För att undersöka relationen mellan resultatmanipulation och VD:ns löneincitament har en modell tagits fram där resultatmanipulation, operationaliserat som absoluta diskretionära periodiseringar, utgör den beroende variabeln. VD:ns löneincitament utgör studiens oberoende variabel och är en ratio av den rörliga ersättningen (bonus och aktierelaterad ersättning) och den totala ersättningen. Utöver beroende och oberoende variabel inkluderas även fyra kontrollvariabler, ROA, SIZE, LEV och OCF, vilka i tidigare studier setts associerade med resultatmanipulation (Peasnell, Pope & Young, 2000b; Bergstresser &
Philippon, 2006; Kothari, Leone & Wasley, 2005; Li & Zaiats, 2017). Modellen syftar till att undersöka sambandet mellan VD:s löneincitament och resultatmanipulation och därmed H1.
𝐴𝑏𝐷𝐴! = 𝛼#+ 𝛼$𝑉𝐷𝐼𝑛𝑐!+ 𝛼%𝑅𝑂𝐴!+ 𝛼&𝑆𝐼𝑍𝐸! + 𝛼(𝐿𝐸𝑉!+ 𝛼)𝑂𝐶𝐹!+ 𝜀! (5)
där
𝐴𝑏𝐷𝐴! = 𝑎𝑏𝑠𝑜𝑙𝑢𝑡𝑎 𝑑𝑖𝑠𝑘𝑟𝑒𝑡𝑖𝑜𝑛ä𝑟𝑎 𝑝𝑒𝑟𝑖𝑜𝑑𝑖𝑠𝑒𝑟𝑖𝑛𝑔𝑎𝑟 𝑉𝐷𝐼𝑛𝑐! = 𝑅ö𝑟𝑙𝑖𝑔 𝑒𝑟𝑠ä𝑡𝑡𝑛𝑖𝑛𝑔𝑔!
𝑇𝑜𝑡𝑎𝑙 𝑒𝑟𝑠ä𝑡𝑡𝑛𝑖𝑛𝑔! 𝑅𝑂𝐴! = 𝑎𝑣𝑘𝑎𝑠𝑡𝑛𝑖𝑛𝑔 𝑝å 𝑡𝑖𝑙𝑙𝑔å𝑛𝑔𝑎𝑟 𝑆𝐼𝑍𝐸! = 𝑠𝑡𝑜𝑟𝑙𝑒𝑘 𝑝å 𝑓ö𝑟𝑒𝑡𝑎𝑔
𝐿𝐸𝑉! = 𝑠𝑘𝑢𝑙𝑑𝑠ä𝑡𝑡𝑛𝑖𝑛𝑔𝑠𝑔𝑟𝑎𝑑
𝑂𝐶𝐹! = 𝑘𝑎𝑠𝑠𝑎𝑓𝑙ö𝑑𝑒 𝑓𝑟å𝑛 𝑙ö𝑝𝑎𝑛𝑑𝑒 𝑣𝑒𝑟𝑘𝑠𝑎𝑚ℎ𝑒𝑡 𝜀!= 𝑟𝑒𝑠𝑖𝑑𝑢𝑎𝑙
En sammanställning av operationaliseringen av ovanstående variabler presenteras närmare i Tabell 3. Genom att tillämpa kontrollvariabler i regressionsanalysen ökar studiens validitet (Bryman & Bell, 2017) och förstärker möjligheten att finna alternativa förklaringar till ett eventuellt samband mellan resultatmanipulering och VD:ns löneincitament.
I linje med tidigare studier såsom Kothari, Leone och Wasley (2005), Cai et al. (2019) och Lobanova et al. (2019), vilka också beräknar DA genom MJM, används ROA som kontrollvariabel i regressionsanalysen. ROA förväntas vara negativt associerad med DA då bolag med högre avkastning och bättre prestation förväntas ha högre resultatkvalitet (Lobanova et al., 2019). I studien definieras ROA som rörelseresultat delat med totala tillgångar i enlighet med Lobanova et al. (2019).
Likt tidigare studier (Lobanova et al., 2019; Xuefeng Jiang, Petroni & Yanyan Wang, 2010; Aboody & Kasznik, 2000) tillämpas även kontrollvariabeln SIZE i regressionen där bland annat Bergstresser och Philippon (2006) samt Li och Zaiats (2017) funnit att bolagsstorlek är signifikant negativt associerat med resultatmanipulering. Dechow, Ge och Schrand (2010) beskriver bolagsstorlek som en prediktor för resultatkvalitet då större bolag förväntas ha bättre redovisningssystem med mer finkalibrerade kontrollmekanismer.
Samtidigt indikerar Zhang et al. (2008) att bolagets storlek är en betydelsefull faktor för verkställande direktörers totala lön. I studien mäts SIZE som logaritmen av totala tillgångar likt Bergstresser och Philippon (2006), detta i syfte att minska problem med heteroskedasticitet (Peasnell, Pope & Young, 2000b).
Burgstahler och Dichev (1997) menar att OCF är en komponent som används vid resultatmanipulering med mål att undvika förluster, varför variabeln inkluderas i studiens regression som en kontrollvariabel. Även Peasnell, Pope och Young (2000b) inkluderar OCF
som kontrollvariabel med hänvisning till att kassaflöde från verksamheten förväntas vara negativt associerat med periodiseringsbaserad resultatmanipulation, då OCF är en av de främsta determinanterna för finansiell prestation (Nwaeze, Yang & Yin, 2006). OCF operationaliseras som kassaflöde från den operativa verksamheten delat med totala tillgångar.
Tabell 3. Sammanställning av studiens variabler.
Variabel Förklaring
Beroende variabel
DA Absoluta diskretionära periodiseringar – estimeras utifrån Modified Jones Model
ROA Avkastning på tillgångar – beräknas enligt (EBIT)/(totala tillgångar) där EBIT (WC18191) och totala tillgångar (WC02999) inhämtats från Refinitiv Eikon Datastream
SIZE Bolagsstorlek – beräknas enligt log(totala tillgångar) där totala tillgångar (WC02999) inhämtats från Refinitiv Eikon Datastream
LEV Skuldsättningsgrad – beräknas enligt (totala
skulder)/(totala tillgångar) där totala skulder (WC03255) och totala tillgångar (WC02999) inhämtats från Refinitiv Eikon Datastream
OCF Kassaflöde från löpande verksamhet – beräknas enligt (OCF)/(totala tillgångar) där OCF (WC04860) och totala tillgångar (WC02999) inhämtats från Refinitiv Eikon Datastream
Tabellen visar studiens beroende variabel DA, oberoende variabel VDInc och
kontrollvariabler ROA, SIZE, LEV och OCF med tillhörande förklaring av dess beräkning och inhämtning.
Vidare inkluderas LEV som en kontrollvariabel i studiens regression likt tidigare studier (Lang, Smith Ready & Wilson; 2006; Bergstresser & Philippon, 2006; Xuefeng Jiang, Petroni & Yanyan Wang, 2010). Dessutom menar Dechow, Ge och Schrand (2010) att företag kan vara motiverade att resultatmanipulera i syfte att inte bryta mot förpliktelser i skuldavtal samtidigt som företag med hög skuldsättningsgrad i större utsträckning bryter mot skuldavtal. Även DeFond och Jimbalvo (1994) finner att skuldsättningsgrad är positivt
relaterat med DA där risk för att bryta skuldavtal anges som orsak att skönmåla intäktssidan eller manipulera redovisningen. Dechow, Ge och Schrand (2010) menar att sådana aktiviteter är kopplade till minskad resultatkvalitet varför associationen mellan DA och LEV förväntas vara positiv. Även Lobanova et al. (2019) inkluderar LEV som kontrollvariabel i regressionen där DA utgör beroende variabeln, med hänvisning till att skuldsättningsgrad, tillsammans med bland annat ROA och SIZE, visats associera med informationskvalitet i resultatet. LEV operationaliseras som totala skulder delat med totala tillgångar.
3.6 Regressionsprocedur
Efter att absoluta värden för diskretionära periodiseringar estimerats utifrån MJM för varje företag och år sammanställdes de till en och samma variabel, tillika estimat för resultatmanipulering. Datamaterialet till regressionerna utgjordes vid tidpunkten av totalt 210 observationer fördelade över 79 företag och fyra industrier. Som följd av det förhållandevis skrala antalet observationer togs beslut om att i största möjliga mån undvika exkludera ytterligare obseravationer från stickprovet i syfte att öka studiens statistiska styrka (De Veaux, Vellman & Bock, 2016).
För att kontrollera antagandet om normalfördelning och frånvaro av extremvärden, studerades initialt residualplottar och histogram för studiens variabler, där vissa extremvärden kunde identifieras. Residualplottarna visade variablernas standardiserade residualer på y-axeln samt predicerade residualer på x-y-axeln. Värden för kurtos och skevhet, vilka båda ger indikation på normalfördelning, togs också fram där vissa variabler hade värden över 10, vilket indikerar att variabeln har fler och mer extrema extremvärden än en normalfördelning.
För att hantera detta, utan att reducera stickprovsstorleken, genomfördes först en winsorizing på 1a och 99e percentilen för studiens samtliga variabler. De observationer vars standardiserade residualer fortfarande var större eller mindre än än ± 3,3 justerades till värdet som motsvarades av ± 3,3, vilket enligt Borg och Westerlund (2014) är det högsta/lägsta residualvärdet som bör ingå för en observation i en multipel regressionsanalys. I linje med Hair, Black, Babin och Anderson (2019) anses skevhetsvärden på ± 2 samt kurtosvärden på ± 7 som tillräckligt normalfördelade.
En observation (BioArctic år 2017) noterades dock med stor inverkan på sambandet då ett spridningsdiagram togs fram över beroende- och oberoende variabeln. För att undersöka anomalin kontrollerades företagets årsrapport där det framkom att företaget startades under 2017 och började rapportera först under Q2, något som missats under den initiala
datainsamlingen. Då jämförbarheten, mellan övriga observationer och ett företag utan en fullständig årsredovisning, blir bristfällig exkluderades observationer från företaget för åren 2017 och 2018 (då totala tillgångar från 2017 påverkar DA-estimatet för 2018) varför det slutgiltiga stickprovet inför regressionsanalysen bestod av 208 observationer (se Tabell 2).
Borg och Westerlund (2012) anger att tillräckligt många observationer är ett kriterium för regressionsanalys och rekommenderar att antalet minst bör vara N ≥ 50 + 8m, där m representerar antal prediktorvariabler. Studiens stickprov uppfyller antagandet då 208 är större än det kritiska antalet på 150 observationer.
För att kontrollera för eventuell multikollinearitet i regressionen sammanställdes även variansinflationsfaktorn (VIF) för samtliga oberoende variabler. Ett faktorvärde större än 10 indikerar risk för multikollinearitet och sådana variabler är därmed inte lämpliga att inkludera (Li & Zaiats, 2017). I regressionsanalysen betraktas den allmänt acceptabla alfanivån som 0.05, varför endast p-värden lägre än 0.05 anses signifikanta. All analys av det insamlade datamaterialet görs med hjälp av statistikprogrammet SPSS.