Deel III: Empirisch Onderzoek
5. Resultaten
5.2. Toetsing hypotheses
Om antwoord te geven op de vierde en laatste deelvraag ‘’Welke verklaringen kunnen worden gegeven voor (de eventuele) verschillen in de kwaliteit van risicoverslaggeving tussen
hogescholen?’’, zijn de in hoofdstuk 4 geformuleerde hypotheses statistisch getoetst met behulp van regressieanalyses. Er is gekozen voor regressieanalyses, omdat dit onderzoek verschillen in de kwaliteit van de risicoverslaggeving van hogescholen tracht te verklaren met een drietal determinanten, te weten: omvang, solvabiliteit en de Big-four accountant en regressieanalyses hier geschikt voor zijn. Eventuele verschillen in de kwaliteit van risicoverslaggeving door hogescholen worden zichtbaar door de ‘scores’ uit 2009 met de ‘scores’ uit 2008 te vergelijken en de ‘scores’ uit 2009 te vergelijken met de ‘scores’ uit 2010. De uitkomsten zijn hieronder te lezen en worden per hypothese besproken. Op basis van de uitkomsten worden de hypotheses aangenomen of verworpen.
Voorafgaand aan de regressieanalyses is een correlatietest uitgevoerd, om te kijken naar de onderlinge afhankelijkheid en samenhang (correlatie) tussen de afhankelijke en onafhankelijke variabelen van dit onderzoek. Bij een uitkomst hoger dan 0,7 wordt gesproken van een sterke correlatie en bij een waarde tussen 0,5 en 0,7 van een matige correlatie (publicatie Universiteit Leiden over correlatie en regressie, 2012). Uit deze test is gebleken dat de correlatie tussen alle
variabelen matig is. De sterkste correlaties, maar nog steeds matig, zitten tussen de solvabiliteit en de score risicoverslaggeving (0,340), tussen de solvabiliteit en de aanwezigheid van een audit- en remuneratiecommissie (0,479) en tussen de Big-four accountant en de aanwezigheid van een audit- en remuneratiecommissie (0,483). Een overzicht van alle uitkomsten is
opgenomen in bijlage 7.
Vervolgens is van iedere hypothese een regressieanalyse uitgevoerd. De eerste hypothese verwacht een positieve relatie tussen de omvang van een hogeschool en de kwaliteit risicoverslaggeving. De uitkomsten van de statistische toets hiervan zijn als volgt:
Model Summary
Model R R square Adjusted R square Std. Error of the estimate
1 0,374a 0,140 0,115 8,643
a. Preditors: (constant), Aantal studenten, Aanwezigheid audit- en remuneratiecommissie.
Figuur 10: Model Summary regressietoets eerste hypothese.
Coefficients a Model Unstandardized coefficients Standardized Coefficients T Sig. Collinearity Statistics B Std. error
Beta Tolerance VIF
(Constant) 10,607 1,615 6,570 0,000
Aantal studenten
6,73E-006
0,000 0,011 0,085 0,932 0,738 1,355
Aanwezigheid audit- en remuneratiecommissie
6,787 2,395 0,368 2,834 0,006 0,738 1,355
a. Dependent variabele: score risicoverslaggeving
Figuur 11: Coefficients regressietoets eerste hypothese.
De ‘’Adjusted R square’’ geeft aan welk percentage van de variantie wordt verklaard door de omvang van een hogeschool (gemeten in het aantal ingeschreven studenten in een bepaald studiejaar). In figuur 10 is te zien dat 14% van de variantie in de kwaliteit van de
risicoverslaggeving van hogescholen wordt verklaard door de omvang. Omdat het 14% betreft, blijft een groot deel onverklaarde variantie over. Om die reden kan tussen deze variabelen niet gesproken worden van een sterk verband. De VIF-waarde van 1,355 duidt op een kleine mate van multicollineariteit (Overkamp, 2012). De significantie van 0,932 dient nog door 2 gedeeld te worden, omdat het hier gaat om een eenzijdige toets in plaats van een tweezijdige toets en is dan 0,466. Bij deze hypothese is de significantie groter dan de alpha (α) van 0,05 waarmee getoetst is, waardoor er onvoldoende bewijs is gevonden om H1 aan te kunnen nemen. H1 wordt
verworpen en H0 aangenomen. Kortom, er is geen positieve significante relatie gevonden tussen de omvang van een hogeschool en de kwaliteit van de risicoverslaggeving in de jaarverslagen over 2008, 2009 en 2010. Deze uitkomst komt overeen met de conclusie van paragraaf 5.1., die eveneens tegen de hypothese ingaat, dat juist de kleine hogescholen de hoogste kwaliteit risicoverslaggeving hebben opgenomen in de jaarverslagen over 2010.
De tweede hypothese verwacht een negatieve relatie tussen de solvabiliteit van een hogeschool en de kwaliteit van risicoverslaggeving. De statistische uitkomsten daarvan zijn:
Model Summary
Model R R square Adjusted R square Std. Error of the estimate
1 0,377a 0,142 0,117 8,633
a. Preditors: (constant), Solvabiliteit, Aanwezigheid audit- en remuneratiecommissie.
Figuur 12: Model summary regressietoets tweede hypothese.
Coefficients a Model Unstandardized coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std. error
Beta Tolerance VIF
(Constant) 11,858 3,269 3,627 0,000
Solvabiliteit -0,031 0,074 -0,047 -0,421 0,675 1,000 1,000
Aanwezigheid audit- en remuneratiecommissie
6,886 2,055 0,374 3,351 0,001 1,000 1,000
a. Dependent variabele: score risicoverslaggeving
Figuur 13: Coefficients regressietoets tweede hypothese.
De ‘’Adjusted R-square’’ van 0,117 betekent bij deze hypothese dat slechts 11,7% van de variantie in de kwaliteit van de risicoverslaggeving wordt bepaald door de solvabiliteit van een hogeschool. Omdat een vrij groot gedeelte van de variantie onverklaard blijft, kan niet worden gesproken van een sterk verband tussen de variabelen. De VIF-waarde van 1,000 is groter dan 0,9, wat een kleine mate van multicollineariteit betekent tussen de solvabiliteit van een hogeschool, de aanwezigheid van een audit- en remuneratiecommissie en de kwaliteit van de risicoverslaggeving in de jaarverslagen (Overkamp, 2012). Daarmee wordt het zwakke verband tussen de solvabiliteit en de kwaliteit van risicoverslaggeving bevestigd. Tot slot de significantie. Deze is 0,3375 (0,675/2) en daarmee groter dan de α van 0,05, waardoor onvoldoende bewijs is gevonden voor een significante negatieve relatie tussen de solvabiliteit en de kwaliteit van de risicoverslaggeving. Deze tweede hypothese moet daarom worden verworpen.
De derde en laatste hypothese verwacht een positieve relatie tussen de aanwezigheid van een Big-four accountant en de kwaliteit van risicoverslaggeving door hogescholen over 2008, 2009 en 2010. De statistische uitkomsten hiervan zijn:
Model Summary
Model R R square Adjusted R square Std. Error of the estimate
1 0,379a 0,144 0,119 8,624
a. Preditors: (constant), Big-four accountant, Aanwezigheid audit- en remuneratiecommissie.
Coefficients a Model Unstandardized coefficients Standardized Coefficients T Sig. Collinearity Statistics B Std. error
Beta Tolerance VIF
(Constant) 12,076 2,957 4,083 0,000
Big-four accountant -1,774 3,124 -0,064 -0,568 0,572 0,968 1,034
Aanwezigheid audit- en remuneratiecommissie
7,105 2,087 0,386 3,405 0,001 0,968 1,034
a. Dependent variabele: score risicoverslaggeving
Figuur 15: Coefficients regressietoets derde hypothese.
De ‘’Adjusted R-square’’ betekent dat 11,9% van de variantie in de kwaliteit van de
risicoverslaggeving verklaard wordt door de aanwezigheid van een Big-four accountant. Omdat een groot gedeelte onverklaarde variantie resteert, kan niet worden gesproken van een sterk verband tussen beide variabelen. Daarnaast duidt de VIF-waarde van 1,034 op een kleine mate van multicollineariteit (Overkamp, 2012). Met een significantie van 0,286 (0,572/2) die groter is dan de α van 0,05 waarmee getoetst is, is onvoldoende bewijs gevonden om de derde hypothese aan te kunnen nemen. De verwachte positieve relatie tussen de aanwezigheid van een Big-four accountant en de kwaliteit van de risicoverslaggeving is niet bewezen en moet worden
verworpen.
Tot slot is de invloed van de controlevariabele, de aanwezigheid van een audit- en remuneratiecommissie, getoetst. De uitkomsten van deze statistische toets zijn als volgt:
Model Summary
Model R R square Adjusted R square Std. Error of the estimate
1 0,374a 0,140 0,128 8,582
a. Preditors: (constant), Aanwezigheid audit- en remuneratiecommissie.
Figuur 16: Model summary regressietoets controlevariabele.
Coefficients a Model Unstandardized coefficients Standardized Coefficients T Sig. Collinearity Statistics B Std. error
Beta Tolerance VIF
(Constant) 10,645 1,541 6,906 0,000
Aanwezigheid audit- en remuneratiecommissie
6,891 2,043 0,374 3,374 0,001 1,000 1,000
a. Dependent variabele: score risicoverslaggeving
Figuur 17: Coefficients regressietoets controlevariabele.
De ‘’Adjusted R-square’’ betekent dat 12,8% van de variantie in de kwaliteit van de
risicoverslaggeving wordt verklaard door de aanwezigheid van een auditcommissie en een remuneratiecommissie. Hierdoor resteert een relatief groot deel onverklaarde variantie en kan niet worden gesproken van een sterk verband. De VIF-waarde van 1,000 duidt op een kleine mate van multicollineariteit (Overkamp, 2012). De significantie van 0,0005 (0,001/2) daarentegen, is kleiner dan de α van 0,05, wat erop neerkomt dat de audit- en
remuneratiecommissie een positieve significante relatie heeft op de kwaliteit van de
risicoverslaggeving die de hogescholen rapporteren in hun jaarverslagen over 2008, 2009 en 2010.