför är det svårare att fastställa hur bilden ser ut för hela Sveriges bostadsrättsföreningar.
4.6.4 Studiens förbättringspotential
Inledningsvis hade studien kunnat förbättras om tid funnits för att ersätta de bostadsrättsföreningar som utgjorde bortfallet. Detta förslagsvis genom en kompletterande urvalsberäkning eller liknande. För att minska bortfallet hade årsredovisningar från år 2018 förmodligen varit lättare underlag att ta fram för fler föreningar. Detta blev dock inte aktuellt för att istället behålla studiens aktualitet i form av så nya rapporter som möjligt. Möjligtvis hade en full urvalsgrupp på 357 bostadsrättsföreningar gjort att statistisk signifikans kunnat fastslås för fler undersöka faktorer.
Vad gäller faktorn Ålder upptäcktes under datainsamlingens gång hur stor andel av föreningarna i urvalet som var i ungefär samma ålder. Medelvärdet för vilket år de undersökta föreningarna byggdes var år 1937 och cirka 75 procent av bostadsrättsföreningarna var byggda före år 1960. Detta indikerar att det varit en begränsad spridning på vilket åldersspann som studerats samt att få nyare föreningar studerats. Visserligen är resultatet rimligt med tanke på att populationen postort Stockholm huvudsakligen består av äldre byggnader och en rapport fastslog att cirka 40 procent av byggnaderna byggdes före år 1960 (Region Stockholm 2020). Detta innebär dock att denna studie baseras till stor del på data från äldre föreningars sparanden och ekonomier i övrigt och därför är resultatet möjligtvis mindre generaliserbart för nyare föreningar.
Angående faktorn Storlek är det av värde att nämna att studiens urval slutligen bestod av enbart 20 procent föreningar som enligt studien klassades som mindre. Detta gör att mindre föreningar inte är lika representativa i studien, vilket dels kan påverka studiens resultat och även ge en bild som inte visar hela sanningen. Detsamma gäller för variabeln Mark där föreningar med
42
tomträtt slutligen utgjorde cirka 10 procent av studiens urval på 282 bostadsrätter. För att åtgärda det hade ett stratifierat urval kunnat göras istället för ett slumpmässigt, vilket å andra sidan hade påverkat studiens kvalitet ur andra aspekter.
43
5 Analys och resultat
I kapitlet presenteras den insamlade empirin vilket kommer ligga till grund för studiens analys och diskussion. Inledningsvis redovisas deskriptiv statistik följt av korrelationsanalys för att testa sambandet mellan studiens variabler. Vidare testas studiens hypoteser genom multivariat linjär regression.
5.1 Bostadsrättföreningars sparande år 2019
Totalt har 282 bostadsrättsföreningar ingått i studien som har publicerat årsredovisning för år 2019. Studien har fokuserat på nyckeltal som visar bostadsrättföreningarnas sparande för framtida underhåll per kvadratmeter, föreningars skuldsättning per kvadratmeter samt årsavgift per kvadratmeter. Studien har även satt ålder på bostadsrättsföreningens byggnad, storlek på bostadsrättsföreningen och dess markägande i fokus.
För att besvara studiens första frågeställning presenteras inledningsvis hur sparandet såg ut i Stockholms bostadsrättsföreningar år 2019. För att åskådliggöra sparandet per kvm fördelades den insamlade datan enligt figur 5.1 nedan.
Figur 5.1 Sparande i kronor per kvm
Under år 2019 sparade 33,3 procent av bostadsrättsföreningarna mer än 250 kronor per kvm och år, 19,1 procent sparade mellan 150 och 250 kronor och 32,6 procent sparade mindre än
44
150 kronor. 14,9 procent innefattar de föreningar som inte sparade alls alternativt hade ett negativt sparande. I nedanstående tabell (tabell 5.1) åskådliggörs skillnaden mellan studiens resultat och den tidigare studien från Swedbank (2016) vad gäller bostadsrättsföreningar sparande för framtida underhåll.
Tabell 5.1 Jämförande tabell mellan studiens resultat och tidigare analys av Swedbank (2016)
Sparande* i kronor per kvm 2014 och 2015 (medelvärde enligt analys från Swedbank) Studiens resultat år 2019 Mindre än 0 18 % 14,9 % Mellan 0–150 38 % 32,6 % Mellan 150–250 30 % 19,1 % Mer än 250 15 % 33,3 %
Det går att urskilja skillnader i bostadsrättsföreningars sparande för framtida underhåll mellan åren. Andelen bostadsrättsföreningar som sparar mindre än 0 kronor i Swedbanks analys år 2014–2015 uppgick till 18 procent men sjönk något till år 2019 då andelen var 14,9 procent. De största skillnaderna i sparande per kvm mellan undersökningarna återfinns i intervallen 150 - 250 kronor och mer än 250 kronor där andelen uppgår till 30 procent respektive 15 procent i Swedbanks (2016) undersökning kontra 19,1 procent respektive 33,3 procent i denna studie som undersöker årsredovisningar från 2019.
5.2 Deskriptiv statistik
För att förtydliga hur datan är fördelad över studiens variabler togs deskriptiv statistik fram för de olika variablerna. I tabell 5.1 nedan ges en översikt över studiens variabler där uppgifter om variablernas antal, medelvärde, minsta värde, maxvärde och standardavvikelse presenteras.
Tabell 5.2 Deskriptiv statistik
Variabel N Medelvärde Minimum Maximum Standardavvikelse
Sparande 282 4,36 0 6,83 2,04 Skuld 282 7,87 0 10,10 2,25 Avgift 282 6,23 0 7,00 0,51 Ålder 282 4,19 0,69 5,92 0,84 Storlek 282 0,79 0 1,00 0,41 Mark 282 0,10 0 1,00 0,30
45
I tabell 5.2 kan det utläsas att variabeln Sparande har ett medelvärde på 4,36. Skuldsättning å andra sidan har det högsta medelvärdet på 7,87 vilket indikerar att de undersökta bostadsrättsföreningar har en relativt hög skuldsättning med hänsyn till maxvärdet som är 10,10. Avgift har ett medelvärde på 6,23 och en standardavvikelse på 0,51 vilket också visar att föreningarna i studien haft en relativt likartad nivå på avgifterna. För variabeln Ålder uppgick medelvärdet till 4,19 och standardavvikelsen till 0,84 vilket förklaras av att de flesta undersökta föreningarna var byggda ungefär samtidigt.
Storlek och Mark är dummyvariabler och har antingen värdet 0 eller 1. Storlek har ett medelvärde på 0,79 och markägande på 0,10. För Storlek innebär värdet 1 att föreningen är större och 0 att föreningen är mindre (<20 lägenheter). Dess medelvärde förklaras genom att fler föreningar i urvalet bestod av föreningar med fler än 20 bostadsrätter. För Mark innebär värdet 1 tomträtt och 0 friköpt mark därför förklarar medelvärdet att färre föreningar hade tomträtt än friköpt mark. Värdenas generella avvikelse från medelvärdet, det vill säga dess standardavvikelse, är störst i variabeln skuldsättning (2,25) och minst i variabeln markägande (0,30).
I figur 5.2 nedan förtydligas fördelningen för den oberoende variabeln Skuld med ett histogram. Utifrån figuren går det att urskilja att residualerna är normalfördelade kring medelvärdet (7,87). Standardavvikelsen för variabeln Sparande var 2,25 enligt tabell 5.2.
46
5.3 Sambandsanalyser
För att studera om det finns ett statistiskt samband mellan den beroende variabeln och de oberoende variablerna utfördes Pearson´s korrelationsanalys enligt tabell 5.3 nedan.
Tabell 5.3 Korrelationsmatris
Sparande Skuld Avgift Ålder Storlek Mark
Sparande ,316** ,112 -0,150* 0,105 0,017 Skuld 0,316** 0,211** -0,295** 0,040 -0,004 Avgift 0,112 0,211** -0,121* 0,142* 0,076 Ålder -0,150* -0,295** -0,121* -0,121* -0,260** Storlek 0,105 0,040 0,142* -0,121* 0,077 Mark 0,017 -0,004 0,076 -0,260** 0,077
Kommentar: ** p <0,01 *p <0,05. Den beroende variabeln Sparande är logaritmerad för att uppnå normalfördelning. De oberoende variablerna Skuld, Avgift och Ålder är logaritmerade för att uppnå normalfördelning. Variablerna Storlek och Mark är dummyvariabler.
Tabell 5.3 visar att det finns ett positivt statistiskt signifikant samband mellan Sparande och den oberoende variabeln Skuld (0,316**). Tabellen visar även att det finns svaga korrelationer mellan Sparande och de oberoende variablerna Avgift, Storlek samt Mark som inte är signifikanta. Det finns även en svag negativ korrelation mellan Sparande och Ålder som är statistisk signifikant (-0,150*).
Vidare visar tabell 5.3 att de oberoende variablerna korrelerar med varandra, dock inom accepterat värde (-0,7 - 0,7) för att undvika multikollinearitet i fortsatt analys. Studien har även genomfört ett VIF-test för att bekräfta antagandet om multikollinearitet vilket presenteras i tabell 5.4 nedan.
Tabell 5.4 Värden för tolerans och VIF-test
Coefficients Collinearity Tolerance Statistics VIF*
Konstant Skuld 0,897 1,115 Avgift 0,894 1,119 Ålder 0,901 1,110 Storlek 0,966 1,035 Mark 0,929 1,077
47
I tabell 5.4 går att utläsa att det inte finns tecken på multikollinearitet då inget av värdena överstiger 10. Det högsta VIF-värde uppgår till 1,119 enligt tabellen ovan.
5.4 Avancerad utredning av studiens variabler
För att besvara studiens andra frågeställning “Vilka utmärkande faktorer kan beskriva hur mycket bostadsrättsföreningar sparar för framtida underhåll?” testas hypotes H1-H5 i en multivariat regressionsanalys för att undersöka om det finns samband mellan de oberoende variablerna Ålder, Avgift, Skuld, Storlek och Mark i förhållande till studiens beroende variabel Sparande. Tabell 5.5 nedan visar regressionen för var och en av de oberoende variablerna.
För att utesluta skensamband kontrollerades de oberoende variablerna i en och samma regressionsanalys. R och justerad R2 utgör förklaringsvärdet för regressionsanalysen.
Skillnaden mellan R och justerad R2 är att justerad R2 tar hänsyn till antalet oberoende variabler
i regressionsanalysen vilket ger en viss påverkan. Det justerade R2-värdet och regressionens
standardfel beskriver alltså hur väl regressionsmodellen beskriver datan som observerats. Förklaringsgraden enligt justerat R2-värde är 0,053 vilket innebär att 5,3 procent av
bostadsrättsföreningars sparande kan förklaras av studiens fem oberoende variabler.
Tabell 5.5 Regressionsanalys. Beroende variabel: Sparande
Model summary
R R2 Justerad R2 Estimerad Std Error
0,264 0,070 0,053 1,98525
ANOVA
Sum of Squares df Mean Square F Sig.
Regression 80,971 5 16,194 4,109 0,001
Residual 1083,831 277 3,913
48
Coefficients
Unstandardized Coefficients Standardized Coefficients
B Std. Error Beta t Sig.
Konstant 4,509 1,650 2,733 0,007 Skuld 0,158* 0,056 0,175 2,842 0,005 Avgift 0,023 0,245 0,006 0,092 0,927 Ålder -0,399* 0,149 -0,165 -2,687 0,008 Storlek 0,204 0,298 0,040 0,684 0,494 Mark -0,223 0,417 -0,032 -0,536 0,592
Kommentar: ** p <0,01 *p <0,05. Den beroende variabeln Sparande är logaritmerad för att uppnå normalfördelning. De oberoende variablerna Skuld, Avgift och Ålder är logaritmerade för att uppnå normalfördelning. Variablerna Storlek och Mark är dummyvariabler.
Vidare går resultatet från den multivariata analysen att utläsas från tabell 5.5 vilken ska besvara studiens fem hypoteser. I tabellen anger variablernas respektive betavärden hur stor påverkan varje enskild variabel har på den beroende variabeln Sparande. De två variabler som har det högsta standardiserade betavärdet är variabeln Skuld (0,175) och Ålder (-0,165). Det är alltså de två variabler som ger högst påverkan på sparandet.
Signifikansnivån mäter hur sannolikt det är att att en skillnad skulle uppstå av slumpen om det inte fanns någon egentlig skillnad i verkligheten. Ju lägre värde desto större säkerhet för tillförlitlighet. Studien har valt att bestämma signifikansnivån till 0,05 vilket medför att för att kunna acceptera studiens hypoteser ska signifikansen inte överstiga detta värde. Om signifikansnivån överstigit 0,05 kan det inte fastställas att den oberoende variabeln har någon effekt på den beroende variabeln.
Byggnadens ålder
Ålder på byggnaden i en bostadsrättsförening konstateras genom regressionsanalysen i tabell 5.5 ha en negativ korrelation (-0,399) med Sparande. Det negativa sambandet innebär att höga värden på variabeln Sparande hänger ihop med låga värden på variabeln Ålder och lutningen
49
blir därför svagt negativ enligt figur 5.3 nedan. Statistisk signifikans föreligger på 95 procents- nivå varpå H1 bekräftas.
Figur 5.3 Scatterplot mellan Sparande och den oberoende variabeln Ålder
Årsavgift per kvadratmeter boyta
I enlighet med regressionsmodellen i tabell 5.5 visar regressionsanalysen på en nästan obefintlig korrelation (0,023) mellan den beroende variabeln Sparande och Avgift. Därigenom kan H2 inte accepteras.
Bostadsrättsföreningens skuldsättning
I regressionsanalysen i tabell 5.5 konstateras ett svagt signifikant samband (se B-koefficienten 0,158) mellan den beroende variabeln Sparande och den oberoende variabeln Skuld. Det är ett positivt samband vilket betyder att höga värden på variabeln Sparande hänger ihop med höga värden på variabeln Skuld. Sparandet förväntas alltså öka med 15,8 procent för varje ökning i procent av föreningens skuldsättning i och med att båda variablerna är logaritmerade. Sambandet är statistiskt signifikant och därmed stödjer resultatet H3.
50
Bland studiens urval har 20 procent av de undersökta bostadsrättsföreningar färre än 20