Variabler

I detta avsnitt kommer studiens variabler att förklaras och hur de används i den statistiska modellen. Detta för att redogöra för hur variablerna är relevanta för studien, men också skillnader mellan variablerna så som oberoende och beroende variabler.

3.5.1 Skuldsättningsgrad

Skuldsättningsgrad är studiens beroende variabel och den variabel som avses att förklaras med hjälp av de oberoende variablerna. Ett av de vanligaste sätten att definiera skuldsättningsgraden är det bokförda värdet av skuld dividerat med det totala egna kapitalet. Anledningen till att det bokförda värdet av skuld används och inte marknadsvärdet beror på att det bokförda värdet är mer representativt för utbetalningar till borgenären och således även detta som borgenärerna lägger störst vikt vid (Bradley et al., 1984; Ra, 2016). Skuldsättningsgraden som sådan är ett uttryck för hur stor andel av företagets finansiering sker med hjälp av skulder i förhållande till eget kapital och därmed vilken kapitalstruktur de har (Graham & Harvey, 2001).

Eftersom skuldsättningsgraden är en kvot som förklarar hur stor andel av företagets skulder som finansierar verksamheten i förhållande till det egna kapitalet kan variabeln anta både negativa och positiva värden. För att använda företaget Lindex som exempel kan vi se att de år 2018 hade totala skulder på 1 415 524 tkr och ett totalt eget kapital på 400 653 tkr vilket ger en skuldsättningsgrad på 3.533042. Det skuldsättningsgraden säger rent konkret i Lindex fall är att företaget finansierar sin verksamhet med ungefär 3.5 gånger så stor andel skulder än eget kapital. För att negativ skuldsättningsgrad ska uppnås måste företaget gjort ett minusresultat som leder till ett negativt eget kapital.

𝑆𝑘𝑢𝑙𝑑𝑠ä𝑡𝑡𝑛𝑖𝑛𝑔𝑠𝑔𝑟𝑎𝑑 = 𝑇𝑜𝑡𝑎𝑙𝑎 𝑠𝑘𝑢𝑙𝑑𝑒𝑟

3.5.2 Tillgångsstruktur

Tillgångsstruktur definieras som andelen materiella anläggningstillgångar av företagets totala tillgångar. Beräkningen ligger i linje med hur andra studier har gjorts (Titman & Wessels 1988; Rajan & Zingales 1995; Frank & Goyal 2003). De materiella anläggningstillgångarna är enligt 4 kap. 1 § ÅRL (SFS 1995:1554) tillgångar som är avsedda för stadigvarande bruk eller innehas i verksamheten, dessa kan vara till exempel en byggnad, mark eller maskin.

Likt skuldsättningsgrad är tillgångsstruktur en kvot, men mellan materiella anläggningstillgångar och totala tillgångar. Det som skiljer de åt är att denna kvot enbart kan ta ett värde mellan 0 och 1 eftersom de materiella tillgångarna är en del av de totala tillgångarna samt att tillgångar inte kan ta ett negativt värde. Lindex hade år 2018 materiella anläggningstillgångar till ett värde av 30 919 tkr och totala tillgångar på 1 816 177 tkr vilket ger en kvot på 0.017024. Om företaget ökar sina materiella anläggningstillgångar kommer talet att närma sig 1 och omvänt innebär en minskning att variabeln närmar sig 0.

𝑇𝑖𝑙𝑙𝑔å𝑛𝑔𝑠𝑠𝑡𝑟𝑢𝑘𝑡𝑢𝑟 =𝑀𝑎𝑡𝑒𝑟𝑖𝑒𝑙𝑙𝑎 𝑎𝑛𝑙ä𝑔𝑔𝑛𝑖𝑛𝑔𝑠𝑡𝑖𝑙𝑙𝑔å𝑛𝑔𝑎𝑟

𝑇𝑜𝑡𝑎𝑙𝑎 𝑡𝑖𝑙𝑙𝑔å𝑛𝑔𝑎𝑟

3.5.3 Lönsamhet

Lönsamhet är en av de huvudsakliga variablerna som används vid studier om företags kapitalstruktur och kan definieras som ett företags räntabilitet på dess totala tillgångar. Ett av de vanligaste måtten på lönsamhet som använts i tidigare studier är ett företags EBIT (resultat före ränta och skatt) i förhållande till totala tillgångar eller total försäljning (Song, 2005; Colombage et al., 2017). Andra mått som använts är även EBT (resultat före skatt) och EBITDA (resultat före ränta, skatt, avskrivningar och amorteringar) (Deari & Deari, 2009; Harc & Šarlija, 2016). Denna studie väljer att utgå ifrån EBIT eftersom det ökar jämförbarheten med tidigare studier och således även tillförlitligheten i studien. Dessutom rapporterar alla företag olika och studiens författare fann data att bli mer jämförbart om EBIT användes istället för de två andra måtten. Att måttet EBT inte används beror även på att studien då förlorar de ränteeffekter som kan tänkas uppstå.

Givet detta så framgår det att lönsamhet som sådan är en kvot mellan EBIT och ett företags totala tillgångar. Lönsamhet kommer därför ge sig uttryck i antingen ett positivt tal eller negativt tal beroende på det enskilda företagets resultat. Exempel på detta är Lindex som år 2018 hade ett EBIT på 124 019 tkr och totala tillgångar uppgick till 1 816 177 tkr vilket i sin tur ger kvoten tillika lönsamhet på 0.068286. Omvänt hade ett negativt EBIT givit en negativ kvot samtidigt som en ökning eller minskning av de totala tillgångarna kan förändra kvotens storlek.

𝐿ö𝑛𝑠𝑎𝑚ℎ𝑒𝑡 = 𝐸𝐵𝐼𝑇

3.5.4 Storlek

I tidigare studier har två olika sätt för att beräkna ett företags storlek använts, dessa är den naturliga logaritmen av företagets omsättning och den naturliga logaritmen av företagets totala tillgångar. Att den naturliga logaritmen används beror enligt Buvanendra, Sridharan och Thiyagarajan (2016) på att den jämnar ut den stora variationen i insamlade data. Detta eftersom den naturliga logaritmen justerar för icke-linjära data som lätt uppstår när det är just stora skillnader i de observerade värdena (Van Caneghem & Van Campenhout, 2012). Eftersom det är stora skillnader i företags omsättning är det lämpligt att använda sig av denna beräkning. Dessutom kommer denna studie att använda sig av den naturliga logaritmen av omsättningen då den används av en stor del andra studier (Titman & Wessels, 1988; Whited, 1992; Rajan & Zingales, 1995 & Ozkan, 2001). Visserligen skulle även den naturliga logaritmen av totala tillgångar kunnat användas, men eftersom merparten av de studier som lästes använde sig av omsättningen ansåg författarna att det ökar jämförbarheten samt tillförlitligheten i studien.

Storlek är den enda variabel som inte är en kvot av något. Eftersom den naturliga logaritmen av ett företags omsättning används innebär det att för Lindex år 2018 när omsättningen låg på 2 978 518 tkr blir den naturliga logaritmen 14.90696. Det kan verka anmärkningsvärt att talen skiljer sig mycket åt, men det är viktigt att komma ihåg att när regressionsanalys används undersöks ett samband och skillnader kommer att kvarstå mellan företagen. Däremot så trycks talen ihop så de närmar sig varandra för att möjliggöra användningen i en regressionsanalys och undvika heteroskedasticitet. Vad detta är förklaras senare i metodkapitlet, men kan kort beskrivas som att variansen i variabeln inte är konstant.

𝑆𝑡𝑜𝑟𝑙𝑒𝑘 = 𝐿𝑁(𝑂𝑚𝑠ä𝑡𝑡𝑛𝑖𝑛𝑔)

3.5.5 Onoterad/Noterad

Denna studie kommer även att innefatta dummyvariabler. En sådan variabel är kategorisk som antingen tar värde 1 eller 0 där 1 innebär att variabeln uppfyller kriteriet och 0 att resterande data innefattas. I denna studie blir denna variabel om företag är noterat (1) och således blir de onoterade företagen de resterande (0). När variabeln tar värdet 1 så kommer den linjära regressionerna ekvations intercept att förändras där ett intercept innebär punkten där ekvationen skär Y-axeln. Tack vare dummyvariabeln kommer det bli möjligt att konstatera om det är någon skillnad på noterade och onoterade företags korrelation till totala skuldsättningen (Studenmund, 2006).

3.6 Regressionsmodell

Det finns olika typer av regressionsmodeller som kan användas beroende på vilka variabler en studie undersöker. I den här uppsatsen kommer en multipel linjär regression tillämpas då den beroende variabeln är kontinuerlig vilket i sin tur innebär att skuldsättningsgrad kan anta flera olika värden. Multipel linjär regression beräknas med hjälp av OLS (Ordinary Least Squares) metoden

som enligt Studenmund (2006) som är framtagen för att mäta samband mellan oberoende och beroende variabler och dess effekt på varandra när den beroende variabeln är kontinuerlig. Metoden är enligt författaren den absolut vanligaste metoden inom regression. Målet med denna analys är att med hjälp av data utvinna ett exakt estimat. Detta görs genom att framtagandet av det statistiska sambandet mellan en beroende variabel (Y) och en förklarande variabel (Xi). I en multipel linjär regressionen vill vi estimera de olika koefficienterna för de oberoende variablerna som finns i den linjära ekvationen och hur dessa förutspår värdet på den beroende variabeln. När en multipel regressionsanalys genomförs med flera oberoende variabler är det viktigt att noggrant välja vilka oberoende variabler som ska undersökas. Dels ska de vara relevanta för studien och det ska inte heller vara för många variabler då det försvårar beräkningen samt gör skattningen mer osäker. Dessutom får variablerna inte ha för stark korrelation sinsemellan (Alexopoulos, 2010). En annan viktig faktor i att välja oberoende variabler är att det är viktigt att välja variabler som har en teoretisk förklaring till den beroende variabeln och påverkan på densamma. Variabler som antas ha lite påverkan på den beroende variabeln bör i så stor utsträckning som möjligt undvikas om de inte har andra förklaringar som modellen eftersträvar (Studenmund, 2006).

Nedan presenteras en generell multipel regressionsmodell som studiens modell baserats på (Studenmund, 2006, s. 14):

Yi= ∝+ β1X1+ β2X2+ β3X3+ ε

Följande ekvation blir den regressionsmodell studien använder sig av: YSkuldsättningsgrad = ∝+ βLönsamhet + βStorlek + βTillgångsstruktur + DNoterat + ε

Där skuldsättningsgraden (Yi) är den beroende variabeln som ska undersökas och ∝ är en konstant tillika studiens intercept. β är regressionskoefficienter som anger lutning på ekvationens linje. Detta innebär att när en oberoende variabel förändras med 1 så kommer den beroende variabeln att förändras med β x 1. Vidare är DNoterat den dummyvariabel som antar värdet 1 när företag är noterade och 0 när det är onoterat. Avslutningsvis är ε en stokastisk felterm som används för att förklara det som de oberoende variablerna inte kan förklara som exempelvis mätfel, slumpartade eller oberäkneliga händelser. Detta gör det möjligt för regressionsmodellen att korrigera för denna oförklarliga variationen som de oberoende variablerna inte kan förklara (Studenmund, 2006). I regressionsmodeller som körs i Stata går det även att utläsa beta koefficienten som inte bör förväxlas med β som är en ostandardiserad koefficient. Beta koefficient är en standardiserad koefficient som möjliggör jämförelser mellan de olika styrkorna hos variablerna. Anledningen till att β-koefficienten inte kan jämföras mellan de olika variablerna beror på att de använder sig av olika typer av mått och kvoter. Med den standardiserade beta koefficienten utjämnas dessa skillnader eftersom koefficienten uttrycker sig med en gemensam enhet och detta ökar jämförbarheten (Siegel, 2016).

För att kunna se hur tillförlitligt resultatet är granskas resultatens signifikans. Studien utgår från en signifikansnivå på 0.05 vilket enligt Studenmund (2006) är den vanligaste vid regressionsanalys.

Signifikansnivån beskriver hur osannolikt sambandet mellan ett slumpmässigt urval är givet att det inte finns någon skillnad i det stora urvalet. Det innebär således att den visar om slumpen har någon effekt på resultatet eller inte. För att resultatet ska vara statistiskt signifikant och därmed tillförlitligt ska signifikansnivån ligga under 0.05. Det innebär med andra ord att om signifikansnivån för variabeln skuldsättning 2018 och tillgångsstruktur 2018 ligger under 0.05 går det att konstatera att sambandet mellan variablerna inte har uppstått av slumpen. Vilken signifikansnivå studiens resultat har presenteras i de olika tabellerna som finns i resultat kapitlet (Studenmund, 2006).

3.6.1 Determinationskoefficient

En determinationskoefficient (R2) är en parameter som måste tas i beaktning i en regressionsanalys. Denna anger hur mycket av förändringen i den beroende variabeln beror på förändringar i de oberoende variablerna. Koefficienten kan ta ett värde mellan 0 och 1 där den förstnämnda innebär att det inte finns något samband med variationen i den beroende variabeln och variationer i de oberoende variablerna. Om värdet är 1 innebär det således att all förändring i den beroende variabeln kan förklaras till 100 procent av förändringar i de oberoende variablerna. Ett problem med R2 är däremot att värdet ökar desto fler oberoende variabler som läggs till i ekvationen. För att komma tillrätta med detta används något som kallas justerat R2 _{som precis som namnet avslöjar} är ett justerat värde som tar hänsyn till ett större antal variabler. Däremot ansågs detta inte vara ett problem i denna studie då det enbart används tre oberoende variabler och skillnaden mellan R2 och justerat R2 var försumbar (Studenmund, 2006).