Tillverkningsbranschen

6.10.1. Faktoranalys tillverkningsbranschen

Tabell 17. Faktoranalys tillverkningsbranschen.

KMO-testet är icke-signifikant med ett värde på 0.873 och innebär att variablerna samvarierar och kan bidra till identifiering av komponenter. Bartlett’s test är signifikant (0.000), vilket innebär att bland alla bivariata variabler finns det någon korrelation som är signifikant.

Störst samvariation mellan variablerna förekommer i komponent ett, balansposter och nyckeltal, där det är en gruppering av åtta variabler. I komponent två, tre och fyra är det en gruppering av fyra variabler. I komponent fyra är samvariationen mellan en av variablerna negativ, vilket resulterade i att variabelns skala vändes på för att kunna inkluderas i faktoranalysen.

Alpha-testet för komponenterna är alla över 0.700, vilket tyder på att de ömsesidiga korrelationerna mellan variablerna totalt sett är tillräckligt starka och att komponenten

6.10.2 Regressionsanalys tillverkningsbranschen

Modell ett är signifikant (0.098). Den beroende variabeln i modellen är komponent ett, balansposter och nyckeltal. Variabeln branschspecialisering är signifikant i modellen (0.096) och kan förklara sambandet av en hög värdering av balansposter och nyckeltal i väsentlighetsbedömningen för tillverkningsbranschen. Beta-värdet visar ett negativt värde vilket tyder på att revisorer som inte är specialiserade inom tillverkningsbranschen lägger en större vikt på balansposter och nyckeltal i sin väsentlighetsbedömning. Beta-värdet visar ett negativt värde för PwC, vilket tyder på att PwC lägger mindre vikt på balansposter och nyckeltal i tillverkningsbranschen än övriga byråer. Förklaringsgraden är 8,9 % att de i modellen ingående variablerna förklarar hur stor vikt respondenterna lägger på komponenten i branschen (se bilaga 7.6).

Modell två är signifikant (0.097). Den beroende variabeln i modellen är komponent tre, interna faktorer. Variabeln kön är signifikant i modellen (0.004) och kan förklara sambandet av en hög värdering av interna faktorer i väsentlighetsbedömningen för tillverkningsbranschen. Beta-värdet visar ett positivt värde vilket tyder på att kvinnliga revisorer lägger en större vikt på interna faktorer i sin väsentlighetsbedömning. Förklaringsgraden är 8,1 % att dessa variabler förklarar hur stor vikt respondenterna lägger på komponenten i branschen (se bilaga 7.6).

I regressionsmodellen där den oberoende variabeln Big 4 användes som enda byråvariabel visar modellen ett signifikant resultat (0.090) i den beroende variabeln, komponent ett, balansposter och nyckeltal i tillverkningsbranschen. Faktumet att modellen visar ett signifikant resultat kan tyda på att det finns en tendens till samband i hela modellen, men att ingen av de oberoende variablerna kan separat förklara sambandet. Förklaringsgraden är 7,5 % att dessa variabler förklarar hur stor vikt respondenterna lägger på komponenten i tillverkningsbranschen.

6.11. IT-branschen

6.11.1. Faktoranalys IT-branschen

Tabell 18. Faktoranalys IT-branschen.

KMO är icke-signifikant med ett värde på 0.790 och innebär att variablerna samvarierar och kan bidra till identifiering av komponenter. Bartlett’s test är signifikant (0.000), vilket innebär att bland alla bivariata variabler finns det någon korrelation som är signifikant.

Störst samvariation mellan variablerna förekommer i komponent två och tre, där det är en gruppering av fem variabler. I komponent ett och fyra, är det en gruppering av fyra variabler och i komponent fem är det en gruppering av två variabler.

Alpha-testet för komponenterna är alla över 0.700, vilket tyder på att de ömsesidiga korrelationerna mellan variablerna totalt sett är tillräckligt starka och att komponenten variablerna ingår i är lämpligt utformat. Variablerna i komponent ett har störst ömsesidig korrelation med ett alpha-värde på 0.943, därefter komponent två, fyra och komponent tre. Komponent fem lämpas sig inte att utföra alpha-test på.

6.11.2. Regressionsanalys IT-branschen

Modell ett är signifikant (0.044). Den beroende variabeln i modellen är komponent ett, omvärldsfaktorer. Variablerna kön (0.027) och ålder (0.002) är signifikant i modellen och kan förklara sambandet av en hög värdering av omvärldsfaktorer i väsentlighetsbedömningen för IT- branschen. Beta-värdet visar positiva värden vilket tyder på att kvinnliga revisorer och äldre revisorer lägger en större vikt på omvärldsfaktorer i sin väsentlighetsbedömning. Förklaringsgraden är 11,6 % att dessa variabler förklarar hur stor vikt respondenterna lägger på komponenten i branschen (se bilaga 7.7).

Modell två är signifikant (0.005). Den beroende variabeln i modellen är komponent tre, värderingsposter. Variablerna erfarenhet (0.001) och branscherfarenhet (0.069) är signifikant i modellen och kan förklara sambandet av en hög värdering av omvärldsfaktorer i väsentlighetsbedömningen för IT-branschen. Beta-värdet visar positiva värden vilket tyder på att mer erfarenhet och specialisering inom IT-branschen lägger en större vikt på värderingsposter i sin väsentlighetsbedömning. Beta-värdet visar ett positivt värde för egna byråer, vilket tyder på att egna byråer lägger mer vikt på värderingsposter i IT-branschen än övriga byråer. Förklaringsgraden är 24,5 % att dessa variabler förklarar hur stor vikt respondenterna lägger på komponenten i branschen (se bilaga 7.7).

Modell tre är signifikant (0.075). Den beroende variabeln i modellen är komponent fem, övriga faktorer (valutaförändringar och lagstiftning). Variablerna kön (0.007) och ålder (0.077) är signifikant i modellen och kan förklara sambandet av en hög värdering av omvärldsfaktorer i väsentlighetsbedömningen för IT-branschen. Beta-värdet visar positiva värden vilket tyder på att kvinnliga revisorer och äldre revisorer lägger en större vikt på övriga faktorer i sin väsentlighetsbedömning. Förklaringsgraden är 11 % att dessa variabler förklarar hur stor vikt respondenterna lägger på komponenten i branschen (se bilaga 7.7).

I regressionsmodellen där den oberoende variabeln Big 4 användes som enda byråvariabel visar modellen ett signifikant resultat (0.006) i den beroende variabeln, komponent tre, värderingsposter i IT-branschen. Modellen uppvisade att variabeln ålder är signifikant (0.078) och kan tyda på att äldre lägger en större vikt på värderingsposter i IT-branschen. Förklaringsgraden är 21,1 % att dessa variabler förklarar hur stor vikt respondenterna lägger på komponenten i branschen.

6.12. Offentliga bolag

6.12.1 Faktoranalys offentliga bolag

Tabell 19. Faktoranalys offentliga bolag.

KMO är icke-signifikant med ett värde på 0.797 och innebär att variablerna samvarierar och kan bidra till identifiering av komponenter. Bartlett’s test är signifikant (0.000), vilket innebär att bland alla bivariata variabler finns det någon korrelation som är signifikant.

Störst samvariation mellan variablerna förekommer i komponent två, där det är en gruppering av sex variabler. I komponent ett, fyra och tre är det en gruppering av fem, fyra respektive tre variabler. I den femte komponenten är det två variabler.

Alpha-testet för komponenterna är alla över 0.700, vilket tyder på att de ömsesidiga korrelationerna mellan variablerna totalt sett är tillräckligt starka och att komponenten variablerna ingår i är lämpligt utformat. Variablerna i komponent ett har störst ömsesidig korrelation med ett alpha-värde på 0.928, därefter komponent två, tre och komponent fyra. Komponent fem lämpas sig inte att utföra alpha-test på.

6.12.2 Regressionsanalys offentliga bolag

Regressionsanalys utfördes för offentliga bolag bland de fem olika komponenterna, men eftersom ingen av modellerna var signifikanta kunde ingen modell användas i analysen. Det går inte att konstatera att de variablerna som undersökts i respektive modell, kan förklara vad revisorerna anser är viktigt i väsentlighetsbedömningen för klienter i offentliga bolag.

Offentliga bolag är i sig inte någon bransch, utan kan förekomma i flera olika branscher. Grupperingen av variablerna för offentliga bolag differerar inte i någon vidare utsträckning, vilket inte kan förklara problematiken med modeller utan signifikant resultat i regressionsanalysen. En tänkbar anledning till att ingen signifikant modell kunde produceras i offentliga bolag är för möjligen att variablerna som har undersökts inte är tillämpliga i den offentliga sektorn. Behovet av att undersöka andra variabler för offentliga bolag kan diskuteras, dock hade det påverkat jämförbarheten mellan branscherna i studien.