Analyse van de resultaten
4.2 Resultaten toetsen hypothesen
4.2
4.2
4.2 Resultaten toetsen hypothesen
In deze paragraaf worden de resultaten van het toetsen van de hypothesen gepr Hierdoor zal inzichtelijk gemaakt worden welke factoren worden beïnvloed door de van het artikel met de “beste”
antwoord gegeven op deelvraag 7 4.2.1
4.2.1 4.2.1
4.2.1 Toetsen van hypothesen
De in dit onderzoek benoemde onafhankelijke variabelen zijn afzonderlijk getest met behulp van lineare regressieanalyse. Om te controleren of er
resultaatvoorspellingen afgegeven door het management en de publicatie van “beste/slechtste” boards zullen er zowel
uitgevoerd worden. Het verschil tussen correlatie zoals besproken in paragraaf
is dat er bij correlatie geen rekening wordt gehouden met causaliteit. Causaliteit wil zeggen dat de variatie in Y wordt veroorzaakt door X, en niet andersom. Met deze relatie wo
wel rekening gehouden. Bij regressie Ook wel omschreven als: indien
een reactie in variabele Y (afhankelijk) verwacht. H ziet er als volgt uit:
Waar Y = Afhankelijke variabele = Snijpunt met de Y
= Helling, of
De waarde van Y hangt dus af van het snijpunt met de Y
X op Y. Hiermee wordt echter causaliteit niet bewezen. Regressie is slechts een hulpmiddel causaliteit aan te tonen (Newbold et al. 2003, p.376). Als er meerder variabelen invloed hebben op de waarde van Y dan ziet de regressievergelijking er als volgt uit:
Met de lineaire univariate regressieanalyse word
onder de “beste” boards in het artikel in Business Week meer
dan organisaties die in het artikel in Business Week genoemd worden onder de boards. Verder zal getoetst worden of organisaties genoemd bij de
artikel in Business Week na publicatie meer
negatieve publiciteit. Hiervoor is de variabele aantal
gebruikt als afhankelijke variabele en de publicatie in Business Week als onafhankelijke variabele (dichotoom).
De regressieanalyses die hier uitgevoerd gaan worden zijn eenzijdig aangezien de hypothesen voorspellen dat de “beste” boards vooraf meer
boards, en dat boards van organisaties
resultaatvoorspellingen af gaan geven na publicatie. Hypotheses 1 en 2 zullen dus worden Hoofdstuk 4. Analyse van de resultaten
hypothesen
deze paragraaf worden de resultaten van het toetsen van de hypothesen gepr Hierdoor zal inzichtelijk gemaakt worden welke factoren worden beïnvloed door de ” en “slechtste” boards in Business Week. Hiermee antwoord gegeven op deelvraag 7.
n 1 en 2
e in dit onderzoek benoemde onafhankelijke variabelen zijn afzonderlijk getest met behulp van Om te controleren of er een relatie bestaat tussen het aantal en afgegeven door het management en de publicatie van
len er zowel lineaire univariate als multivariate regressi worden. Het verschil tussen correlatie zoals besproken in paragraaf
is dat er bij correlatie geen rekening wordt gehouden met causaliteit. Causaliteit wil zeggen dat de variatie in Y wordt veroorzaakt door X, en niet andersom. Met deze relatie wo
ekening gehouden. Bij regressieanalyse wordt dus rekening gehouden met afhankelijkheid. indien de waarde van variabele X (onafhankelijk) veranderd, wordt er een reactie in variabele Y (afhankelijk) verwacht. Het model voor lineaire
Afhankelijke variabele Snijpunt met de Y-as
Helling, ofwel effect van de onafhankelijke X op de afhankelijke Y De waarde van Y hangt dus af van het snijpunt met de Y-as en de invloed van een verandering in X op Y. Hiermee wordt echter causaliteit niet bewezen. Regressie is slechts een hulpmiddel causaliteit aan te tonen (Newbold et al. 2003, p.376). Als er meerder variabelen invloed hebben op de waarde van Y dan ziet de regressievergelijking er als volgt uit:
univariate regressieanalyse wordt getoetst of organisaties die genoemd worden boards in het artikel in Business Week meer resultaatvoorspelling
dan organisaties die in het artikel in Business Week genoemd worden onder de boards. Verder zal getoetst worden of organisaties genoemd bij de “slechtste
artikel in Business Week na publicatie meer resultaatvoorspellingen gaan afgeven na deze negatieve publiciteit. Hiervoor is de variabele aantal resultaatvoorspelling
gebruikt als afhankelijke variabele en de publicatie in Business Week als onafhankelijke ier uitgevoerd gaan worden zijn eenzijdig aangezien de hypothesen boards vooraf meer resultaatvoorspellingen afgeven dan de
boards, en dat boards van organisaties die gerangschikt zijn onder de “slechtste
en af gaan geven na publicatie. Hypotheses 1 en 2 zullen dus worden deze paragraaf worden de resultaten van het toetsen van de hypothesen gepresenteerd. Hierdoor zal inzichtelijk gemaakt worden welke factoren worden beïnvloed door de publicatie boards in Business Week. Hiermee wordt een
e in dit onderzoek benoemde onafhankelijke variabelen zijn afzonderlijk getest met behulp van relatie bestaat tussen het aantal en afgegeven door het management en de publicatie van het artikel variate regressietesten worden. Het verschil tussen correlatie zoals besproken in paragraaf 4.1.3 en regressie is dat er bij correlatie geen rekening wordt gehouden met causaliteit. Causaliteit wil zeggen dat de variatie in Y wordt veroorzaakt door X, en niet andersom. Met deze relatie wordt bij regressie analyse wordt dus rekening gehouden met afhankelijkheid. de waarde van variabele X (onafhankelijk) veranderd, wordt er lineaire univariate regressie
wel effect van de onafhankelijke X op de afhankelijke Y as en de invloed van een verandering in X op Y. Hiermee wordt echter causaliteit niet bewezen. Regressie is slechts een hulpmiddel om causaliteit aan te tonen (Newbold et al. 2003, p.376). Als er meerder variabelen invloed hebben
t getoetst of organisaties die genoemd worden resultaatvoorspellingen afgeven dan organisaties die in het artikel in Business Week genoemd worden onder de “slechtste” slechtste” boards in het en gaan afgeven na deze resultaatvoorspellingen (pre en post) gebruikt als afhankelijke variabele en de publicatie in Business Week als onafhankelijke ier uitgevoerd gaan worden zijn eenzijdig aangezien de hypothesen en afgeven dan de “slechtste” slechtste” boards meer en af gaan geven na publicatie. Hypotheses 1 en 2 zullen dus worden
geaccepteerd als de beta-coëfficiënt
aangehouden. Omdat SPSS altijd tweezijdig toetst moeten we de P door twee.
Lineaire multivariate regressie is een techniek die kan ondersteunen bij het aantonen van causaliteit tussen meerdere onafhankelijke variabelen en een enkele afhankelijke variabele. onderzoek worden vier controlevariabelen gebruikt
vorm van het balanstotaal van de betreffende organisatie, het relati
dichotoom die een “0” krijgt op het moment dat het jaar voor publicatie meer winst is gem dan in publicatiejaar zelf, en anders een “1” krijgt), het aantal analisten
een dichotome variabele die aangeeft of er in het publicatiejaar sprake is geweest van een CEO wisseling. Deze controlevariabelen zijn gebruikt om te
variabelen significant blijft op het moment dat we de controlevariabelen in ons model zetten. De afhankelijke variabele is in dit geval weer het aantal resultaatvoorspellingen die door het management wordt afgegeven. Bij het uitvoeren van lineaire regressie wordt normaliter rekening gehouden met het snijpunt van de Y
Deze constante is bij de onderstaande analyses in dit hoofdstuk wel meegenomen maar niet gepresenteerd. Er is voor gekozen om deze constante niet te presenteren gezien de geringe meerwaarde hiervan.
Hieronder zijn de resultaten van de eerste hypothese gepresenteerd.
Tabel 12: Uitkomst lineaire univariate regressie H1
Tabel 13: Uitkomst lineaire multivariate regressie H1
Uit zowel de uitkomst van de
multivariate regressie kan worden opgemaakt dat hypothese betekent dat er geen bewijs kan worden gevonden dat
besturen voor publicatie meer resultaatvoorspellingen afgeven dan organisaties gerangschikt onder de “slechtste” besturen. Als we
wisseling van CEO gepaard gaat met het afgeven van meer resultaatvoorspellingen. De resultaten van het toetsen van de tweede hypothese zullen hieronder volgen.
B
Best/Worst 0,194
Dependent Variable: Aantal voorspellingen pre.
B Best/Worst 0,227 Aantal analisten 0,011 Symbool winst -0,087 Wisseling CEO 0,52 Grootte 0,04
Dependent Variable: Aantal voorspellingen pre.
coëfficiënt significant positief is. Hierbij wordt een P
aangehouden. Omdat SPSS altijd tweezijdig toetst moeten we de P-waarde die SPSS geeft delen
ultivariate regressie is een techniek die kan ondersteunen bij het aantonen van causaliteit tussen meerdere onafhankelijke variabelen en een enkele afhankelijke variabele.
levariabelen gebruikt, namelijk: de grootte van de
vorm van het balanstotaal van de betreffende organisatie, het relatieve symbool van de winst (een toom die een “0” krijgt op het moment dat het jaar voor publicatie meer winst is gem dan in publicatiejaar zelf, en anders een “1” krijgt), het aantal analisten dat een aandeel volgt en
chotome variabele die aangeeft of er in het publicatiejaar sprake is geweest van een CEO wisseling. Deze controlevariabelen zijn gebruikt om te kijken of de invloed van onze afhankelijke variabelen significant blijft op het moment dat we de controlevariabelen in ons model zetten. De afhankelijke variabele is in dit geval weer het aantal resultaatvoorspellingen die door het Bij het uitvoeren van lineaire regressie wordt normaliter rekening gehouden met het snijpunt van de Y-as in de modellen. Dit wordt ook wel de constante genoemd. Deze constante is bij de onderstaande analyses in dit hoofdstuk wel meegenomen maar niet presenteerd. Er is voor gekozen om deze constante niet te presenteren gezien de geringe
Hieronder zijn de resultaten van de eerste hypothese gepresenteerd.
univariate regressie H1 (R2 = 0,2%)
multivariate regressie H1 (R2 = 8,2%).
uitkomst van de lineaire univariate regressie als de uitkomst van de
multivariate regressie kan worden opgemaakt dat hypothese één verworpen moet worden. Dit betekent dat er geen bewijs kan worden gevonden dat organisaties gerangschikt onder de “beste” besturen voor publicatie meer resultaatvoorspellingen afgeven dan organisaties gerangschikt onder de “slechtste” besturen. Als we kijken naar de controlevariabelen valt het nog wel op dat de wisseling van CEO gepaard gaat met het afgeven van meer resultaatvoorspellingen. De resultaten
de tweede hypothese zullen hieronder volgen.
Std. Error Beta t Sig.
0,178 0,107 1,09 0,278
Dependent Variable: Aantal voorspellingen pre.
Std. Error Beta t Sig.
0,219 0,125 1,036 0,303
0,012 0,106 0,901 0,37
0,23 -0,047 -0,381 0,704
0,231 0,23 2,249 0,027
0,062 0,074 0,64 0,524
Dependent Variable: Aantal voorspellingen pre.
significant positief is. Hierbij wordt een P-waarde van < 0,05 arde die SPSS geeft delen
ultivariate regressie is een techniek die kan ondersteunen bij het aantonen van causaliteit tussen meerdere onafhankelijke variabelen en een enkele afhankelijke variabele. In dit rootte van de organisatie in de eve symbool van de winst (een toom die een “0” krijgt op het moment dat het jaar voor publicatie meer winst is gemaakt dat een aandeel volgt en chotome variabele die aangeeft of er in het publicatiejaar sprake is geweest van een CEO kijken of de invloed van onze afhankelijke variabelen significant blijft op het moment dat we de controlevariabelen in ons model zetten. De afhankelijke variabele is in dit geval weer het aantal resultaatvoorspellingen die door het Bij het uitvoeren van lineaire regressie wordt normaliter rekening as in de modellen. Dit wordt ook wel de constante genoemd. Deze constante is bij de onderstaande analyses in dit hoofdstuk wel meegenomen maar niet presenteerd. Er is voor gekozen om deze constante niet te presenteren gezien de geringe
als de uitkomst van de lineaire verworpen moet worden. Dit organisaties gerangschikt onder de “beste” besturen voor publicatie meer resultaatvoorspellingen afgeven dan organisaties gerangschikt variabelen valt het nog wel op dat de wisseling van CEO gepaard gaat met het afgeven van meer resultaatvoorspellingen. De resultaten
0,278 0,303 0,37 0,704 0,027 0,524
Hoofdstuk
Tabel 14: Uitkomst lineaire univariate regressie H2
Tabel 15: Uitkomst lineaire multivariate regressie H2
Als we kijken naar de uitkomsten van de regressieanalyse, univariate als de multivariate lineaire
twee niet aangenomen kan worden. Boards die gerangschikt gaan na publicatie van het artike
afgeven door de negatieve publiciteit. beschrijvende statistiek in paragraaf
resultaatvoorspellingen van de "worst" boards afneemt na de publicatie in B Kennelijk trekken deze boards zich er
kijken naar de controlevariabelen
organisatie en het symbool van de winst nauwelijks een naar de wisseling van CEO kijken zien we
in de regressielijn in het aantal resultaatvoorspellingen, maar deze relatie is niet significant. 4.2.2
4.2.2 4.2.2
4.2.2 Toetsen van hypothesen H3a
De hypothesen H3a, H3b en H3c hebben allen betrekking op
deze paragraaf zullen de uitkomsten van het toetsen van deze hypothesen gepresenteerd worden.
Tabel 16: Uitkomst lineaire univariate regressie H3a (R
B
Pre/Post -0,188
Dependent Variable: Aantal voorspellingen
B Pre/Post -0,184 Aantal analisten 0,016 Symbool winst -0,027 Wissel CEO 0,336 Grootte -0,091
Dependent Variable: Aantal voorspellingen
B
Pre/Post -0,016
Dependent Variable: Waardering Analisten
Hoofdstuk 4. Analyse van de resultaten
univariate regressie H2 (R2 = 1,1%).
multivariate regressie H2 (R2 = 7,1%).
komsten van de regressieanalyse, zien we dat zowel op basis van de lineaire regressieanalyse moet worden geconcludeerd dat hypothese niet aangenomen kan worden. Boards die gerangschikt zijn onder de “slechtste” besturen gaan na publicatie van het artikel in Business Week dus niet meer resultaatvoorspelling afgeven door de negatieve publiciteit. Als we naar de helling van de regressielijn en de beschrijvende statistiek in paragraaf 4.1.1 kijken zien we zelfs dat het aantal
en van de "worst" boards afneemt na de publicatie in B
Kennelijk trekken deze boards zich er niets van aan dat ze als “slecht” zijn gerangschikt. Als we olevariabelen dan zien we bij het aantal analisten, de grootte van de symbool van de winst nauwelijks een helling in de regressielijn
ling van CEO kijken zien we, net zoals bij hypothese één, een sterk positieve in het aantal resultaatvoorspellingen, maar deze relatie is niet significant.
Toetsen van hypothesen H3a, H3b en H3c
De hypothesen H3a, H3b en H3c hebben allen betrekking op eigenschappen van analisten. In deze paragraaf zullen de uitkomsten van het toetsen van deze hypothesen gepresenteerd worden.
univariate regressie H3a (R2 = 0,0%).
Std. Error Beta t Sig.
0,187 -0,103 -1,002 0,319
Dependent Variable: Aantal voorspellingen
Std. Error Beta t Sig.
0,185 -0,101 -0,992 0,324
0,013 0,143 1,266 0,209
0,229 -0,014 -0,119 0,905
0,226 0,164 1,489 0,14
0,066 -0,168 -1,38 0,171
Dependent Variable: Aantal voorspellingen
Std. Error Beta t Sig.
0,07 -0,022 -0,234 0,816
Dependent Variable: Waardering Analisten
zien we dat zowel op basis van de regressieanalyse moet worden geconcludeerd dat hypothese zijn onder de “slechtste” besturen resultaatvoorspellingen van de regressielijn en de kijken zien we zelfs dat het aantal en van de "worst" boards afneemt na de publicatie in Business Week. niets van aan dat ze als “slecht” zijn gerangschikt. Als we zien we bij het aantal analisten, de grootte van de helling in de regressielijn. Echter als we sterk positieve helling in het aantal resultaatvoorspellingen, maar deze relatie is niet significant.
eigenschappen van analisten. In deze paragraaf zullen de uitkomsten van het toetsen van deze hypothesen gepresenteerd worden.
0,319 0,324 0,209 0,905 0,14 0,171 0,816
Tabel 17: Uitkomst lineaire multivariate regressie H3a (R
Uit Tabel 16 en Tabel 17 blijkt dat we hypothese H3a moeten verwerpen
van analisten van organisaties met besturen die worden gerangschikt onder de “beste” worden na publicatie dus niet positiever.
wat betekent dat 16,8% van de verandering in waardering van analisten verklaard wordt door het model. Deze wordt niet veroorzaakt door de onafhankelijke variabele pre/post aangezien uit de univariate analyse blijkt dat de R
controlevariabelen significant zijn, namelijk het aantal analisten en het symbool van de Blijkbaar is het bij de “slechtste” boards zo dat
analisten, door diezelfde analisten
organisaties met positieve winstsignalen (hogere winstverwachting dan voorgaand jaar) een positieve invloed heeft op het beleggingsadvies. Deze laatste relatie suggereert
laten leiden door lopende en behaalde
De resultaten van de analyse van hypothese H3
van hypothese H3a en H3b is dat we bij hypothese H3a alleen kijken naar de “beste” boards en bij hypothese H3b alleen kijken naar de “slechtste” boards.
Tabel 18: Uitkomst lineaire univariate regressie H3b
Tabel 19: Uitkomst lineaire multivariatie regressie H3b (R
Op basis van de uitkomsten gepresenteerd in
ook verwerpen. Het beleggingsadvies van analisten van organisatie gerangschikt onder de “slechtste” b
B Pre/Post -0,015 Aantal analisten -0,011 Symbool winst -0,181 Wisseling CEO 0,096 Grootte -0,024
Dependent Variable: Waardering Analisten
B
Pre/Post -0,003
Dependent Variable: waardering analisten
B Pre/Post -8,39E-05 Aantal analisten 0,012 Symbool winst -0,001 Wisseling CEO 0,005 Grootte -0,007
Dependent Variable: waardering analisten
multivariate regressie H3a (R2 = 16,8%).
blijkt dat we hypothese H3a moeten verwerpen. Het beleggingsadvies van analisten van organisaties met besturen die worden gerangschikt onder de “beste”
worden na publicatie dus niet positiever. In de multivariate analyse zien w
wat betekent dat 16,8% van de verandering in waardering van analisten verklaard wordt door het Deze wordt niet veroorzaakt door de onafhankelijke variabele pre/post aangezien uit de univariate analyse blijkt dat de R2 0,0% is. Uit de multivariate analyse blijkt verder dat er twee controlevariabelen significant zijn, namelijk het aantal analisten en het symbool van de
Blijkbaar is het bij de “slechtste” boards zo dat organisaties die gevolgd worden door meer analisten hoger worden gewaardeerd. Verder is het dus zo dat organisaties met positieve winstsignalen (hogere winstverwachting dan voorgaand jaar) een
invloed heeft op het beleggingsadvies. Deze laatste relatie suggereert n leiden door lopende en behaalde resultaten.
De resultaten van de analyse van hypothese H3b volgen hieronder. Het verschil bij de analyse van hypothese H3a en H3b is dat we bij hypothese H3a alleen kijken naar de “beste” boards en
en kijken naar de “slechtste” boards.
univariate regressie H3b (R2 = 0,0%).
multivariatie regressie H3b (R2 = 14,1%).
epresenteerd in Tabel 18 en Tabel 19 moeten we
ook verwerpen. Het beleggingsadvies van analisten van organisaties met besturen die worden gerangschikt onder de “slechtste” boards worden na publicatie niet negatiever. De R
Std. Error Beta t Sig.
0,065 -0,02 -0,228 0,82
0,005 -0,234 -2,377 0,019
0,1 -0,179 -1,819 0,072
0,097 0,09 0,985 0,327
0,025 -0,087 -0,95 0,344
Dependent Variable: Waardering Analisten
Std. Error Beta t Sig.
0,053 -0,006 -0,055 0,956
Dependent Variable: waardering analisten
Std. Error Beta t Sig.
0,05 0 -0,002 0,999
0,003 0,39 3,604 0,001
0,062 -0,002 -0,022 0,983
0,061 0,008 0,078 0,938
0,018 -0,043 -0,368 0,714
Dependent Variable: waardering analisten
. Het beleggingsadvies van analisten van organisaties met besturen die worden gerangschikt onder de “beste” boards In de multivariate analyse zien we een R2 van 16,8% wat betekent dat 16,8% van de verandering in waardering van analisten verklaard wordt door het Deze wordt niet veroorzaakt door de onafhankelijke variabele pre/post aangezien uit de ivariate analyse blijkt verder dat er twee controlevariabelen significant zijn, namelijk het aantal analisten en het symbool van de winst. organisaties die gevolgd worden door meer Verder is het dus zo dat organisaties met positieve winstsignalen (hogere winstverwachting dan voorgaand jaar) een invloed heeft op het beleggingsadvies. Deze laatste relatie suggereert dat analisten zich
Het verschil bij de analyse van hypothese H3a en H3b is dat we bij hypothese H3a alleen kijken naar de “beste” boards en
moeten we hypothese H3b s met besturen die worden worden na publicatie niet negatiever. De R2 van de
0,82 0,019 0,072 0,327 0,344 0,956 0,999 0,001 0,983 0,938 0,714
Hoofdstuk
lineaire univariate regressieanalyse is 0,0%. Echter bij de multivariate analyse is deze 14,1%. Blijkbaar verklaart het model van de multi
verandering in de waardering van analisten beter.
door de significante controlevariabele aangezien de andere variabelen verreweg van significant zijn. We zien hier bij de controlevariabelen dan ook
relatie tussen het aantal analisten
echter omgekeerd aan de relatie bij hypothese H3a. Blijkbaar worden analisten een aandeel dat veel gevolgd wordt door analisten bij de “beste” boards.
het symbool van de winst hier verre
We zullen nu de uitkomsten van de analyse van hypothese H3c bespreken
voorspelt dat het aantal resultaatvoorspellingen kleiner zal zijn bij een hogere standaarddeviatie van de beleggingsadviezen onder analisten.
Tabel 20: Uitkomst lineaire univariate regressie H3c (R
Tabel 21: Uitkomst lineaire multivariate regressie H3c (R
Tabel 20 en Tabel 21 laten de uitkomsten van de univariate en multivariate
regressieanalyse zien. Hieruit moeten we de conclusie trekken dat hypothese H3c verworpen moet worden. We zien dus
beleggingsadvies onder analisten niet
met een lage standaarddeviatie van het beleggingsadvies onder analisten. van hypothese één blijkt dat het aantal resultaatvoorspe
vertoont met de wisseling van een CEO.
een reden heeft om haar CEO te vervangen. Dit betekent dat een organisaties in deze tijden vaak in relatief grotere onzekerheid bevinden. Deze onzekerheid kan de aanleiding zijn om relatief veel resultaatvoorspellingen af te geven om zo beleggers en
4.3
4.3
4.3
4.3 Discussie
Als we kijken naar de resultaten
eerst concluderen dat we de eerste hypoth
aantal resultaatvoorspellingen van de “beste” en de “slechtste”
beoordeling van mening is dat dit wel een belangrijke factor is voor het functioneren van een
B
St. dev. analisten 0,155
Dependent Variable: Aantal voorspellingen
B St. dev. analisten 0,154 Aantal analisten 0,007 Symbool winst -0,164 Wisseling CEO 0,527 Grootte 0,026
Dependent Variable: Aantal voorspellingen
Hoofdstuk 4. Analyse van de resultaten
univariate regressieanalyse is 0,0%. Echter bij de multivariate analyse is deze 14,1%. Blijkbaar verklaart het model van de multivariate analyse met de controlevariabelen de verandering in de waardering van analisten beter. Deze R2 wordt nagenoeg alleen veroorzaakt door de significante controlevariabele aangezien de andere variabelen verreweg van significant