Gir reduksjon av revisjonspliktens omfang dårligere regnskapskvalitet

Størrelse: px
Begynne med side:

Download "Gir reduksjon av revisjonspliktens omfang dårligere regnskapskvalitet"

Transkript

1 Masteroppgave ved Handelshøyskolen BI MSc i Regnskap og revisjon Gir reduksjon av revisjonspliktens omfang dårligere regnskapskvalitet en empirisk studie - GRA Masteroppgave Veileder: John Christian Langli Forfattere: Odd Borgersen og André Thorsbakken Innleveringsdato: This thesis is a part of the MSc programme at BI Norwegian Business School. The school takes no responsibility for the methods used, results found and conclusions drawn. I

2 Sammendrag Formålet med denne oppgaven er å undersøke om reduksjonen i revisjonspliktens omfang i 2011 har påvirket regnskapskvaliteten blant norske revisjonspliktige aksjeselskaper. Ved bruk av internasjonalt utviklede modeller for måling av regnskapskvalitet undersøkes utviklingen i regnskapskvaliteten ved å sammenligne perioden med perioden Videre undersøkes det om valg av et stort eller et ikke stort revisjonsselskap påvirker regnskapskvaliteten, og om hvordan utviklingen i regnskapskvaliteten, i perioden etter reduksjonen i revisjonsplikten, er når utvalget splittes i to deler på tre ulike måter: revisjonsselskapets størrelse, selskapets størrelse og revisjonshonorarets størrelse. Resultatene gir ingen indikasjoner på at regnskapskvaliteten generelt har blitt svekket i perioden etter at omfanget av revisjonsplikten ble redusert. Det er ikke funnet støtte for at selskaper med et stort revisjonsselskap generelt har bedre regnskapskvalitet enn et selskap med et lite revisjonsselskap. Resultatene viser ingen indikasjoner på at det foreligger en svekkelse i regnskapskvaliteten når utvalget splittes i to basert på revisjonsselskapets størrelse, selskapets størrelse eller revisjonshonorarets størrelse. Totalt sett viser resultatene ingen indikasjoner på at reduksjonen i revisjonspliktens omfang har påvirket regnskapskvaliteten til norske revisjonspliktige aksjeselskaper. II

3 Forord Denne masteroppgaven er siste del av masterstudiet i regnskap og revisjon ved Handelshøyskolen BI, Oslo. Det har vært en tidkrevende, men svært lærerik prosess, hvor vi har fått benyttet mye av den kunnskapen som vi har tilegnet oss på masterstudiet. Vi ønsker å takke vår veileder John Christian Langli for et godt samarbeid og gode innspill til oppgaven. I tillegg ønsker vi å takke CCCGR (Centre for Corporate Governance Research) for tilgang til nødvendig data. Vi vil også takke våre respektive familier for både korrekturlesning og god tilrettelegging på den hjemlige fronten Oslo, 29. august 2014 Odd Borgersen André Thorsbakken III

4 Innholdsfortegnelse Sammendrag... II Forord... III Innholdsfortegnelse... IV Oversikt over tabeller og figurer... VI 1 Innledning Teorigrunnlag Innledning Regnskapskvalitet - definisjon Regnskapskvalitet og revisjonskvalitet Regnskapskvalitet og regnskapsmanipulasjon Måling av regnskapskvalitet Periodiseringsmodeller Resultatutjevning Tidsriktig tapsføring Hypoteser Empirisk metode Innledning Måling av regnskapskvalitet: Valg av modell begrunnelse Periodiseringskvalitet Resultatutjevning Tidsriktig tapsføring Operasjonalisering av hypotesene Robusttester Datagrunnlag og utvalg IV

5 4.5 Deskriptiv statistikk Kritikk og begrensninger Modellenes svakheter Oppgavens begrensninger Empiriske funn og analyse Generell utvikling i regnskapskvalitet etter endring i revisjonsplikt Regnskapskvalitet små og store revisjonsselskaper Utvikling i regnskapskvalitet for ulike deler av utvalget Små og store revisjonsselskaper Små og store selskaper Høy investering i revisjon og øvrige selskaper Forutsetninger for OLS regresjon Kontroll av forutsetningene for regresjoner til indikatorer Kontroll av forutsetningene for regresjonene til hypotesene Konklusjon Referanser Vedlegg 1Variabelliste Vedlegg 2 STATA analyse Prosessbeskrivelse Do filer variabeldefinisjoner, valg av utvalg Logg filer fra indikator og kontroll regresjoner Vedlegg 3 Robusttest resultater Vedlegg 4 OLS - forutsetninger Vedlegg 4.1 Normalfordelte residualer Vedlegg 4.2 Homoskedaskiske residualer Vedlegg 5 Skisse til masteroppgave V

6 Oversikt over tabeller og figurer Tabell 4.1 Utvalgskriterier og utvalgsstørrelse Tabell 4.2 Deskriptiv statistikk datagrunnlaget (tall i 1000) Tabell 4.3 Deskriptiv statistikk endring i variabler FØR og ETTER Tabell 4.4 Deskriptiv statistikk Pearsons korrelasjonsmatrise avhengige variabler Tabell 4.5 Deskriptiv statistikk Spearmans korrelasjonsmatrise Tabell 5.1 Generell utvikling i regnskapskvalitet etter reduksjon i revisjonsplikt 33 Tabell 5.2 Beskrivende statistikk - store vs små revisjonsselskaper Tabell 5.3 Små vs store revisjonsselskaper Tabell 5.4 Utvikling i regnskapskvalitet - selskaper med et lite revisjonsselskap 36 Tabell 5.5 Utvikling i regnskapskvalitet - selskaper med et stort revisjonsselskap Tabell 5.6 Beskrivende statistikk små og store selskaper Tabell 5.7 Utvikling i regnskapskvalitet - små selskaper Tabell 5.8 Utvikling i regnskapskvalitet store selskaper Tabell 5.9 Beskrivende statistikk høy investering i revisjons og øvrige selskaper40 Tabell 5.10 Utvikling i regnskapskvalitet øvrige selskaper Tabell 5.11 Utvikling i regnkapskvalitet Høy investering i revisjon Tabell 5.12 Varians Inflasjons Faktor Figur 5-1: Vurdering av lineær sammenheng for lnlager Figur 5-2 Normalfordelt residual til kontrollregresjon SPER (4) Figur 5-3 Homoskedastisitet residual SP VI

7 1 Innledning Den første lovbestemmelsen om revisjonsplikt for norske aksjeselskaper kom ved aksjeloven av 1910, hvor det ble fastslått at generalforsamlingen skulle velge en eller flere revisorer. Bestemmelsen gav alle norske aksjeselskaper lovbestemt revisjonsplikt. Dette var gjeldende rett helt til 15.april , hvor det ble vedtatt adgang til å unnlate revisjon dersom visse betingelser i aksjeloven 7-6 var oppfylt. Denne bestemmelsen er også gjeldende rett pr i dag. Det har nå gått tre år siden reduksjonen i revisjonspliktens omfang ble vedtatt, og det er viktig å undersøke mulige virkninger dette har medført. Noen virkinger har man god oversikt over, mens det er andre mulige virkninger som krever nærmere undersøkelse. Det man bl.a. vet er at pr har ca norske aksjeselskaper valgt bort revisjon og at i hele 7 av 10 nystiftede aksjeselskaper velges revisjon bort (Brønnøysundregistrene 2013). Noe man derimot ikke har full oversikt over, er hvilke virkninger dette har gitt for revisjonsbransjen. Men det er helt klart at det er færre tilgjengelige kunder for revisjonsbransjen nå enn før revisjonspliktens omfang ble endret, noe som mest sannsynlig har medført en tilspisset konkurransesituasjon i bransjen. Kan den økte konkurransen i revisjonsbransjen ha medført endring i maktbalansen mellom revisor og oppdragsgiver, slik at revisor i større grad enn før bekrefter regnskap med dårligere kvalitet? I en undersøkelse vedrørende sammenhengen mellom revisors tidsforbruk og selskapenes regnskapskvalitet utført av Caramanis og Lennox (2008), fant de en positiv sammenheng mellom tidsforbruket og regnskapskvaliteten. Det finnes ikke tilgjengelig statistikk over revisors timeforbruk i Norge, men i en tilspisset konkurranse situasjon kan en nedgang i timeforbruk pr oppdrag pga. økt «press» fra oppdragsgiver, være en realistisk mulighet. På bakgrunn av dette er vår problemstilling følgende: Har reduksjon i revisjonspliktens omfang gitt dårligere regnskapskvalitet? Hovedmålet med vår undersøkelse er derfor å undersøke om reduksjonen av revisjonspliktens omfang i 2011, har påvirket regnskapskvaliteten blant norske 1 Se også revisorloven 2-1 1

8 revisjonspliktige ikke børsnoterte selskaper. Videre ønsker vi også å undersøke om utviklingen i regnskapskvaliteten er ulik dersom vi deler opp utvalget i to ulike deler på tre ulike måter etter følgende kriterier: revisjonsselskapets størrelse, selskapets størrelse og revisjonshonorarets størrelse. Vi har ikke funnet publisert forskning om hvordan bortfall av revisjonsplikt har påvirket norske selskaper. Vi har heller ikke funnet relevant forskning i de øvrige skandinaviske landene. Det har derimot vært lignende upubliserte studier i Norge, som f.eks. Bjørnerud og Vestli (2013), som i en masteroppgave undersøkte om det er blitt lavere regnskapskvalitet på de selskapene som har valgt bort revisor. I denne undersøkelsen ble det ikke funnet noen generell forskjell i regnkapskvalitet, men de fant nedgang i regnskapskvalitet hos selskaper som valgte bort et stort revisjonsselskap, og at selskaper med et stort revisjonsselskap hadde generelt høyere regnskapskvalitet. Når det gjelder sammenligning av regnskapskvalitet mellom ulike grupper så finnes det flere relevante internasjonale undersøkelser. En rekke tidligere undersøkelser har vist at selskaper med et stort revisjonsselskap som revisor har høyere regnskapskvalitet enn selskaper med øvrige revisorer (Becker et al. 1998; Francis et al. 1999; Kim, Chung og Firth. 2003). Det finnes også flere undersøkelser som konkluderer med at det er ulik regnskapskvalitet mellom store og ikke store selskaper 2 (Hope, Thomas og Vyas 2013; Givoly, Hayn og Katz. 2010). Når det gjelder sammenligning av regnskapskvalitet ut ifra revisjonshonorarets størrelse fant Coulton et al. (2014) en positiv sammenheng mellom investering i revisjon og regnskapskvalitet. Når det gjelder måling av regnskapskvaliteten finnes det et stort antall relevante internasjonale forskningsartikler som vi kan bygge på, noe som utdypes i kapittel 2.5. Den videre inndelingen av oppgaven er som følger: i kapittel 2 legger vi frem teori og bakteppe for emnene vår oppgave berører. Vi presenterer våre hypoteser i kapittel 3, mens vi i kapittel 4 beskriver valg av empirisk metode og datainnsamling. I kapittel 5 presenteres resultater fra de empiriske testene og i kapittel 6 legger vi frem oppgavens konklusjon. 2 Undersøkelsene på dette fokuserer hovedsakelig på skillet mellom børsnoterte og ikke børsnoterte selskaper, men er uansett relevant for vår vinkling av oppgaven. 2

9 2 Teorigrunnlag 2.1 Innledning Denne oppgaven berører ulike emner innen regnskapslitteraturen. I dette kapitlet presenterer vi teorigrunnlaget for de ulike emnene. Det fokuseres hovedsakelig p å emnet regnskapskvalitet og måling av dette. I tillegg legges det vekt på forholdet mellom regnskapskvalitet og regnskapsmanipulasjon og forholdet mellom regnskapskvalitet og revisjonskvalitet. 2.2 Regnskapskvalitet - definisjon Alle regnskapsbrukere vil ha høy kvalitet på den regnskapsinformasjonen de skal benytte seg av. Det vil derfor være ukontroversielt å hevde at det overordnende målet for et regnskap er at det skal være av høy kvalitet. Kvaliteten av regnskapet vil derimot vurderes forskjellig ut i fra hvilke formål regnskapsbrukerne ønsker at regnskapet skal ha. Investorer er hovedsakelig opptatt av at man basert på regnskapet i størst mulig grad kan predikere fremtidig verdiskapning. Offentlige myndigheter vil i større grad være opptatt av at regnskapet reflekterer den historiske utviklingen på best mulig måte. Vår definisjon av regnskapskvalitet er en oversettelse av Barth, Landsman og Lang (2008, 468) sin definisjon av accounting quality: Regnskapsinformasjon holder høy kvalitet dersom den gjenspeiler selskapets reelle økonomiske hendelser, posisjon og prestasjon. I den internasjonale regnskapslitteraturen brukes det flere ulike. begreper som «financial reporting quality» (f.eks. Hope, Thomas og Vyas 2013), «accounting quality» (f.eks. Barth, Landsman og Lang 2008), «earning quality» (f.eks. Dechow, Ge og Schrand 2010), «accrual quality» (f.eks. Dechow og Dichev 2002). Selv om det benyttes ulike begreper, er det svært stor grad av likhet ved valg av modeller for måling av kvaliteten. Vår forståelse er at alle de ulike begrepene omhandler det vi vil betegne som regnskapskvalitet. 3

10 2.3 Regnskapskvalitet og revisjonskvalitet Som ved vurdering av regnskapskvaliteten vil også revisjonskvaliteten vurderes ulikt ut ifra hva ulike brukere vurderer som formålet med revisjonen. Av den grunn finnes det også flere ulike definisjoner på revisjonskvalitet, men som det påpekes av IAASB (2011) så mangler man en universell oppfatning av revisjonskvaliteten. Det er uansett hevet over enhver tvil at det er mange ulike faktorer som påvirker revisjonskvaliteten (IAASB 2014; Francis 2011). En av de faktorene som påvirker revisjonskvaliteten er det som kommer ut av revisjonen (audit output) som hovedsakelig er revisjonsberetningen og årsregnskapet. Det finnes flere undersøkelser som konkluderer med at det er en direkte relasjon mellom regnskapskvaliteten og revisjonskvaliteten. Som nevnt innledningsvis fant Caramanis og Lennox (2008) en positiv sammenheng mellom tidsforbruket og regnskapskvaliteten. I en undersøkelse uført av Dechow et al. (2011) om hvordan forutse fremtidig feilinformasjon i regnskapet, konkluderer de med at lav regnskapskvalitet øker sannsynligheten for at det foreligger både eksisterende og fremtidig feilinformasjon i regnskapet. Dette indikerer at en måling av regnskapskvaliteten i form av regnskapskvalitetsmodeller, kan være til nytte for revisorer, som et verktøy for å vurdere fremtidig risiko (Francis 2011). En tredje undersøkelse som påviser en direkte relasjon mellom revisjonskvalitet og regnskapskvalitet er en undersøkelse utført av Gunny og Zhang (2013). De undersøker og dokumenterer at for de revisjonsfirmaene hvor det amerikanske revisortilsynet Public Company Accounting Oversight Board (PCAOB) fastslo at revisor ikke oppdaget en vesentlig feilinformasjon i en klients regnskap, var det signifikant lavere regnskapskvalitet for hele klientporteføljen til de aktuelle revisjonsfirmaene. Francis (2011) påpeker at det dermed er en direkte relasjon mellom lav revisjonskvalitet (PCAOB inspeksjoner) og lav regnskapskvalitet for alle klienter av revisjonsfirmaet sett under ett. I en nylig publisert undersøkelse foretatt av Coulton et al. (2014) konkluderes det med at det er en signifikant positiv sammenheng mellom selskapers investering i revisjon (målt som overskytende revisjonshonorar 3 ) og økt regnskapskvalitet. 3 Se Coulton et al. (2014) for måling av overskytende revisjonshonorar 4

11 2.4 Regnskapskvalitet og regnskapsmanipulasjon Vår forståelse av begrepet regnskapsmanipulasjon er i samsvar med det engelske begrepet earning management, som definert av Healy og Wahlen (1999, 368): «( ) earnings management occurs when managers use judgment in financial reporting and in structuring transactions to alter financial reports to either mislead some stakeholders about the underlying economic performance of the company or to influence contractual outcomes that depend on reported accounting numbers.» Regnskapsmanipulasjon og regnskapskvalitet er begreper som er svært tett relaterte i regnskapslitteraturen. Det er stor grad av enighet om at tilstedeværelsen av regnskapsmanipulasjon reduserer regnskapskvaliteten (bl.a. Ball og Shivakumar 2008; Givoly, Hayn og Katz. 2010). Den tette relasjonen kjennetegnes også ved at målemetodene som benyttes for å påvise tilstedeværelse av regnskapsmanipulasjon eller fravær av regnskapskvalitet i mange tilfeller er de samme. I regnskapslitteraturen benyttes bl.a. periodiseringsmodeller (f.eks., Jones, ) og resultatutjevningsmodeller (f.eks. Burgstahler og Dichev ) for måling av både regnskapsmanipulasjon og regnskapskvalitet. 2.5 Måling av regnskapskvalitet I mangel av en universell modell for å måle regnskapskvalitet (Dechow, Ge og Schrand 2010) blir det benyttet mange ulike modeller i den internasjonale regnskapslitteraturen. Vi har valgt å strukturere de ulike modellene basert på Dechow, Ge og Schrand (2010), og har følgende inndeling: Periodiseringsmodeller Resultatutjevningsmodeller Tidsriktigtapsføringsmodeller Dechow, Ge og Schrand (2010) benytter i tillegg til de nevnte modellene også, benchmarking-, verdirelevans- og eksterne indikatormodeller, men vi mener at disse modellene ikke er relevante for vår undersøkelse, da dette i hovedsak gjelder børsnoterte selskaper. Vi har derfor valgt å se bort fra disse. 4 Se også kapittel Se også kapittel

12 2.5.1 Periodiseringsmodeller Periodisering av regnskapet følger av regnskapslovens 4-1og medfører at man fordeler inntektene og kostnadene i riktige periode. Periodiseringsmodellene tar utgangspunkt i sammenhengen mellom resultat, kontantstrøm og periodisering, hvor resultatet er lik kontantstrøm pluss periodisering (Dechow 1994). Periodisering kan videre inndeles i skjønnsmessige og ikke skjønnsmessige periodiseringer, hvor jo større (mindre) grad av ikke skjønnsmessige periodisering tilsier høyere (lavere) regnskapskvalitet. Det finnes mange ulike typer av periodiseringsmodeller. Alt fra enklere forholdstall til mer avanserte regresjonsmodeller, hvor residualen er et mål på de skjønnsmessige periodiseringene eller på periodiseringskvalitet direkte. Vi har valgt å gruppere vår fremstilling av ulike typer periodiseringsmodeller etter hva de ulike modellene måler og har derfor følgende to hovedretninger: Måling av skjønnsmessig periodisering Måling av periodiseringskvalitet Måling av skjønnsmessig periodisering Når det gjelder modeller for måling av skjønnsmessig periodisering har vi valgt å ta utgangspunkt i Jones modellen. Dette fordi denne modellen er av de aller mest benyttede modellene (Dechow, Ge og Schrand 2010, 359), både i sin originale form og i en videreutviklet form. Modellen ble realisert i 1991, i forbindelse med en undersøkelse vedørende sammenhengen mellom regnskapsmanipulasjon og amerikanske myndigheters kontroll av bransjer med import beskyttelse. Modellen definerer totale ikke skjønnsmessige periodiseringer som en funksjon av endring i salgsinntekter og driftsmidler. Ligningens residual er et mål på skjønnsmessige periodiseringer. Dette var den første modellen som beregnet skjønnsmessige periodiseringer på total nivå, i stedet for pr. enkelt regnskapspost. I undersøkelsen fra 1991, ble det funnet en sammenheng mellom reduksjon av resultatene ved regnskapsmanipulasjon og kontroller utført av myndighetene. Jones fant at modellen hadde en gjennomsnittlig forklaringskraft på 23,2 % (Jones 1991, 213), mens Dechow, Ge og Schrand (2010, 358), hevder at forklaringsgraden er på kun 10%. Modellen er svært mye benyttet i litteraturen, men den har også vært gjenstand for mye kritikk, hvor en av hovedinnvendingene er at modellen har for liten 6

13 forklaringsgrad. En av grunnene til dette er modellen ikke fanger opp regnskapsmanipulasjon i form av skjønnsmessige inntekter (Dechow, Sloan og Sweeney 1995). Med dette som grunnlag er modellen videreutviklet en rekke ganger, hvor to av de meste benyttede er den modifiserte Jones modellen (Dechow, Sloan og Sweeney 1995), og den prestasjonsjusterte modellen (Kothari, Leone og Wasley 2005). Den modifiserte Jones modellen (Dechow, Sloan og Sweeney 1995) ble utviklet for å korrigere Jones modellen sin tendens til å feilmåle skjønnsmessige periodiseringer når dette blir utøvet via salgsinntektene. Der Jones (1991) forutsetter at skjønnsmessige periodiseringer ikke foretas via salgsinntekter, forutsetter den modifiserte Jones modellen at all endring i kredittsalget representerer regnskapsmanipulasjon (Dechow 95; 199). Dechow modifiserer Jones modellen ved å se på endringen i kontantsalget i stedet for endringen i totalt salg (kontant- og kredittsalg). Stubben (2010) utfører en undersøkelse av i hvilken grad anerkjente periodiseringsmodeller er i stand til å måle regnskapamanipulasjon. Modeller som blir testet er: Jones modell (Jones 91), modifisert Jones (Dechow, Sloan og Sweeney 1995), Dechow og Dichev modellen (2002), og prestasjonsjustert modifisert Jones (Kothari, Leone, Wasley 2005). I tillegg utvikler han en egen modell, som i stor grad er en videreutvikling av Jones-/modifisert Jones modell. Stubben (2010) følger Dechow, Sloan og Sweeney s (1995) argumentet om at ikke skjønnsmessige inntekter ikke fanges opp i de fleste periodiseringsmodeller. Av den grunn utviklet han en modell som estimerer periodisering på kundefordringsnivå, ikke på totalperiodiseringsnivå. Videre estimerer Stubben (2010) periodiseringene av kundefordringer ved å se på endringen i rapporterte salgsinntekter direkte, mens Dechow, Ge og Schrand (2010) gjør dette indirekte ved å se på endringen i kontantsalget. Ved bruk av simuleringsteknikk og eksterne indikatorer på regnskapsmanipulasjon 6, fastslår Stubben at hans inntektsperiodiseringsmodell i størst grad fanger opp tegn på regnskapsmanipulasjon. Stubben konkluderer også med at Jones modellen fungerer bedre enn modifisert Jones Dechow, Ge og 6 SEC enforces, revisoranmerkninger etc 7

14 Schrand (2010), og tar dette som et argument om at rapporterte salgsinntekter og ikke kun kontantsalg bør benyttes. I en undersøkelse av Kothari, Leone og Wasley (2005), utføres det ved hjelp av simuleringsteknikk, en test av hvordan anerkjente periodiseringsmodeller (Jones og modifisert Jones) måler estimat på skjønnsmessige periodiseringer. I tillegg testes det om man oppnår bedre estimater ved å matche utvalget på prestasjon. Kothari, Leone og Wasley (2005) konkluderer med at en videreutvikling av Jones eller modifisert Jones fungerer best. Videreutviklingen som fremmes er at modellen må hensynta totalkapitalrentabiliteten i det året skjønnsmessige periodiseringer estimeres. I tillegg korrigerer Kothari, Leone og Wasley (2005) både original og modifisert Jones ved at et konstantsledd tillegges. Kothari, Leone og Wasley 2005 argumenterer for at denne videreutviklingen reduserer sannsynligheten for feilaktig avvisning av null hypotesen (type I feil). I undersøkelsen foretas matching både med og uten bransje, noe som gir samsvarende resultater. Kothari, Leone og Wasley 2005 argumenterer derfor for at prestasjonsmatching er nødvendig men ikke matching på bransje. Måling av periodiseringskvalitet Den andre hovedretningen gjelder modeller for måling av periodiseringskvalitet direkte. Her har vi valgt å ta utgangspunkt i Dechow og Dichev sin periodiseringsmodell fra Også denne modellen er mye benyttet i forskning på regnskapskvalitet og har også vært gjenstand for videreutvikling av ulike forskere. Dechow og Dichev (2002) legger til grunn at periodiseringskvaliteten måles etter hvilken grad periodisering realiserer kontantstrøm. For å måle periodiseringskvaliteten utviklet Dechow og Dichev (2002) en selskapsspesifikk regresjonsligning, hvor en endring i arbeidskapitalperiodisering ble sett i forhold til kontantstrøm fra drift i det siste, nåværende og neste år. Stor forklaringsgrad i ligningen representerer høy kvalitet. Modellen kan benyttes som en tidsserie eller tversnittmodell. Tversnittmodellen er blitt modifisert en rekke ganger (McNichols 2002; Francis et al. 2005; Ball og Shivakumar 2005; Givoly, Hayn og Katz 2010). McNichols videreutviklet modellen med to variabler fra den originale Jones modellen, endring i salgsinntekter og PPE. Både McNichols (2002) og Francis et al. (2005) dokumenter at dette øker modellens forklaringsgrad øker fra henholdsvis 20-30% og 39-50%. Ball og Shivakumar (2005) og Givoly, Hayn og Katz (2010) 8

15 dokumenter at modellens forklarings øker når man i tillegg justerer for negative kontantstrømverdier fra drift Resultatutjevning En av forutsetningene for et periodisert regnskap er at resultatet utjevner tilfeldige svingninger i tidspunktet for betaling av inntekter og kostnader, slik at resultatet på en bedre måte enn kontantstrømmen reflekter selskapets reelle prestasjon. (Dechow, Ge og Schrand 2010). En viss grad av resultatutjevning er derfor helt nødvendig og kan bidra til å øke regnskapskvaliteten. På den annen side kan resultatutjevning også maskere selskapets reelle prestasjon bl.a. ved utøvelse av regnskapsmanipulasjon (kunstig utjevning) og vil da svekke regnskapskvaliteten (Ewert og Wagenhofer 2009). En av hovedutfordringene ved å benytte resultatutjevning som mål på regnskapskvalitet er at det er vanskelig å skille mellom kunstig utjevning og utjevning som reflekter reell prestasjon. Av mangel på gode modeller for å skille dette har måling av resultatutjevning og sammenhengen med regnskapskvaliteten i stor grad blitt utført ved å se på variabiliteten i resultatet. Leuz, Nanda og Wysocki (2003) undersøker selskaper i 31 ulike land, for å sammenligne sammenhengen mellom regnskapsmanipulasjon og regnskapskvalitet. Regnskapsmanipulasjon måles bl.a. i form av måling av resultatutjevning mens regnskapskvaliteten forutsettes bedre i land med høyere grad av regnskapsregulering, bedre aksjonærrettigheter etc. I undersøkelsen konkluderes det med at det er en positiv sammenheng mellom utførelse av regnskapsutjevning og regnskapskvalitet, altså høy grad av resultatutjevning gir lavere regnskapskvalitet. Det er også en rekke undersøkelser som legger til grunn at dersom alt annet er likt vil lavere variabilitet i resultatet indikere større grad av resultatutjevning (Lang, Smith Raedy og Higgins Yetman 2003; Lang, Smith Raedy og Wilson 2006; Barth, Landsman og Lang 2008) Tidsriktig tapsføring Tidsriktig tapsføring definerer vi som at det stilles mindre krav til regnskapsføring av tap enn av inntekter. Dette er i samsvar med regnskapsloven 4-1, 1.ledd. nr. 4 (forsiktighetsprinsippet), hvor det heter at urealisert tap skal resultatføres. Det er også i samsvar med uttrykket konservatisme innenfor regnskapslitteraturen (conservatism, Basu 1997). 9

16 Måling av tidsriktig tapsføring som en indikator for regnskapskvalitet er mye benyttet i regnskapslitteraturen. En fremtredende artikkel på dette området er skrevet av nevnte Basu (1997), hvor det dokumenteres at det er en asymmetrisk sammenheng i hvilken grad resultatet reflekter gode eller dårlige nyheter. Tilstedeværelsen av tidsriktig tapsføring måles bl.a. ved å se på hastigheten av sammenhengen mellom resultater og dårlige nyheter, sammenlignet med hastigheten av sammenhengen mellom resultater og gode nyheter. Et konservativt regnskap, hvor det er høy tilstedeværelse av tidsriktig tapsføring, vil reflektere dårlige nyheter raskere enn gode nyheter i resultatet. Denne metoden for å måle tilstedeværelsen av tidsriktig tap er benyttet i en rekke andre studier (f.eks. Ball og Shivakumar 2005; Givoly, Hayn og Katz 2010; Hope, Thomas og Vyas 2013) Ball og Shivakumar (2005) benytter også en annen metode for å måle tilstedeværelsen av tidsriktig tapsføring, hvor de ser på sammenhengen mellom periodiseringer og kontantstrømmer. Ball og Shivakumar (2005) argumenterer for at den asymmetriske sammenhengen mellom dårlige/gode nyheter og resultater vil kunne måles fordi tap hovedsakelig hensyntas i regnskapet før det er realisert som en kontantstrøm, mens inntekter hovedsakelig hensyntas i regnskapet når det er realisert som en kontantstrøm. Høyere tilstedeværelse av tidsriktigtapsføring vil dermed resultere i en økning av variabiliteten til resultatet sammenlignet med kontantstrømmen. Måling av variabiliteten i resultatet kan som tidligere nevnt også være et mål på resultatutjevning (Barth, Landsman og Lang 2008). I Barth, Landsman og Lang s (2008) undersøkelse om regnskapskvalitet og IFRS adoptering, benyttes frekvensen av høye tap som et mål på tidsriktigtapsføring. Dette er konsistent med flere tidligere undersøkelser (f.eks: Ball, Kothari, og Robin 2000; Ball og Shivakumar 2005; 2006). I Barth, Landsman og Lang (2008) sin undersøkelse dokumenteres det at frekvensen av store negative resultater er signifikant høyere for selskapene i perioden etter å ha adoptert IFRS sammenlignet med perioden før IFRS. Selv om tilstedeværelsen av tidsriktig tapsføring er mye benyttet som indikator for regnskapskvalitet er det derimot ingen klar konklusjon i regnskapslitteraturen på om det er en god indikator. Givoly, Hayn og Katz (2010) diskuterer dette temaet, hvor det bl.a. påpekes at Penman og Zhang (2002) fremhever at konservativ regnskapsføring kan medføre større grad av regnskapsmanipulasjon som følge av skjulte verdier i regnskapet. På den annen side fremhever Ball og Shivakumar 10

17 (2005) at konservativ regnskapsføring gir et mer nyttig regnskap for brukeren, som f.eks. långiveren. Givoly, Hayn og Katz (2010) konkluderer med at det er uenigheter i synet på relasjonen mellom tilstedeværelsen av tidsriktig tapsføring og regnskapskvaliteten, men han velger å ta det med i sin undersøkelse uten at han konkluderer med at denne egenskapen påvirker regnskapskvaliteten. Hope, Thomasog Vyas (2013) følger Givoly, Hayn og Katz (2010) argumenter, men velger å benytte det som en indikator på regnskapskvalitet, nettopp for å være forenlig med tidligere forskning 11

18 3 Hypoteser Regnskapskvaliteten er høy når regnskapene på en god måte reflekterer den underliggende realøkonomiske utviklingen. Regnskapskvaliteten kan svekkes gjennom bevisst eller ubevisst regnskapsmanipulasjon. Bevisst regnskapsmanipulasjon kan være ulovlig eller lovlig avhengig av om det er innenfor de tilpasnings- og vurderingsregler som regnskapsreglene gir adgang til. Denne betraktningen leder oss til de forhold vi ønsker å undersøke i denne oppgaven. Revisjon er ikke lenger obligatorisk for alle aksjeselskaper. Man kan tenke seg at det kan ha medført at flere aksjeselskaper har blitt/vil være interessert i å bytte revisor (selv om de ikke kan velge bort), noe som kan ha medført at revisor i større grad ønsker å beholde sine kunder. Har dette medført et press på revisjonshonorar og dermed et redusert timebudsjett for utførelse av revisjonen? I en slik sammenheng vil det være interessant å måle om endret markedssituasjon for revisorene har medført lavere revisjonskvalitet målt ved lavere regnskapskvalitet. Vi har i vår oppgave valgt å se på de effekter som reduksjonen i revisjonspliktens omfang i 2011, har gitt for regnskapskvaliteten hos de selskaper som ikke har kunnet gjøre fravalg. Som en forenkling ser vi på alle aksjeselskaper som overstiger to av de fastsatte kravene i aksjeloven 7-6 (1), omsetning over 5 MNOK eller balansesum over 20 MNOK. Det forventes at privateide aksjeselskaper har ønske om å påvirke egne resultater positivt når de skal nå forventninger fra kreditor, men også ønske om å påvirke egne resultater negativt for å redusere skatt. Dette bekreftes av Burgstahler, Hail og Leuz (2006) som finner at privateide aksjeselskaper har lavere periodiseringskvalitet pga. et høyere nivå av resultatstyring. Videre ser man at selskap som har behov for ekstern finansiering manipulerer regnskapene for å bedre resultatet (tidligere dokumentert i forskning Dechow et al. 2011). Gjennom dette forventer vi at det i vår utvalg av aksjeselskaper finnes regnskapsmanipulasjon som svekker regnskapskvaliteten. En endret markedssituasjon for revisor vil som tidligere nevnt kunne føre til en redusert tidsbruk per kunde og eventuelt redusert regnskapskvalitet/revisjonskvalitet (jfr Caramanis og Lennox 2008). Vi forventer derfor at vi finner en større grad av regnskapsmanipulasjon etter endringen i

19 Vi vil først undersøke hele gruppen av regnskaper under ett og måle effekter på regnskapskvaliteten utfra følgende hypotese: Hypotese 1: Regnskapskvaliteten har blitt svekket etter at omfanget av revisjonsplikten ble redusert En generell oppfatning i en del miljøer, og som det finnes støtte for i tidligere forskning (f.eks Becker et al. 1998), er at revisjon hos et stort revisjonsselskap gir høyere regnskapskvalitet. Vi ønsker å se om dette også er tilfelle i vårt utvalg: Hypotese 2: Regnskapskvaliteten er høyere hos selskap revidert av et stort revisjonsselskap. Videre vil vi undersøke utviklingen i regnskapskvalitet, dersom utvalget vårt deles i ulike grupper. Først vil vi se på utviklingen i regnskapskvaliteten for selskaper med et stort eller ikke stort revisjonsselskap. I tråd med hypotese 1 og 2, og at tidligere forskning ganske entydig har konkludert med bedre regnskapskvalitet hos selskaper med et stort revisjonsselskap har vi følgende hypoteser: Hypotese 3a: Regnskapskvaliteten hos selskaper revidert av et ikke stort revisjonsselskap har blitt svekket etter at omfanget av revisjonsplikten ble redusert. Hypotese 3b: Regnskapskvaliteten hos selskaper revidert av store revisjonsselskaper har ikke blitt svekket etter at omfanget av revisjonsplikten ble redusert. Regnskapsloven 1-6 skiller mellom små og ikke små foretak, hvor små foretak kan følge egne vurderingsregler på enkelte punkter. Som en forenkling definerer vi små selskaper som de selskaper med lavere enn 70 millioner i omsetning, mens store selskaper er fra 70 millioner og oppover. På grunn av regnskapslovens skille og at hovedandelen av revisorbransjens kunder er små selskaper forventer vi en svekkelse i regnskapskvaliteten hos små selskaper. Hope, Thomas og Vyas (2013) 13

20 konkluderer med generelt høyere regnskapskvalitet hos større selskaper og i samråd med det har vi følgende hypoteser: Hypotese 4a: Regnskapskvaliteten hos små selskaper har blitt svekket etter at omfanget av revisjonsplikten ble redusert. Hypotese 4b: Regnskapskvaliteten hos store selskaper har ikke blitt svekket etter at omfanget av revisjonsplikten ble redusert. Til slutt ønsker vi å undersøke utviklingen i regnskapskvaliteten når utvalget deles i to, og hvor den ene gruppen er selskaper med det vi har betegnes som høy investering i revisjon 7, mens den andre gruppen betegnes øvrige selskaper. I tråd med Coulton et al. (2014) sin konklusjon om en positiv sammenheng mellom investering i revisjon og regnskapskvalitet har vi følgende hypoteser: Hypotese 5a: Regnskapskvaliteten hos øvrige selskaper har blitt svekket etter at omfanget av revisjonsplikten ble redusert. Hypotese 5b: Regnskapskvaliteten hos selskaper som har en høy investering i revisjon har ikke blitt svekket etter at omfanget av revisjonsplikten ble redusert. 7 Se definisjon i kapittel

21 4 Empirisk metode 4.1 Innledning I dette kapittelet vil vi søke å bygge bro mellom teoretiske begreper og praktisk gjennomførbare test-modeller. Formålet med metodedelen er å vise hvilke valg som er tatt for best mulig å fremskaffe relevant informasjon om vårt forskningsspørsmål og hvordan teste våre hypoteser. Vi benytter en kvantitativ metode og gjør dataanalyse basert på regnskapsstørrelser. I vår målgruppe med en hovedvekt på små aksjeselskaper vil regnskapsanalysen måtte gjøres på standard innsendte årsregnskaper uten input av kontantstrømmer. Vi benytter derfor en modell for å skille periodiseringer og kontantstrømmer. Med tilgang til data fra Centre for Corporate Government Research (CCGR) har vi gjennomført data-analyse i STATA. To forhold er sentrale i vår spørsmålsstilling, regnskapskvalitet og revisjonskvalitet. Kvalitetssikringen gjennom revisjon skal i utgangspunktet være lik (omfattes av det samme regelverket) da alle selskaper i vårt utvalg har revisjonsplikt, men som vi har vært inne på kan revisjonskvaliteten og derav regnskapskvaliteten være forskjellig fra selskap til selskap likevel (jfr. kapittel 2.3). For å måle regnskapskvaliteten har vi sett på internasjonalt anerkjente forskere og deres modeller for måling av regnskapskvalitet, jfr. teorigjennomgangen i kapittel Måling av regnskapskvalitet: Valg av modell begrunnelse Et regnskap inneholder alltid estimater og vurderinger med større eller mindre usikkerhet, dette fordi regnskapsreglene gir rom for noe skjønn. Heri ligger også muligheten til regnskapsmanipulering, f.eks. gjennom vurdering av varelager og kundefordringer. En overvurdering av kundefordringer i form av å unnlate nedskriving av tapte fordringer vil føre til at selskapet rapporterer høyere resultater enn det ellers skulle ha gjort. Revisors oppgave er bl.a. å bidra til at slik regnskapsmanipulering fjernes og at regnskaper er uten vesentlige feil. Det vil være interessant å se om endringer i markedssituasjonen for revisor kan ha påvirket endelig regnskapskvalitet hos kunder. Vi vil undersøke regnskapskaliteten gjennom en sammenligning av utvalgte indikatorer før og etter revisjonspliktens omfang ble endret. 15

22 Det finnes som vi forstår en rekke modeller for å finne indikatorer på regnskapskvalitet. Vårt datautvalg består av regnskaper i privateide aksjeselskaper, og vi har sett på modeller benyttet i forskning på slike selskaper tidligere. Vi fokuserer på å finne indikatorer for periodiseringskvalitet resultatutjevning tidsriktig tapsføring Etter gjennomgang av gjeldende litteratur på området (se kapittel 2), har vi valgt å benytte 6 modeller for å beregne indikasjoner på regnskapskvalitet. Vi ser på 3 modeller for periodiseringskvalitet, 2 modeller for resultatutjevning og i tillegg en modell for tidsriktig tapsføring. Modellene er laget for bruk på store børsnoterte aksjeselskaper, men alle modellene er også brukt på privateide aksjeselskaper (Hope, Thomas og Vyas 2013; Frøyshov og Johansen 2011), og vi ønsker å benytte disse målene for å sammenligne regnskapskvalitet før og etter reduksjon i revisjonspliktens omfang i Forskningen på regnskapskvalitet i private firmaer er relativt liten og det er derfor interessant å se på flere mål for regnskapskvalitet (Hope, Thomas og Vyas 2013). Gjennom bruk av flere indikatorer på regnskapskvalitet mener vi å kunne gjøre et bidrag til debatten om revisjonspliktens effekt på regnskapskvaliteten. Ved bruk av flere indikatorer som spenner fra modeller for periodisering via resultatutjevning til tidsriktig tapsføring mener vi å kunne fange opp variasjoner av regnskapsmanipulasjon og dermed komme frem til valide konklusjoner. En rekke gjennomførte studier innenfor test av regnskapskvalitet fokuserer ensidig på periodiseringsbaserte modellers evne til og predikere regnskapsmanipulasjon. Det er et anerkjent faktum at metodene er stabile men har sine svakheter når det gjelder å avdekke regnskapsmanipulasjon (Hope, Thomas og Vyas 2013). Man mangler ett universelt akseptert mål for regnskapskvalitet (Dechow, Ge og Schrand 2010). For å bøte på denne svakheten vil vi benytte flere periodiseringsbaserte modeller i sammenheng samtidig som vi også tar med andre modeller. Som Hope, Thomas og Vyas (2013) vil vi søke å finne indikatorer som er lett-relaterte til tidligere forskning, og bidrar med detaljerte bevis gjennom denne studien. 16

23 Spesielt innen periodisering av salgsinntekter forventer vi at det skal kunne ses indikasjoner på regnskapsmanipulasjon. Videre uttaler Hope, Thomas og Vyas (2013) at det er behov for mer forskning innen området tidsriktig tapsføring, og vi tar også med en modell fra det feltet. Ved å bruke flere indikatorer på regnskapskvalitet ønsker vi å redusere muligheten for at resultatet fra en bestemt variabel er påvirket av andre forhold enn regnskapskvalitet Periodiseringskvalitet Et grunnprinsipp i regnskapsføring er at inntekter skal føres når de er opptjent, jfr. regnskapsloven 4-1 (opptjeningsprinsippet). Etter sammenstillingsprinsippet skal tilhørende utgifter kostnadsføres i samme periode ved hjelp av periodiseringer. Årsresultat kan dermed skrives på følgende form (Dechow 1994): RES t = PER t + KSD t (1) PER t = periodiseringer denne periode KSD t = kontantstrøm fra drift denne periode Vårt datagrunnlag omhandler alle innsendte årsregnskaper i de utvalgte test-årene, men her har vi ikke tall for kontantstrømmer og må derfor beregne periodiseringer. Vi tar utgangspunkt i Hope, Thomas og Vyas s (2013) definisjon på periodisering og utleder kontantstrøm fra drift fra ligning (1) og (2) slik det også er gjort i tidligere artikler (Beuselinck, Deloof og Manigart 2009; Ball og Shivakumar 2005). PER t = (SOM t KONT t ) (SOM t-1 KONT t-1 ) IRKG t AVS t (2) PER = SOM= KONT= IRKG= AVS = totale periodiseringer sum omløpsmidler kontanter og bankinnskudd ikke rentebærende kortsiktig gjeld avskrivinger 17

24 Som nevnt innledningsvis består periodiseringer av en skjønnsmessig og en ikke skjønnsmessig del. Det er den skjønnsmessige vi er interessert i, da det er der en eventuell regnskapsmanipulering blir gjort. Ved hjelp av OLS-regresjoner beregner vi de enkelte indikasjonene på regnskapskvalitet. Variable av ulik størrelsesorden kan gi skjevhet i regresjonsanalyser. For å øke validiteten, skaleres variablene for å unngå heteroskedastisitet (Jones 1991). Det samme oppnås med å benytte konstantledd i regresjonene, noe som anbefales av Kothari, Leone og Wasley (2005). Mål 1: Prestasjonsjustert skjønnsmessig periodisering Modellen bygger på Jones vanlige periodiseringsmodell, men for å øke styrken i modellenes utsagnskraft inkluderer vi som Kothari, Leone og Wasley (2005) prestasjonsjustert matching ved sammenligning av grupper. Prestasjonsmatching øker påliteligheten av konklusjoner fra regnskapsmanipulasjonsforskning når hypotesen som testes ikke impliserer at regnskapsmanipulasjonen vil variere med ytelse eller der kontroll-firmaene ikke antas å drive regnskapsmanipulasjon (Kothari, Leone og Wasley 2005). Modellen er også benyttet i undersøkelser av privateide selskaper av Chen et al. (2011) og Hope, Thomas og Vyas (2013). Vi beregner indikasjon på skjønnsmessige periodiseringer for hvert regnskapsår der faktoren totalkapitalrentabilitet (TKR) brukes ved prestasjonsjustering. Kothari, Leone og Wasley (2005) har kommet frem til at bruk av forklaringsvariabelen TKR gir best pålitelighet sammenlignet med andre matching variabler, og at TKR t er bedre enn TKR t-1, vi velger derfor TKR t. Selskap i mindre bransjer utelukkes (bransjekode i Brreg, med mindre enn 20 observasjoner). Som Kothari, Leone og Wasley (2005) benytter vi konstantledd i regresjonen da dette reduserer faren for heteroskedastisitet. TPER i,t = α 0 + α 1 (1 / Eiendel i,t-1 ) + α 2 SI i,t + α 3 DM i,t + α 4 TKR i,t + ε i,t (3) TPER = SI = DM = TKR = totale periodiseringer, se ligning (2), skalert med totale eiendeler årlig endring i salgsinntekt skalert med totale eiendeler varige driftsmidler, eiendom, anlegg og utstyr, skalert totalkapitalrentabilitet 18

25 Mål på skjønnsmessige periodiseringer (SP), dvs. indikatoren på regnskapskvalitet, er residualen fra regresjonen fratrukket en prestasjonsjustert residual. Den prestasjonsjusterte residualen fastsettes til residualen til det selskapet som er nærmest i prestasjon, målt etter variabelen totalkapitalrentabilitet (TKR). Ettersom både skjønnsmessig periodisering for å forbedre og forverre regnskapsmessig resultat er en regnskapsmanipulasjon benytter vi absoluttverdien til residualen som indikator på regnskapskvalitet. Vi multipliserer så med minus en slik at indikator (SP) har høyere tallverdi når regnskapskvaliteten er høy. Mål 2: Estimatfeil i periodiseringer Dette målet er en modifisert Dechow-Dichev modell, som bl.a. er benyttet av McNichols (2002) og Francis et al. (2005) og i ettertid justert for negative kontantstrøm (Ball and Shivakumar, 2006; Givoly, Hayn og Katz 2010). Målet fokuserer på sammenhengen mellom dagens periodiseringer og tidligere nåtidige fremtidige kontantstrømmer. Modellen måler i hvilken grad kontantstrømmer forutsier nivå på periodiseringer. Dechows modell beregner forventet periodisering og ser på avvik fra denne forventningen som estimatfeil i periodiseringer. Residualen av regresjonsligningen er måltallet som benyttet for å estimerer periodiseringskvalitet: AKP i,t = α 0 + α 1 sksd i,t-1 + α 2 sksd i,t + α 3 sksd i,t+1 + α 4 SI i,t + α 5 DM i,t + α 6 DNKSD i,t + α 7 sksd i,t x DNKSD i,t + ε i,t (4) AKP = arbeidskapital periodiseringer, målt som endring i omløpsmidler (ekskl kontanter) minus endring i ikke rentbærende kortsiktige gjeld skalert med totale eiendeler 1.1 sksd = kontantstrøm fra drift, skalert med totale eiendeler 1.1. SI = årlig endring i salgsinntekt skalert med totale eiendeler 1.1. DM = DNKSD = drftsmidler, eiendom, anlegg og utstyr skalert med totale eiendeler 1.1. dummyvariabel for negativ kontantstrøm fra drift 19

26 sksd 2013 estimeres som sksd snittvekst i KSD i perioden Mål på estimatfeil i periodiseringer (EF AKP) er residualen fra regresjonsligningen. Også for mål 2 benyttes absoluttverdien multiplisert med minus en, slik at større indikator indikerer høyere regnskapskvalitet. Mål 3: Skjønnsmessige inntektsperiodiseringer En begrensning ved de tradisjonelle periodiseringsmodellene er at de ikke gir informasjon om hvilken del av resultatet som er gjenstand for regnskapsmanipulasjon. Som nevnt tidligere er inntektsperiodiseringer et område der vi forventer å finne indikasjoner på redusert regnskapskvalitet. Mål 3 er utledet av McNichols and Stubben (2008) og Stubben (2010), og er benyttet i relevante studier på private selskaper bl. a av Chen et al. (2011) og Hope, Thomas og Vyas (2013). Stubben (2010) finner indikasjoner på at inntektsmodeller har færre feil, og er bedre spesifisert enn vanlige periodiseringsmodeller. De er også sterkere i bruk, og avdekker regnskapsmanipulasjon der periodiseringsmodellene ikke gjør det. Ved å modellere en enkelt fortjeneste-komponent har man muligheten til å inkludere de nøkkelfaktorer unike for den komponenten, som forventes å gi best effekt. Dermed reduseres målingsfeil. Fordelen med denne modellen er iflg Stubben (2010) at det benyttes modellering av periodisering av kundefordringer, og ikke sum periodisering som en funksjon av endring i salgsinntekt. Dette er viktig fordi av vanlige periodiseringskomponenter har kundefordringer den sterkeste empiriske og mest direkte sammenhengen til salgsinntekt. Modell for skjønnsmessige salgsinntekter KF i,t = α 0 + α 1 SI i,t + ε i,t (5) KF = årlig endring i kundefordringer - skalert med totale eiendeler 1.1. SI = årlig endring i salgsinntekt - skalert med totale eiendeler 1.1. Absoluttverdien til residualen av regresjonsligningen multiplisert med -1 og er måltallet (SSI) som benyttet for å estimerer periodiseringskvalitet, slik at høy SSI representerer høy regnskapskvalitet. 20

27 4.2.2 Resultatutjevning Her benyttes ett mål benyttet av Hope, Thomas og Vyas (2013) og ett mål fra Barth, Landsman og Lang (2008). Mål 4: Størrelsen på periodiseringer Mål 4 er basert på Burgstahler, Hail og Leuz (2006), og det som måles er forholdet mellom periodiseringer og kontantstrøm. Modellen er benyttet av Hope, Thomas og Vyas (2013). Formålet med målingen er å avdekke hvordan selskaper benytter skjønn for å påvirke hvor god informasjon fortjeneste gir Burgstahler, Hail og Leuz (2006) fokuserer på jevnheten i fortjeneste relativt til kontantstrøm. Spørsmålet blir i hvilken grad ledelsen påvirker periodiseringer slik at variansen i resultat reduseres. Jevnheten beregnes som absoluttverdien av periodisering dividert med kontantstrøm fra drift. For å unngå ekstremverdier benyttes logaritmen og så multipliseres det med -1 slik at høyere verdi på SPER representerer høyere regnskapskvalitet. Ln ( PER / KSD ) x -1 (6) For definisjon av PER og KSD se ligning (1) og (2) Mål 5: Variansen i «Endring i årsresultat» Som nevnt innledningsvis i kapittelet forventes det at det forekommer resultatutjevning i regnskaper der ledelsen har incentiver for regnskapsmanipulasjonen. Det antas at utjevning gir redusert varians i årsresultat, og lav varians tolkes som svak regnskapskvalitet (Barth, Landsman og Lang 2008). Varians kan også påvirkes av andre faktorer, og det kontrolleres derfor for det og videre skaleres endring i årsresultat med totale eiendeler. Modellens mål på grad av resultatutjevning, vil i tråd med Lang, Smith Raedy og Higgins Yetman (2003) og Barth, Landsman og Lang (2008) være varians av restleddet av regresjonsligningen som forklarer endring i årsresultat. 21

28 Modellen er benyttet på store børsnoterte selskaper og må forenkles for norske forhold. Modellen er forenklet og tilpasset norske privateide aksjeselskaper av Frøyshov og Johansen (2011). Vi viderefører dette og benytter følgende modell: RES i,t = α 0 + α 1 STR i,t + α 2 VEKST i,t + α 3 GG2 i,t + α 4 ÅR i,t + α 5 ALDER i,t +α 6 TK OMLH i,t + α 7s KSD i,t + α 8 DREV i,t + ε i,t (7) RES = endring i årsresultat skalert med totale eiendeler 1.1. STR = den naturlige logaritmen til totale eiendeler VEKST = forholdsmessig endring i salgsinntekt GG2 = gjeldsgrad, rentebærende gjeld pr / BV EK ÅR = år for innrapportert regnskap ALDER = alder, beregnet ved ÅR minus registreringsår i brreg TK OMLH = salg dividert med sum eiendeler 1.1. sksd = årlig netto kontantstr drift skalert med sum eiendeler 1.1. DREV = dummyvariabel indikerer hvem som er revisor, 1 = Big 4 Variansen til restleddet, VAR(ε), benyttes om indikator VEÅ Tidsriktig tapsføring Her benyttes ett mål på tidsriktig tapsføring hentet fra Barth, Landsman og Lang (2008). Mål 6: Store negative årsresultater Barth, Landsman og Lang (2008) påpeker at høy frekvens av store tap kan indikere høyere regnskapskvalitet. Teorien er da at små jevne tap indikerer en fordeling over tid, mens enkelte store tap indikerer at tap føres når de har oppstått. Følgende regresjon, forenklet for ikke børsnoterte selskap og norske forhold, forsøker å avdekke forskjeller i frekvens av store tap i perioden før og etter endringen: 22

29 ETTER(0,1) i,t = α 0 + α 1 STAP i,t +α 2 STR i,t + α 3 VEKST i,t + α 4 GG2 i,t + α 5 ÅR i,t + α 6 ALDER i,t + α 7 TK OML i,t + α 8 sksd i,t + α 9 DREV i,t + ε i,t 10) STAP = ETTER = store negative resultater, dummyvariabel lik 1 når årsresultat i forhold til totale eiendeler er < -0,2 situasjon etter endring i revisjonsplikten, dummyvariabel hvor 1 benyttes på tall hentet etter reduksjon i revisjonspliktens omfang, men 0 ellers I Barth, Landsman og Lang s modell er måltallet koeffisienten α 1. En positiv koeffisient indikerer at selskap har høyere tap etter, m.a.o. høyere regnskapskvalitet etter reduksjon i revisjonspliktens omfang. Negativ koeffisient indikerer høyere frekvens av store tap i perioden før reduksjon i revisjonspliktens omfang, med andre ord at tidsriktig tapsføring er blitt mindre. Vi omformulerer ligningen og benytter STAP som avhengig variabel, se ligning 11 i kapittel 4.3. Måltallet STAP blir dermed indikatoren for regnskapsmanipulasjon, og vi ser en evt. endring i regnskapskvalitet i koeffisienten til forklaringsvariabelen ETTER. 4.3 Operasjonalisering av hypotesene Etter klargjøring av datagrunnlaget (se kapittel 4.4) beregnes en regresjon for hver indikator per selskap per år. 8 For forutsetninger ved bruk av OLS-regresjon, se kapittel 5.4. Vi skaler på generelt grunnlag (som Jones 1991) variablene med verdi av totale eiendeler, dette for å forebygge problemer med heteroskedastisitet. Etter beregningen grupperer vi indikatorene i to delpopulasjoner der årene legges i gruppen FØR, og årene legges i gruppen ETTER, dvs. etter endring i aksjeloven. Vi kan så teste om det er statistisk forskjell på data i de to gruppene. Vi har valgt å benytte to år ( ) og to år etter ( ) reduksjonen i revisjonsplikten som testperiode. Dette skyldes at vi ønsker å undersøke om den endrende markedssituasjonen kan ha påvirket regnskapskvaliteten, og vi mener at 8 Alle indikatorregresjoner presentert i kapitel 4.2 er kjørt med faste effekter på selskapsnivå (Id). I tillegg er alle indikator regresjonene også kjørt med faste effekter på år, uten at det ga annet utslag på signifikant resultater. 23

30 å sammenligne regnskapskvaliteten i med , bør gi oss et godt grunnlag for å besvare vår problemstilling. Dette samsvarer også med Kousenidis, Ladas og Negakis (2013) sin undersøkelse om effekten av finanskrisen i 2008 på regnskapskvaliteten, hvor de sammenligner perioden mot Ved å opprette en dummyvariabel, ETTER som gis verdi 0 når data hentes fra gruppen FØR og 1 når data hentes fra gruppen ETTER kan man også kjøre en regresjonsanalyse og teste om dummyvariabelen er forskjellig fra 0, og dermed evt. konkludere på forskjell i regnskapskvalitet. Vi kjører følgende regresjoner for å teste om de enkelte indikatorene på regnskapskvalitet er signifikant forskjellige i perioden før og etter reduksjon i revisjonspliktens omfang. (SP, EF_AKP, SSI, SPER, VEÅ eller STAP) i,t = α 0 + α 1 ETTER i,t + α 2 STR i,t + α 3 VEKST2 i,t + α 4 GG i,t + α 5 DREV i,t + α 6 lnalder i,t + α 7 LAGER i,t + ε i,t (11) Vi inkluderer en rekke kontrollvariabler som tidligere forskning viser har innvirkning på regnskapskvalitet og intern kontroll (Ashbaugh-Skaife, Collins og Lafond 2009; Kvaal, Langli og Abdolmohammadi 2012): firma størrelse (STR) beregnet som logaritmen til totale eiendeler, forholdsmessig endring i totalkapital (VEKST2), gjeldsgrad (GG) beregnet som totale forpliktelser skalert med totale eiendeler, type revisjonsselskap (DREV) definert som de fire største revisjonsselskapene i Norge, firmaets alder (lnalder) 9, varelager skalert med totale eiendeler (LAGER). Regresjonene kjøres med faste effekter på selskap og år. Vår forventning er at koeffisienten til dummyvariabel ETTER er at den er < 0 og dermed viser at regnskapskvaliteten har gått ned. 9 Vi har valgt å bruke den naturlige logaritmen til ALDER+1, da dette reduserer andelen uteliggere i variabelen i forhold til å bruke variabelen ALDER 24

31 Hypotese 1 viser en forventning til at regnskapskvaliteten har blitt svekket etter at omfanget av revisjonsplikten ble redusert. Vi tester hypotese 1 ved å se på hvilke indikasjoner utviklingen i de tre typene av indikatorer på regnskapskvalitet, periodiseringskvalitet resultatutjevning tidsriktig tapsføring, gir. For testing av både indikatorer på periodiseringskvalitet og resultatutjevning har vi benyttet statistiske metoder for å se på forskjellen mellom hver enkelt indikator når data hentes fra perioden før og etter reduksjon i revisjonspliktens omfang. Vi måler signifikansen til koeffisienten til variabelen ETTER. Resultatet av kontrollregresjonene vises i tabell 5.1. For indikator 6 som måler store negative årsresultat (STAP) har vi valgt å omformulere ligning 10 og gjøre forklaringsvariabelen STAP til en avhengig variabel, jfr. ligning 11. Indikatoren på tidsriktig tapsføring testes da ved å kjøre en ny regresjonsanalyse, med de samme kontrollvariablene som de andre indikatorene 10. Vi kan dermed se endringen i regnskapskvalitet i variabel ETTER på samme måte som for de andre indikatorene. Hypotese 2 viser en forventning om at regnskapskvaliteten er høyere hos selskap revidert av et stort revisjonsselskap. For å teste dette ser vi på indikatorer for regnskapskvalitet og forklaringsvariablen DREV som grupperer i store revisjonselskap og små revisjonsselskap. Variabel DREV=1 når revisjonsselskapet er stort. I tråd med internasjonale begreper og tidligere forskning benyttes «BIG4» 11 som definisjon for store revisjonsselskap. 12 Hypotese 3ab 5 ab viser en forventning om at regnskapskvaliteten endrer seg ved forskjellig gruppering av selskapene og deres egenskaper. For å se om det er forskjell i regnskapskvaliteten, gjentas testen og analysen beskrevet for hypotese 1 med de ulike utvalgene av selskaper. Analyse av type revisjonsselskap gjøres på basis av om selskapet er revidert av store revisjonsselskaper (Big4) eller ikke. 10 Vi følger Barth, Landsmann og Lang (2008) og benytter OLS regresjon i stedet for logistisk regresjon, fordi Greene (1993) konkluderer med at logistiske modeller er ekstremt sensitive for effekter av heteroeskadistitet. 11 Big4 = store revisjonsselskap og inkluderer, Deloitte, PWC, KPMG og Ernst & Young 12 Det har i Norge skjedd en del strukturendringer slik at det her kan være fornuftig å snakke om Big5, ettersom BDO har vokst en del og er vesentlig større enn nr. 6 i det norske markedet. Hvis vi ser på revisjonshonorar betalt til det enkelte revisjonsselskapet i vårt utvalg, så er det ikke særlig forskjell i størrelse mellom de tradisjonelle Big4 selskapene og BDO. Når vi likevel har valgt å benytte Big4 i gruppering av store revisjonsselskaper, så skyldes dette at disse fortsatt antas å være «større» når f.eks børsnoterte selskaper omfattes, og at metodikk kan være noe forskjellig mellom Big4 og Big5. Videre er det et poeng at ved å velge Big4 vil vår forskning være sammenlignbar med annen internasjonal forskning. 25

32 Analysen på små eller store aksjeselskaper gjøres med bakgrunn i inndeling basert på omsetning, der omsetning under 70 MNOK defineres som små. For å vurdere effekten av høy investering i revisjon, beregnes revisjonshonoraret i andel av totalkapitalen. Høy investering i revisjon betegner vi som de av selskapene som har de 10% høyeste revisjonshonorar sett i forhold til totalkapitalens absolutte verdi. På samme måte som for hypotese 1 vurderer vi om koeffisienten til variabelen ETTER er signifikant Robusttester For å teste hvor robuste de enkelte analysene er gjenskaper vi testene med andre beregningsmetoder. Vi justerer endring salgsinntekt med endring kundefordringer på indikator 1 (som Kvaal, Langli og Abdolmohammadi 2012). Videre gjør vi robust tester hvor vi skalerer med utgående balanse i stedet for inngående for indikator modellene 1-3, og 5, og vi skalerer indikator 6 med inngående balanse i stedet for utgående. I tillegg utføres robusttester med en alternativ definisjon av periodiseringer 13 (Beuselinck, Deloof og Manigart 2009) for indikatormodellene 1,2,4 og 5. I den grad resultatene av robust testene er forskjellig fra våre hovedtester slik at konklusjonene på hypotesene endres, omtales de i fotnoter i kapittel 5. Alle resultatene fra robuttestene vises i vedlegg Datagrunnlag og utvalg Vi har hentet finansregnskapsdata fra Databasen CCCGR gjort tilgjengelig fra Handelshøyskolen BI. Databasen inneholder regnskapsinformasjon for alle aksjeselskapers innsendte regnskap i testperioden For å teste våre hypoteser har vi valgt ut en rekke data per selskap. For definisjon av variable/parametere og beregning av testvariable se vedlegg 1. Vårt utvalg omfatter alle innsendte regnskaper for årene , for alle revisjonspliktige aksjeselskaper, forenklet til de med omsetning over 5 MNOK og eller totale eiendeler over 20 MNOK. Med bakgrunn i at vi trenger inngående balanse for 2009, hentes også data for Da vår undersøkelse fokuserer på privateide selskaper velger vi bort allmenn-aksjeselskapene. For å kunne trekke 13 Definert som PER2, se vedlegg 1 26

33 konklusjoner fra testresultatene ønsker vi i størst mulig grad likeverdige regnskaper og velger av den grunn bort regnskaper for selskaper av spesiell art. Vi tar derfor ikke med regnskaper for selskaper innenfor bransjene: finanssektoren, forsikringssektoren eller kraftsektoren. Videre tar vi bort selskaper som ikke er registrert med bransje eller bransjer som har færre enn 20 observasjoner pr år. Til slutt tar vi med kun de selskapene som har observasjoner i alle 4 årene ( ). Vi sitter da igjen med et utvalg på selskaper, noe som gir totalt antall selskapsår på (N). Tabell 4.1 Utvalgskriterier og utvalgsstørrelse Utvalgskriterier Selskapsår Norske aksjeselskaper Beholder de med inntekt over 5 mill. eller totale eiendeler over 20 mil Beholder kun aksjeselskaper (AS) Finans-, forsikrings- og kraftselskaper Selskaper som ikke er registrert med bransje Selskaper som ikke har registrert revisor -306 Bransjer med færre enn 20 observasjoner pr år Selskaper som ikke har observasjoner i alle årene Totalt antall selskapsår (N) Antall observasjoner pr år Som Kothari, Leone og Wasley (2005), hensyntar vi ekstremverdier og justerer (winsorize) alle observasjoner som faller i øvre og nedre 1 % av inputvariablene. Antall observasjoner som danner grunnlag for de enkelte beregninger kan variere, så det enkelte utvalg er spesifisert i de respektive tabeller i kapitel Deskriptiv statistikk Vi presenterer beskrivende statistikk med hensyn på å belyse forskjeller mellom data før og etter reduksjonen i revisjonspliktens omfang. Tabell 4.2 viser sentrale nøkkeltall for alle selskap i utvalget, mens tabell 4.3 viser data for indikatorene på regnskapskvalitet samt de utvalgte kontrollvariablene. 27

34 Tabell 4.2 Deskriptiv statistikk datagrunnlaget (tall i 1000) E(X) Sd E(X) Sd t-verdi Salgsinntekter (-1.66) Resultat (-0.25) Driftsmidler (-0.46) Totale eiendeler (-1.25) Egenkapital (-1.40) Resultatgrad (0.20) Res/Totalkapital (0.88) N * p < 0.1, ** p < 0.05, *** p < 0.01 Som vi ser av tallmateriale er det indikasjoner på at selskapene er større, men mindre lønnsomme etter Salgsinntekter har i snitt økt fra 57,8 MNOK til 67,3 MNOK, dvs. en økning på 16,4 %. Resultatgraden synes samtidig og ha gått ned fra 1,55 i perioden 2009/2010 til 1,01 i perioden 2011/2012. Test av forskjellene gir derimot ingen signifikans da variasjonen mellom selskapene er stor. Tabell 4.3 Deskriptiv statistikk endring i variabler FØR og ETTER E(X) Sd E(X) Sd t-verdi Avhengige variabler SP (-10.71) *** EF_AKP (-2.54) * SSI (-2.05) * SPER (-0.21) VEÅ (6.85) *** STAP (-3.23) ** Uavhengige variabler ETTER (.) STR (-13.47) *** VEKST (9.89) *** GG (8.84) *** DREV (-3.54) *** lnalder (-58.90) *** LAGER (-0.13) N * p < 0.1, ** p < 0.05, *** p < 0.01 Forskjellen mellom indikator og kontrollvariablene før og etter oppfattes som mye tydeligere og er i hovedsak signifikant på 99 % nivå. Endringen i SP synes å være klar, og indikerer en sterk forbedring av regnskapskvaliteten med lavere negativt indikator tall for perioden ETTER. Tilsvarende forbedring synes vi å kunne se på 28

35 EF_AKP, SSI og STAP dog i mindre grad og dermed signifikant på 95 og 90 % nivå. Indikator VEÅ derimot viser en reduksjon i varians og en signifikant (99 %) lavere regnskapskvalitet. Når vi ser på de uavhengige variablene som benyttes i kontrollregresjonene, så ser vi at alle med unntak av LAGER er signifikant forskjellige ETTER. Selskapsstørrelsen øker men veksttakten (målt i endring i totalkapital) avtar. Selskapenes gjeldsgrad reduseres, og selskapenes alder blir naturlig nok høyere. Andelen selskaper med stor revisor er relativt stabil, men øker fra 36,7 % til 37,6 %. Selv om disse analysene ikke kontrollerer for andre faktorer gjør resultatet det interessant å teste våre hypoteser. For gjennomgang av hypotesetester og de enkelte testresultatene henvises det til kapitel Tabell 4.4 viser Pearson korrelasjonskoeffisienter og tabell 4.5 viser Spearman korrelasjonskoeffisienter mellom de avhengige variablene og kontrollvariablene. Korrelasjonen er sammenlignbar og vi fokuserer på Spearmans korrelasjon for å illustrere sammenhengen mellom våre utvalgsvariable, da den hensyntar monotone sammenhenger. Som forventet ser vi korrelasjon signifikant forskjellig fra null på en rekke variabler mot indikatorene på regnskapskvalitet. Men ettersom disse resultatene ikke hensyntar forskjeller i firmaenes egenart, må vi gjennomføre en multippel regresjon for å teste signifikante sammenhenger. Tabell 4.4 Deskriptiv statistikk Pearsons korrelasjonsmatrise avhengige variabler SP EF_AKP SSI SPER VEÅ STAP SP EF_AKP *** SSI *** *** SPER *** *** *** VEÅ *** *** *** *** STAP *** *** *** *** *** N * p < 0.05, ** p < 0.01, *** p <

36 Tabell 4.5 Deskriptiv statistikk Spearmans korrelasjonsmatrise SP EF_AKP 0.232* SSI 0.188* 0.274* SPER 0.008* 0.031* 0.023* VEÅ * * * * STAP * * * 0.041* 0.153* STR 0.095* 0.229* 0.314* * * * VEKST * * * 0.063* 0.036* * 0.081* GG * * * 0.011* 0.064* 0.185* * * lnalder 0.056* 0.062* 0.045* 0.015* * * 0.110* * LAGER * * * * 0.039* 0.021* * * 0.027* 0.109* * p < 0.05 Totale observasjoner i tabellen er Se vedlegg 1 for variabeldefinisjoner. 4.6 Kritikk og begrensninger Som nevnt tidligere har vi i vår oppgave gjort noen valg med hensyn til bruk av indikatorer for regnskapskvalitet, omfang av datautvalg og analyser. Det er viktig å være klar over de begrensninger disse valgene kan gi Modellenes svakheter Modellene for måling av periodisering er kritisert fra flere hold. Jones modell er kritisert for ikke å ha god nok forklaringsgrad på skjønnsmessige periodiseringer, noe som kan skyldes at modellen ikke fanger opp manipulasjon av inntekter (Dechow, Sloan og Sweeney 1995). Prestasjonsbasert modell (Kothari, Leone og Wasley 2005) bygger på Jones modell men øker påliteligheten ved å matche selskaper med sammenlignbare selskaper. Modellen er kritisert for å tilføre støy da den har bare en forklaringsgrad på % (Dechow, Ge og Schrand 2010, 359) og anbefales derfor brukt bare når prestasjonsmåling er viktig. Modified Jones modell hensyntar ikke at selskaper som presterer veldig godt eller vokser sterkt, vil kunne ha et annet nivå på periodiseringer (Kothari, Leone og Wasley 2005 og Dechow, Sloan og Sweeney 1995). Dechow og Dichev modell er kritisert for å kun se på kortsiktige periodiseringer og dermed ikke fange opp feil i langsiktige periodiseringer. Til tross for kritikken 30

37 til disse basis-modellene, finnes det per i dag ingen overordnet modell som er dokumentert å være bedre for å avdekke endringer i regnskapskvaliteten. Vi velger derfor å benytte disse modellene med de justeringer senere forskere har tilført, som nevnt under kapittel Oppgavens begrensninger Redusert omfang av revisjonsplikten ble innført i 2011, og per i dag er det derfor et noe begrenset datagrunnlag tilgjengelig for analyse. Vi har valgt å se på de to siste årene før lovendringen og de to første årene etter. En eventuelt senere studie vil kunne omfatte flere år, og dermed eventuelt avdekke mer langsiktige effekter. Vårt datautvalg består i hovedsak av aksjeselskaper som har omsetning mindre enn 70 MNOK, og er innenfor reglene for små foretak i Regnskapsloven 1-6. Små foretak leverer ikke kontantstrømoppstilling, og våre analyser baserer seg på en beregnet kontantstrøm som vil være noe forskjellig fra reell kontantstrøm. For indikator 2, EF AKP, som ser på estimatfeil i periodiseringer trenger vi kontantstrømmer år t+1. For 2012 må vi derfor prognostisere kontantstrøm i Vi gjør dette basert på gjennomsnittlig vekst i perioden 2008 til En slik historisk vekst i kontantstrøm er ingen garanti for fremtiden, men selv om det er usikkert benyttes det da det anses å være beste estimat tilgjengelig Tilleggsanalyser under hypotese 1 (se kapittel 5.1) er utført uten estimerte tall, hvor 2010 er sammenlignet med 2011, uten at dette medførte andre resultater. 31

38 5 Empiriske funn og analyse 5.1 Generell utvikling i regnskapskvalitet etter endring i revisjonsplikt For å teste om regnskapskvaliteten blant norske selskaper har blitt svekket etter at omfanget av revisjonsplikten ble redusert (H1) benytter vi regresjonsmodellen i ligning 11 (se kapittel 4.3). Vi utfører regresjonsanalyser på testvariabelen ETTER, som gjenspeiler om selskapets regnskap er fra før eller etter at revisjonsplikten ble redusert. Den avhengige variablen vil være våre tidligere utledede indikatorer på regnskapskvalitet, indikator 1-6. I modellene vil koeffisienten til ETTER, α 1, gjenspeile forskjellen i regnskapskvaliteten mellom peridoen før og etter endringen. I tilegg inkluderer vi flere kontrollvariabler som basert på tidligere forskning assosieres med regnskapskvalitet. Tabell 5.1 presenterer våre resultater for test av hypotese 1. Modell 1-3 er modeller for måling av periodiseringskvalitet, modell 4 og 5 måler graden av resultatutjevning, mens modell 6 måler graden av tidsriktig tapsføring. Vi ser i tabellen 5.1 at kontrollvariablene i stor grad er signifikante i modellene. Variablene STR, VEKST2, GG og LAGER er alle signifikante i alle modellene, men de indikerer noe ulik påvirkning på regnskapskvaliteten. For modell 1-4 indikerer f.eks. STR en positiv korrelasjon med regnskapskvalitet mens variablen for modell 5 og 6 indikerer en negativ korrelasjon med regnskapskvaliten. Når det gjelder variabelen for alder (lnalder), som viser tre av modellene en signinfikant positiv korreslasjon med regnskapskvaliteten, noe som indikerer at høyere alder på selskaper er forbundet med høyere regnskapskvalitet. For å teste hypotese 1 er vi opptatt av koeffisienten til testvariabelen ETTER og vi ser av tabellen at i modell 1, som måler graden av skjønnsmessige periodiseringer (SP), er koeffisienten negativ, men den er ikke signinfikant. Når det gjelder modell 2, som måler kvaliteten på periodiseringene (EF_AKP), er koefisienten positiv, og den er signifikant på et 99 % nivå. For modell 3, som måler graden av skjønnsmessige inntekter, er koefisienten derimot negativ og den er signifikant på et 99 % nivå. I modell 4, som ser på forholdet mellom totale periodsering og kontantstrøm (SPER), så er koefisienten lik null. Når det gjelder modell 5, som måler variansen i endring årsresultat (VEÅ), er koeffisienten positiv, men ikke 32

39 signifikant. For modell 6, som måler graden av andelen av bokførte store tap (STAP), er koeffisienten positiv og signinfikant på et 99 % nivå. Tabell 5.1 Generell utvikling i regnskapskvalitet etter reduksjon i revisjonsplikt (1) (2) (3) (4) (5) (6) SP EF_AKP SSI SPER VEÅ STAP ETTER *** *** *** (-0.48) (7.94) (-10.84) (0.00) (1.32) (7.98) STR *** *** *** ** *** *** (7.37) (18.17) (7.08) (2.00) (-7.53) (-24.33) VEKST *** *** *** *** *** *** (-35.01) (-36.79) (-39.18) (7.91) (12.40) (-24.11) GG *** *** *** *** *** *** (-6.79) (-13.20) (-2.91) (10.73) (4.56) (50.65) DREV ** (-1.35) (-1.54) (-0.68) (-0.92) (-0.06) (1.98) lnalder *** *** *** * (3.80) (0.28) (4.14) (0.63) (-2.77) (1.79) LAGER *** *** *** *** *** ** (3.43) (5.36) (8.62) (-16.52) (-3.49) (-2.50) _cons *** *** *** ** *** *** (-11.93) (-20.05) (-11.21) (-2.03) (8.49) (20.21) N adj. R t statistikk i parentes Tabellen viser regresjonsresultatene som fremkommer når testene kjøres på hele utvalget. * p < 0.1, ** p < 0.05, *** p < For å oppsummere så viser tabell 5.1 at testvariabelen ETTER er signifikant på minst et 95 % nivå i tre av våre seks målemetoder for regnskapskvalitet. I tråd med vår forventing (H1) har kun modell 3 (SSI), en negativ signifikant koefisient på testvariabelen ETTER, noe som indikerer laverere regnskapskvalitet i perioden etter at omfanget av revisjonsplikten ble redusert i forhold til regnskapskvalitet i perioden før. Målemetode 2, og 6 har derimot i strid med vår forventning en positiv koeffisient på testvariabelen ETTER, noe som indikerer høyere regnskapskvalitet i perioden etter. Vi konstaterer at modellen som måler graden av skjønnsemssige inntekter, SSI (3), viser en svekket peridoseringskvalitet i tråd med vår forventning. På den annen side viser modell 2 en forbedring i periodiseringskvalitet. Totalt sett indikerer resultatene i tabell 5.1 dermed at peridoseringskvaliten (modell 1-3) er uendret, graden av resultatutjevning er uendret, mens tilstedeværelsen av tidsriktig tap er styrket. Resultatene gir dermed ingen støtte til vår forventning under hypotese 1, om at reduskjonen i revisjonspliktens omfang har gitt en 15 Vi har valgt å fokusere på de resultatene som er signifikante på 95 % nivå eller høyere. 33

40 svekkelse i regnskapskvaliteten. 16 For å undersøke om det ga andre utslag har vi i tillegg testet for utslag på testvariabelen ETTER ved se på perioden 2010 mot Resultatene indikerte da en liten svekkelse i periodiseringskvaliteten, mens graden av resultatutjevning var uendret og tilstedeværelsen av tidsriktig tap var styrket. Det ville gitt samme konklusjon på hypotese 1 som ovenfor. 5.2 Regnskapskvalitet små og store revisjonsselskaper Vi har i tråd med tidligere forskning (Becker et al. 1998; Kvaal, Langli og Abdolmohammadi 2012) forventing om at kunder av store revisjonsselskaper har bedre regnskapskvalitet enn kunder av små revisjonsselskaper. Den beskrivende statistikken i tabell 5.2 indikerer tegn på ulikheter i de respektive regresjonsvariablene når variablene splittes på stort eller lite revisjonsselskap. Det er derimot ingen helt klare tegn for hvilken retning variablene påvirkes i basert på om det er et stort eller et lite revisjonsselskap. Av vårt totale utvalg på observasjoner er 63 % selskaper med et lite revisjonsselskap og 37 % med et stort revisjonsselskap. Tabell 5.2 Beskrivende statistikk - store og små revisjonsselskaper Små Store E(X) Sd E(X) Sd t-verdi Avhengige variabler SP (5.41) *** EF_AKP (-5.74) *** SSI (-28.19) *** SPER (-4.21) *** VEÅ (3.17) ** STAP (-7.96) *** Uavhengige variabler ETTER (-3.54) *** STR ( ) *** VEKST (5.04) *** GG (13.53) *** lnalder (2.92) ** LAGER (21.56) *** DREV (.) N * p < 0.1, ** p < 0.05, *** p < 0.01 For å teste hypotese 2 benytter vi samme fremgangsmåte som under hypotese 1, men vi er denne gangen interessert i koeffisienten til testvariabelen DREV. I tabell 5.3 har vi hentet tallene fra tabell 5.1, for den aktuelle testvariabelen. 16 Se også robusttester i vedlegg 3. Det er ikke fremkommet resultater her som ville gitt andre svar på hypotese

41 Tabellen viser at kun 1 av 6 modeller, nemlig modell 6 (STAP), har en signifikant koeffisient. Modellen for måling av tidsriktig tapsføring (STAP) gir utslag i tråd med vår forventning, da en positiv koeffisient indikerer høyere frekvens av store tap hos store revisjonsselskaper enn hos små revisjonsselskap. Øvrige 5 modeller gir ingen signifikante utslag på ulikheter i regnskapskvaliteten og resultatene gir følgelig ikke tilstrekkelig støtte til vår hypotese om at det er generelt høyere regnskapskvalitet for store revisjonsselskaper 17. For å undersøke om det gav andre utslag har vi i tillegg testet for utslag på testvariabelen DREV ved se på periodene for seg selv og for seg selv. Resultatene var samsvarende med resultatene for hele perioden under ett. Tabell 5.3 Små og store revisjonsselskaper (1) (2) (3) (4) (5) (6) SP EF_AKP SSI SPER VEÅ STAP DREV ** (-1.35) (-1.54) (-0.68) (-0.92) (-0.06) (1.98) t statistikk i parentes * p < 0.1, ** p < 0.05, *** p < Utvikling i regnskapskvalitet for ulike deler av utvalget Små og store revisjonsselskaper I tråd med vår forventning om at store revisjonsselskaper gir høyere regnskapskvalitet, har vi også en forventing om at muligheten for fravalg av revisor har gitt ulik svekkelse i regnskapskvalitet hos kunder av små eller store revisjonsselskaper. For å teste våre to hypoteser (H3a og H3b) benytter vi tilsvarende fremgangsmåte som ved hypotesetest 1. Vi analyserer først våre 6 modeller på gruppen av selskaper som har et lite revisjonsselskap, så på gruppen av selskaper som har et stort revisjonsselskap. Tabellene 5.4 og 5.5 presenter resultatene, hvor 5.4 er for små revisjonsselskaper, mens 5.5 er for store revisjonsselskaper. Vi ser at for selskaper med et lite revisjonsselskap er testvariabelen ETTER, signifikant negativ i modell 3, mens den er signifikant positiv i modell 2 og 6. For øvrige modellene er det ikke et signifikant utslag på testvariabelen. 17 Vi har utført den samme testen med en annen betegnelse på store revisjonsselskap, nemlig Big5 (se definisjon i kapitel 4.3). Vi fikk da en negativt signifikant koeffisient (modell 1) og ingen positive signifikante koeffisienter. Dette ville gitt samme konklusjon på hypotese 2. 35

42 Resultatene indikerer sett under ett, ingen svekkelse i periodiseringskvaliteten, ingen endring for graden av resultatutjevning og en forbedring i tilstedeværelsen av tidsriktig tapsføring. Totalt sett mener vi at resultatene ikke gir tilstrekkelig støtte til vår hypotese om at regnskapskvaliteten for selskaper med et lite revisjonsselskap har blitt svekket. Tabell 5.4 Utvikling i regnskapskvalitet - selskaper med et lite revisjonsselskap (1) (2) (3) (4) (5) (6) SP EF_AKP SSI SPER VEÅ STAP ETTER *** *** *** (-1.40) (5.25) (-8.17) (0.71) (0.96) (6.00) STR *** *** *** ** *** *** (6.38) (15.02) (5.34) (2.44) (-6.20) (-19.34) VEKST *** *** *** *** *** *** (-27.00) (-28.58) (-31.13) (6.61) (9.77) (-21.37) GG *** *** ** *** *** *** (-5.59) (-10.14) (-2.10) (8.23) (3.15) (41.35) lnalder ** ** * ** (2.36) (-0.53) (2.14) (0.01) (-1.93) (2.12) LAGER *** *** *** *** *** (3.24) (3.84) (7.47) (-13.40) (-3.51) (-1.22) _cons *** *** *** ** *** *** (-9.67) (-16.50) (-8.32) (-2.35) (6.93) (15.56) N adj. R t statistikk i parentes Tabellen viser regresjonsresultatene som fremkommer når testene kjøres på selskaper som benytter et lite revisjonsselskap. * p < 0.1, ** p < 0.05, *** p < 0.01 Tabell 5.5 Utvikling i regnskapskvalitet - selskaper med et stort revisjonsselskap (1) (2) (3) (4) (5) (6) SP EF_AKP SSI SPER VEÅ STAP ETTER *** *** *** (0.59) (5.67) (-7.15) (-1.34) (0.90) (4.80) STR *** *** *** *** *** (4.12) (10.30) (4.39) (-0.02) (-4.25) (-14.56) VEKST *** *** *** *** *** *** (-21.42) (-22.00) (-22.62) (4.10) (7.11) (-11.65) GG *** *** ** *** ** *** (-3.81) (-7.61) (-2.04) (6.99) (2.42) (28.31) lnalder *** *** ** (2.86) (1.44) (4.28) (1.11) (-2.47) (0.49) LAGER *** *** *** ** (1.14) (3.37) (4.04) (-9.57) (-1.46) (-2.40) _cons *** *** *** *** *** (-7.12) (-11.60) (-7.17) (-0.28) (4.94) (12.58) N adj. R t statistikk i parentes Tabellen viser regresjonsresultatene som fremkommer når testene kjøres på selskaper som benytter et stort revisjonsselskap. * p < 0.1, ** p < 0.05, *** p <

43 For selskaper med et stort revisjonsselskap viser resultatene i tabell 5.5 at modell 3 gir en signifikant negativ koeffisient, mens modell 2 og 6 gir signifikant positiv koeffisient. Resultatene indikerer totalt sett, ingen svekkelse i periodiseringskvaliteten, ingen endring for graden av resultatutjevning og en forbedring i tilstedeværelsen av tidsriktig tapsføring. Basert på dette indikerer resultatene støtte til vår forventning om at regnskapskvaliteten til selskaper med et stort revisjonsselskap ikke har blitt svekket Små og store selskaper Vi har som tidligere nevnt en forventning om ulik utvikling i regnskapskvaliteten hos små selskaper i forhold til regnskapskvaliteten hos store selskaper. Som vi ser av den beskrivende statistikken i tabell 5.6 er det klare tegn på ulikheter i de respektive regresjonsvariablene når variablene splittes på små og store selskaper. Når det gjelder modellenes uavhengige variabler, så ser vi at de er større for store selskaper, som f.eks. andelen revidert av store revisjonsselskaper (DREV) er på 64 % for store selskaper mot 34 % for små selskaper. Variablene for størrelse (STR), vekst (VEKST2), gjeldsgrad (GG), alder (lnalder) og lagerandel (LAGER) er alle signifikant større for de store selskapene. Av vårt totale utvalg på observasjoner er 89 % små selskaper og 11 % store selskaper. Tabell 5.6 Beskrivende statistikk små og store selskaper Små selskaper Store selskaper T-test Regresjonsvariabler E(X) Sd E(X) Sd t-verdi Avhengige variable SP (3.64) *** EF_AKP (-13.52) *** SSI (16.53) *** SPER (4.33) *** VEÅ (14.78) *** STAP (12.63) *** Uavhengige variable ETTER (-10.48) *** DREV (-83.31) *** STR ( ) *** VEKST (-8.21) *** GG (-10.28) *** lnalder (-51.76) *** LAGER (-20.94) *** N * p < 0.1, ** p < 0.05, *** p < 0.01 For å teste hypotese 4a og 4b bruker vi samme fremgangsmåte som under hypotese 3a og 3b, hvor vi først analyserer modell 1-6 for gruppen små selskaper, 37

44 deretter for gruppen store selskaper. Som under hypotese 1 indikerer en negativ koeffisient for testvariabelen ETTER svekkelse i regnskapskvaliteten. Tabell 5.7 presenterer resultatene for hypotese 4a og vi ser at den for små selskaper viser at testvariabelen ETTER er signifikant på et 99 % nivå i tre av våre seks målemetoder for regnskapskvalitet. For modell 3 er koeffisenten negativ, mens for modell 2 og 6 er koeffisenten positiv. Resultatene indikerer totalt sett, ingen endring i periodiseringskvaliteten, ingen endring i graden av resultatutjevning, men en forbedring i tilstedeværelsen av tidsriktig tapsføring. Vi finner dermed ingen støtte til vår forventning om en svekkelse i regnskapskvaliteten hos små selskaper. Tabell 5.7 Utvikling i regnskapskvalitet - små selskaper (1) (2) (3) (4) (5) (6) SP EF_AKP SSI SPER VEÅ STAP ETTER *** *** *** (-0.55) (6.55) (-10.40) (1.39) (0.49) (7.23) STR *** *** *** ** *** *** (7.11) (16.97) (6.18) (2.39) (-7.34) (-23.30) VEKST *** *** *** *** *** *** (-32.89) (-34.12) (-35.88) (7.86) (11.53) (-23.73) GG *** *** ** *** *** *** (-6.59) (-12.49) (-2.49) (10.11) (4.13) (48.96) DREV * (-1.07) (-1.68) (-0.79) (-0.77) (0.25) (1.50) lnalder *** *** ** * (4.12) (-0.08) (4.01) (-0.12) (-2.10) (1.90) LAGER *** *** *** *** *** ** (2.59) (4.61) (8.38) (-15.14) (-3.28) (-2.32) _cons *** *** *** ** *** *** (-11.52) (-18.70) (-9.98) (-2.21) (8.13) (19.49) N adj. R t statistikk i parentes Tabellen viser regresjonsresultatene som fremkommer når testene kjøres på utvalg av selskaper * p < 0.1, ** p < 0.05, *** p < 0.01 Når det gjelder store selskaper (tabell 5.8), ser vi at testvariabelen ETTER er signifikant på minst 95 % nivå i tre av seks modeller. Modell 3 og 4, indikerer en svekkelse i regnskapskvaliteten, mens modell 2 indikerer økning i regnskpaskvaliteten. De øvrige modellene indikerer ingen endring i regnskapskvaliteten. Totalt sett indikerer resultatene ingen endring i periodiseringskvaliteten, en økning i graden av resultatutjevning (lavere regnskapskvalitet), og en uendret tilstedeværelse av tidsriktig tapsføring Vi mener 38

45 av den grunn at resultatene gir tilstrekkelig støtte til vår forventning om at store selskaper ikke har hatt svekkelse i regnskapskvaliteten. Tabell 5.8 Utvikling i regnskapskvalitet store selskaper (1) (2) (3) (4) (5) (6) SP EF_AKP SSI SPER VEÅ STAP ETTER *** *** *** (0.37) (4.77) (-3.30) (-2.76) (0.41) (1.61) STR *** *** * *** (1.45) (5.33) (4.10) (-0.72) (-1.86) (-5.13) VEKST *** *** *** *** *** (-9.40) (-12.22) (-13.97) (0.94) (4.02) (-3.97) GG *** *** *** (-1.42) (-3.62) (-1.13) (3.92) (1.22) (10.93) DREV ** (-0.98) (-0.40) (1.25) (-0.42) (-0.69) (2.03) lnalder ** * (-0.21) (1.23) (2.56) (1.30) (-1.67) (1.14) LAGER *** *** *** (2.89) (2.83) (1.54) (-6.60) (-0.36) (-0.14) _cons ** *** *** ** *** (-2.33) (-5.92) (-5.65) (0.21) (2.37) (3.79) N adj. R t statistikk i parentes Tabellen viser regresjonsresultatene som fremkommer når testene kjøres på utvalg av selskaper * p < 0.1, ** p < 0.05, *** p < Høy investering i revisjon og øvrige selskaper Vi har som tidligere nevnt en forventning om ulik utvikling i regnskapskvaliteten hos selskaper med en relativt høy investering i revisjon (ORH) i forhold til øvrige selskaper. Som vi ser av den beskrivende statistikken i tabell 5.9 er det helt klare tegn på ulikheter i de respektive regresjonsvariablene når variablene splittes på selskaper med en høy investering i revisjon versus øvrige selskaper. Vi ser at selskapene med en høy investering har lavere andel store revisjonsselskaper, lavere vekst, høyere gjeldsgrad og naturlig nok høyere revisjonshonorar, spesielt i forhold til totalkapitalen i selskapet. 39

46 Tabell 5.9 Beskrivende statistikk høy investering i revisjon og øvrige selskaper Øvrige ORH E(X) Sd E(X) Sd t-verdi Avhengige variabler SP (19.44) *** EF_AKP (62.53) *** SSI (36.90) *** SPER (9.59) *** VEÅ (-43.32) *** STAP (-60.08) *** Kontrollvariabler: ETTER (19.19) *** DREV (27.30) *** STR (161.53) *** VEKST (31.92) *** GG (-71.79) *** lnalder (23.96) *** LAGER (-32.16) *** ORH (.) Annet: Revisjonshonorar (kr) (-3.16) *** Revisjonshonorar/Totale eiendeler (prosent) *** N * p < 0.1, ** p < 0.05, *** p < 0.01 Tabell 5.10 Utvikling i regnskapskvalitet øvrige selskaper (1) (2) (3) (4) (5) (6) SP EF_AKP SSI SPER VEÅ STAP ETTER *** *** *** (-0.31) (8.21) (-10.05) (-0.14) (-0.59) (8.90) STR *** *** *** *** *** (5.01) (12.83) (5.66) (0.32) (-3.64) (-19.88) VEKST *** *** *** *** *** *** (-32.56) (-34.11) (-35.71) (7.39) (9.31) (-17.81) GG *** *** *** *** * *** (-5.19) (-5.73) (-4.48) (10.31) (1.81) (35.49) DREV (-0.77) (-1.39) (-0.37) (-0.97) (-0.46) (1.24) lnalder *** *** *** (3.48) (0.59) (3.02) (0.71) (-3.40) (0.89) LAGER *** *** *** *** *** (3.61) (4.42) (7.83) (-16.23) (-2.67) (-1.42) _cons *** *** *** *** *** (-9.08) (-15.13) (-8.78) (-0.47) (4.94) (17.30) N adj. R t statistikk i parentes Tabellen viser regresjonsresultatene som fremkommer når testene kjøres på utvalg av selskaper ** p < 0.05, *** p < 0.01 Tabell 5.10 presenter resultatene av hypotesetest 5a, hvor vi forventer en svekkelse i regnskapskvaliteten for de selskaper som ikke har det vi karakteriserer 40

47 som en høy investering i revisjon. Vi ser at koeffisienten til ETTER er signifikant negativ i modell 3 og signifikant positiv i modell 2 og 6. Øvrige modeller har ingen signifikante utslag på testvariabelen. Resultatene gir ingen støtte til vår forventning om en svekkelse i regnskapskvaliteten for denne gruppen med selskaper. Resultatene av hypotesetest 5b presenteres i tabell 5.11, hvor vi forventer at selskaper med en høy investering i revisjon ikke har svekket regnskapskvalitet. Vi ser at koeffisienten til ETTER kun er signifikant i modell 2 og 3. Modell 2 er signifikant positiv på 99 % nivå, mens modell 3 er signifikant negativ på 95 % nivå. De øvrige modellene har ingen signifikante utslag på testvariabelen og indikerer således ingen endring i regnskapskvaliteten for selskapene. Resultatene indikerer dermed i tråd med vår forventning og i samsvar med det generelle utvalget at regnskapskvaliteten til selskaper med en høy investering i revisjon ikke har blitt svekket. For å undersøke om det ga andre utslag har vi i tillegg testet for utslag på testvariabelen ETTER ved se på de selskapene med 10 % lavest investering i revisjon 18 signifikant svekket regnskapskvalitet. og øvrige. Resultatene gav heller ingen indikasjoner på Tabell 5.11 Utvikling i regnkapskvalitet Høy investering i revisjon (1) (2) (3) (4) (5) (6) SP EF_AKP SSI SPER VEÅ STAP ETTER *** ** (0.86) (3.38) (-2.19) (-0.05) (0.10) (0.10) STR *** *** ** *** *** *** (3.70) (7.72) (2.41) (3.75) (-3.19) (-2.65) VEKST *** *** *** *** *** (-6.96) (-11.78) (-9.33) (1.09) (6.00) (-15.02) GG *** *** *** *** *** (-3.40) (-9.77) (-0.25) (4.69) (2.62) (29.20) DREV (0.18) (0.15) (-0.71) (0.05) (0.33) (0.86) lnalder ** (-0.03) (-1.12) (2.00) (0.02) (0.11) (-0.44) LAGER * ** ** *** (1.79) (2.29) (2.40) (-2.79) (-1.11) (-1.01) _cons *** *** *** *** *** (-4.70) (-7.49) (-4.06) (-3.78) (3.00) (0.74) N adj. R t statistikk i parentes Tabellen viser regresjonsresultatene som fremkommer når testene kjøres på utvalg av selskaper ** p < 0.05, *** p < De 10% laveste av variabelen revisjonshonorar/( totalkapital )) 41

48 5.4 Forutsetninger for OLS regresjon For at regresjonsanalyser skal være hensiktsmessige må de grunnleggende forutsetninger for analysen være tilfredsstilt. Det er 8 forutsetninger som bør være oppfylt for at OLS-regresjon skal nære nyttig (Schipper 1989). Det stilles tre krav til modellen: o variablene skal være uten målefeil o en lineær sammenheng mellom de uavhengige variablene og den avhengige variabelen o modellen skal være additiv I tillegg er det fire antagelser knyttet til residualen i modellen: o forventet verdi for residualen er null o residualen skal være normalfordelte o alle residualene har lik varians o residualene skal være ukorrelerte med hverandre og med de uavhengige variablene Den siste forutsetningen er knyttet til sammenhengen mellom de uavhengige variablene og modellen. Selv om det i praksis ikke alltid er mulig å oppfylle alle kravene til modellen, eller oppnå fullstendig dekning på alle residual-forutsetningene er det viktig å forstå hvilke forutsetninger OLS-regresjon bygger på. Vi kontroller derfor forutsetningene basert på våre data Kontroll av forutsetningene for regresjoner til indikatorer Vi benytter kjente modeller og gjennomfører de standardiserte regresjonsanalysene på måter som også tidligere er brukt av forskere. Metodene vi benytter ved beregning av indikatorer på regnskapskvalitet, er anerkjente og som tidligere nevnt benyttet av Barth, Landsman og Lang (2008) og Hope, Thomas og Vyas (2013), vi går derfor ikke inn på å teste om indikatormodellene er riktig spesifisert. Som nevnt tidligere er disse indikator-modellene blant annet kritisert for ikke å ha høy nok forklaringsgrad. Det vil dermed være slik at det kan finnes utelatte forklaringsvariabler som korrelerer med både den avhengige variabelen og en eller flere forklaringsvariabler i de enkelte indikator-regresjonene. For å 42

49 hensynta slik ikke målbar korrelasjon kjører vi våre regresjoner med faste effekter Kontroll av forutsetningene for regresjonene til hypotesene Forutsetning 1: Alle relevante forklaringsvariabler med i modellen som nevnt forutsettes dette når kjent forskning er benyttet. Vi konkluderer derfor med at riktige vurderinger er gjort ved oppsett av standardmodellene slik at denne forutsetningen antas å være oppfylt. Forutsetning 2: Forutsetning om lineær sammenheng mellom indikatorene på regnskapskvalitet (de avhengige variablene) og de uavhengige variablene. Vi vurderer lineariteten ved hjelp av et diagram med Stata kommandoen - ACPRplot (uavh var) Figur 5-1: Vurdering av lineær sammenheng for lnlager Vi ser her at den lineære sammenhengen er god. Den grønne linjen (den lineære sammenhengen) ligger tett på, dvs. bare litt over, den blå linjen (vårt utvalg). Vi kan dermed konkludere med at det ikke er brudd på forutsetningen om lineær sammenheng mellom variabelen LAGER og skjønnsmessige periodiseringer. 43

50 Forutsetning 3: Det forutsettes at modellen er additiv, noe som ikke lett å overholde i praksis (Schipper 89). Man vil nesten alltid å forvente at det foreligger et visst samspill mellom de uavhengige variablene. Grunnforutsetningen er at hver ny forklaringsvariabel skal gi en selvstendig påvirkning på den avhengige variabelen. Vi har med bakgrunn i annen forskning benyttet kjente forklaringsvariabler og ser ingen grunn til at dette ikke er tilfelle i våre kontrollregresjoner. Forutsetning 3 anses i orden. Forutsetning 4: Forutsetningen om at residualen har gjennomsnittverdi 0 i populasjonen, er alltid oppfylt ved bruk av OLS og kan derfor ikke testes (Shipper 89). Forutsetning 5: Hvis man ikke har normalfordelte residualer kan dette føre til at de statistiske resultatene kan generaliseres (Shipper 89). Ved å benytte «Kernel Density Estimate», kdensity (var), normal i Stata kan vi teste forutsetningen. Figur 5-2 Normalfordelt residual til kontrollregresjon SPER (4) 44

51 Her viser den blå linjen fordelingen av residualene i vår kontroll-regresjon til indikator SPER (4), mens den røde linjen viser normalfordelingen. Vi ser her at fordelingen ikke er perfekt, men det synes å være liten grad av skjevdeling (skewness) da senter for den blå kurven ligger nært senter for normalfordelingen. Ettersom den blå kurven er noe spissere enn den røde, har vi en positiv kurtose (kurtosis). Vi mener derfor at denne forutsetningen er oppfylt. 19 Forutsetning 6: Lik varians for residualene (Homoskedastisitet). En utfordring med paneldata er autokorrelasjon og heteroskedastisitet. Ved heteroskedastisitet kan en ikke generalisere resultatene fra utvalget til hele populasjonen, og man kan ikke stole på standardfeil og t-verdier. Vi har gjennomført en rekke tilpasninger for å unngå at heteroskedastisitet skal bli et problem i vår analyse. I modellene benyttes det variable av ulik størrelsesorden, noe som kan føre til heteroskedastisitet. Gjennomgående skalerer vi derfor med totale eiendeler 1.1. Jones (91) påpeker at skalering forebygger heteroskedastisitet. Man kan evt. fjerne heteroskedastisitet ved å forsøke med GLS modell (Generalized Least Squares), men det kan være vanskelig da det forutsetter at man klarer å identifisere formen for heteroskedastisitet (Midtbø 2012). Det anses bedre å korrigere feilene uten å forlate OLS ved å benytte robuste standardfeil. Vi har benyttet Stata-kommandoen vce(cluster id) for å oppnå grupperobuste standardfeil. Man oppnår da at resultatene blir gyldige selv om formen for heteroskedastisitet er ukjent (Wooldridge 2012). Vi tester grafisk om det er tegn på heteroskedastisitet etter å ha gjennomført nevnte tilpasninger. Plotet i figur 5.3 viser residualene til kontroll-regresjon SP (1) mot beregnede verdier av regresjonen. 20 Hvis heteroskedastisitet er et problem vil vi se en systematisk forskjell i residualens størrelse i forhold til størrelsen på verdien til forklaringsvariablene, her vist som økning på x-aksen. 19 Se vedlegg4.1 for normal fordelingen til de andre residualene 20 Se vedlegg 4.2 for plot av andre residualer fra kontroll-regresjonene 45

52 Figur 5-3 Homoskedastisitet residual SP Som regel brukes kategorisk regresjon når den avhengige variabelen er en dummyvariabel, slik som ved indikator 6 her hos oss. Dette fordi den kategoriske regresjonen i motsetning til OLS ikke tillater prediksjonen utenfor intervallet (0,1) og dermed ofte er bedre egnet når den avhengige variabelen er en dummyvariabel. Barth, Landsmann og Lang (2008) poengterer imidlertid at en kategorisk regresjon er sensitiv for heteroskedastisitet og velger å bruke OLS, noe vi også velger for indikator 6. Forutsetningen om homoskedastiske residualer ansees å være oppfylt. Forutsetning 7: Ukorrelerte residualer. Korrelerte residualer kan gi lave standardfeil og for optimistiske signifikanttester. For å ivareta behovet for uavhengighet benytter vi grupperobuste standardfeil. Som nevnt over gjør dette dataene robuste mot gruppevis heteroskedastisitet, men også mot gruppevis avhengighet. Ved å benytte stata-kommandoen, xtreg, vce (cluster id) fe tillates det at feilleddene korrelerer innenfor samme selskap og mellom år. Med bakgrunn i disse tilpasningene er forutsetning 7 i orden. 46

53 Forutsetning 8: Ikke multikolinearitet. Beregnede regresjonskoeffisienter er forventningsrette hvis det ikke er perfekt multikolinearitet. I tabell 4.5 og 4.6 så vi at våre data ikke har veldig stor korrelasjon. Ved i tillegg å kontrollere for Varians Inflasjons Faktor ser vi at multikolinearitet ikke er et problem i våre data da VIF bare er i overkant av 1. Multikolinearitet er et problem hvis VIF > 10. Tabell 5.12 Varians Inflasjons Faktor Variable VIF - SP VIF - EF_AKP VIF - SSI VIF - SPER VIF - VEÅ VIF - STAP ETTER 2,05 2,05 2,05 2,05 1,20 2,05 STR 1,22 1,22 1,21 1,22 1,09 1,22 VEKST2 1,02 1,02 1,02 1,02 1,07 1,02 GG 1,08 1,08 1,08 1,08 1,07 1,08 DREV 1,10 1,10 1,10 1,10 1,06 1,10 lnalder 1,07 1,05 1,07 1,07 1,02 1,07 LAGER 1,09 1,09 1,09 1,09 1,01 1,09 Mean VIF 1,23 1,23 1,23 1,23 1,07 1,23 Etter å ha testet de enkelte indikatorenes VIF-verdier ser vi at det ikke fremkommer indikasjoner på at multikolinearitet er et problem i våre data. Forutsetning nr. 8 anses oppfylt. 47

54 6 Konklusjon Formålet med denne oppgaven har vært å undersøke om reduksjonen i revisjonspliktens omfang har påvirket regnskapskvaliteten til norske revisjonspliktige aksjeselskaper. Vi har valgt å ta med 6 indikatorerer (modeller) for regnskapskvalitet fordi det ikke finnes en universell modell og fordi vi ønsker å måle utviklingen i regnkapskvaliteten i et bredt persepktiv ved hjelp av flere aspekter, nemlig periodseringskvalitet, graden av resultatutjevning og tidsriktig tapsføring. På tross av noen motstridende resultater, mener vi at dette er med på å styrke oppgaven da vi har et bredt grunnlag for å måle utviklingen i regnskapskvaliteten. Vi har konkludert med at våre resultater på hele utvalget ikke indikerer noen generell svekkelse i regnskapskvaliteten i perioden etter reduksjonen i revisjonsplikten. På dette punktet finnes det ingen relevant tidligere forskning som vi kan sammenligne med. Når vi splitter opp utvalget viser våre resultater at det ikke er tilstrekkelig støtte for at regnskapskvaliteten i hele perioden var bedre for selskaper med et stort revisjonsselskap i forhold til øvrige selskaper. Videre har vi derimot funnet støtte for at regnskapskvaliteten til selskaper med et stort revisjonsselskap ikke har blitt svekket, men resultatene gir ikke tilstrekkelig støtte for at regnskapskvaliteten til selskaper med et lite revisjonsselskap har svekket regnskapskvalitet. Når det gjelder undersøkelsene vedrørende regnskapskvalitet og revisjonsselskap viser dermed resultatene ingen indikasjoner på generell sammenheng mellom et stort revisjonsselskap og høyere regnskapskvalitet. Dette er ikke i samsvar med resultatene i flere tidligere internasjonale undersøkelser (f.eks. Becker et al. 1998), men det kan være at man hadde kommet frem til et annet resultat dersom utvalget hadde vært annerledes, hvor f.eks. børsnoterte selskaper hadde blitt hensyntatt. Når det gjelder regnskapskvaliteten til store selskaper har vi, i tråd med vår forventning, ikke funnet indikasjoner på at denne er svekket. Vi har derimot i strid med vår forventning heller ikke funnet støtte for at regnskapskvaliteten til små selskaper har blitt svekket. På dette punktet har vi ikke funnet noen direkte sammenlignbare tidligere undersøkelser, men i tidligere internasjonale undersøkelser om store og små selskaper (Hope, Thomas og Vyas 2013; Givoly, 48

55 Hayn og Katz 2010) er det som i våre resultater ingen helt klar tendens om hvilken retning regnskapskvaliteten påvirkes. Til slutt undersøkte vi utviklingen i regnskapskvalitet, ved å dele utvalget opp etter selskaper med en høy investering i revisjon og øvrige selskaper. I tråd med vår forventning indikerte resultatene at selskaper med en høy investering i revisjon ikke har hatt en svekkelse i regnskapskvaliteten. Derimot viste resultatene for øvrige selskaper, i motsetning til vår forventning, ingen indikasjoner på svekkelse i regnskapskvaliteten. Resultatene våre indikerer ingen sammenheng mellom graden av investering i revisjon og utviklingen i regnskapskvalitet. Coulton et al. (2014) konkluderer i sin undersøkelse med en positiv sammenheng mellom høy investering i revisjon og høyere regnskapskvalitet. Det påpekes også hos Coulton (2014) at det i tidligere undersøkelser, hvor man undersøker denne sammenhengen år for år, i tråd med våre funn, ikke har påvist noen positiv sammenheng. Totalt sett viser resultatene ingen indikasjoner på at reduksjonen i revisjonspliktens omfang har gitt dårligere regnskapskvaliteten for norske revisjonspliktige aksjeselskaper. 49

56 Referanser Ashbaugh-Skaife, Hollis, Daniel W Collins og Ryan Lafond. "The effect of SOX internal control deficiencies on firm risk and cost of equity." Journal of Accounting Research, 47 (1): Ball, Ray, SP Kothari og Ashok Robin "The effect of international institutional factors on properties of accounting earnings." Journal of accounting and economics, 29 (1): Ball, Ray og Lachmann Shivakumar "Earnings quality in UK private firms: comparative loss recognition timeliness." Journal of accounting and economics, 39 (1): "The role of accruals in asymmetrically timely gain and loss recognition." Journal of Accounting Research, 44 (2): "Earnings quality at initial public offerings." Journal of Accounting and Economics, 45 (2): Barth, Mary E, Wayne R Landsman og Mark H Lang "International accounting standards and accounting quality." Journal of accounting research, 46 (3): Basu, Sudipta "The conservatism principle and the asymmetric timeliness of earnings. Journal of accounting and economics, 24 (1): Becker, Connie L, Mark L DeFond, James Jiambalvo og KR Subramanyam "The Effect of Audit Quality on Earnings Management*." Contemporary accounting research, 15 (1): Beuselinck, Christof, Marc Deloof og Sophie Manigart "Private equity involvement and earnings quality." Journal of Business Finance & Accounting, 36 (5 6): Bjørnerud, Linn og Henriette Vestli The Impact of Audit Exemption and Auditor Choice in Earnings Quality in Norwegian Limited Companies. Masteroppgave, Handelshøyskolen BI Oslo. Brønnøysundregistrene "Årsmelding 2012". Burgstahler, David og Ilia Dichev "Earnings management to avoid earnings decreases and losses." Journal of accounting and economics, 24 (1): Burgstahler, David C, Luzi Hail og Christian Leuz "The importance of 50

57 reporting incentives: earnings management in European private and public firms." The accounting review, 81 (5): Caramanis, Constantinos og Clive Lennox "Audit effort and earnings management." Journal of accounting and economics, 45 (1): Chen, Feng, Ole-Kristian Hope, Qingyuan Li og Xin Wang "Financial reporting quality and investment efficiency of private firms in emerging markets." The Accounting Review, 86 (4): Coulton, Jeff, Gilad Livne, Angela Pettinicchio og Stephen Taylor "Investments in Auditing and the Quality of Financial Reporting." Dechow, Patricia M "Accounting earnings and cash flows as measures of firm performance: The role of accounting accruals." Journal of accounting and economics, 18 (1): Dechow, Patricia M og Ilia D Dichev "The quality of accruals and earnings: The role of accrual estimation errors." The accounting review, 77 (s-1): Dechow, Patricia M, Weili Ge, Chad R Larson og Richard G Sloan "Predicting Material Accounting Misstatements*." Contemporary accounting research, 28 (1): Dechow, Patricia, Weili Ge og Catherine Schrand "Understanding earnings quality: A review of the proxies, their determinants and their consequences." Journal of Accounting and Economics, 50 (2): Dechow, Patricia M, Richard G Sloan og Amy P Sweeney "Detecting earnings management." Accounting Review: Ewert, Ralf og Alfred Wagenhofer Earnings quality metrics and what they measure. Working Paper, University of Graz. Francis, Jennifer, Ryan LaFond, Per Olsson og Katherine Schipper "The market pricing of accruals quality." Journal of Accounting and Economics, 39 (2): Francis, Jere R "A framework for understanding and researching audit quality." Auditing: A journal of practice & theory, 30 (2): Francis, Jere R, Edward L Maydew og H Charles Sparks "The role of Big 6 auditors in the credible reporting of accruals." Auditing: A Journal of Practice & Theory, 18 (2): Frøyshov, Hanne og Hanne Sælemyr Johansen "Revisjonsplikten for norskregistrerte utenlandske foretak: en empirisk studie av små foretak." 51

58 Frøyshov, H. & Johansen, H.S "Revisjonsplikten for norskregistrerte utenlandske foretak" Praktisk økonomi & finans, 27 (1): Givoly, Dan, Carla K Hayn og Sharon P Katz "Does public ownership of equity improve earnings quality?" The Accounting Review, 85 (1): Greene, William H Econometric Analysis, New York: MacMillan. Gunny, Katherine A og Tracey Chunqi Zhang "PCAOB inspection reports and audit quality." Journal of Accounting and Public Policy, 32 (2): Healy, Paul M og James M Wahlen "A review of the earnings management literature and its implications for standard setting." Accounting horizons, 13 (4): Hope, Ole-Kristian, Wayne B Thomas og Dushyantkumar Vyas "Financial reporting quality of US private and public firms." The Accounting Review, 88 (5): Jones, Jennifer "Earnings management during import relief investigations." Journal of accounting research, 29 (2): Kim, Jeong Bon, Richard Chung og Michael Firth "Auditor Conservatism, Asymmetric Monitoring, and Earnings Management*." Contemporary Accounting Research, 20 (2): Kothari, Sagar P, Andrew J Leone og Charles E Wasley "Performance matched discretionary accrual measures." Journal of accounting and economics, 39 (1): Kousenidis, Dimitrios V, Anestis C Ladas og Christos I Negakis "The effects of the European debt crisis on earnings quality." International Review of Financial Analysis, 30: Kvaal, Erlend, John Christian Langli og Mohammad J Abdolmohammadi "Earnings management priorities of private family firms." Available at SSRN Lang, Mark, Jana Smith Raedy og Michelle Higgins Yetman "How representative are firms that are cross listed in the united states? An analysis of accounting quality." Journal of Accounting Research, 41 (2): Lang, Mark, Jana Smith Raedy og Wendy Wilson "Earnings management and cross listing: Are reconciled earnings comparable to US earnings?" 52

59 Journal of Accounting and Economics, 42 (1): Leuz, Christian, Dhananjay Nanda og Peter D Wysocki "Earnings management and investor protection: an international comparison." Journal of financial economics, 69 (3): McNichols, Maureen F "Discussion of the quality of accruals and earnings: The role of accrual estimation errors." The accounting review, 77 (s-1): McNichols, Maureen F og Stephen R Stubben "Does earnings management affect firms' investment decisions?" The Accounting Review, 83 (6): Mitbø, Tor STATA-En entusiastisk innføring. Oslo:Universitetsforlaget IAASB (International Auditing and Assurance Standards Board) 2011 Audit quality an IAASB perspective IAASB (International Auditing and Assurance Standards Board) A Framework for Audit Quality Penman, Stephen H og Xiao-Jun Zhang "Accounting conservatism, the quality of earnings, and stock returns." The Accounting Review, 77 (2): Schipper, Katherine "Commentary on earnings management." Accounting horizons, 3 (4): Stubben, Stephen R "Discretionary revenues as a measure of earnings management." The Accounting Review, 85 (2): Wooldridge, Jeffrey Introductory econometrics: A modern approach: Cengage Learning. 53

60 Vedlegg 1 Variabelliste AKG = annen kortsiktig gjeld AKP = arbeidskapital periodiseringer, målt som endring i OM (ekskl kontanter) minus endring ikke rentebærende kortsiktig gjeld skalert med totale eiendeler AOM = andre omløpsmidler ALDER = alder, beregnet ved ÅR minus registreringsår i brreg AVS = avskrivinger DM = varige driftsmidler, eiendom, anlegg og utstyr skalert med totale eiendeler 1.1 DNKSD = dummyvariabel for negativ kontantstrøm fra drift DREV = dummyvariabel for type revisjonsselskap der 1= Big 4, definert som de fire største revisjonsselskapene i Norge EF_AKP = estimatfeil i periodiseringer (se kapittel 4.2.1) ETTER = situasjon etter endring i revisjonsplikten, dummyvariabel hvor 1 benyttes på tall hentet etter reduksjon i revisjonspliktens omfang, men 0 ellers GG2 = gjeldsgrad, rentebærende gjeld / BV Ek GG = gjeldsgrad beregnet som totale forpliktelser skalert med totale eiendeler IRKG= ikke rentebærende kortsiktig gjeld KF = kundefordringer KONT= kontanter og bankinnskudd KSD= kontantstrøm fra drift sksd = kontantstrøm fra drift, skalert med totale eiendeler LAGER = varelager skalert med totale eiendeler LEVG = leverandørgjeld lnalder = logaritmen til ALDER+1 PER = totale periodiseringer, definert som PER2 = RES = SI = (SOM t KONT t ) (SOM t-1 KONT t-1 ) IRKG t AVS t totale periodiseringer, definert som VARER + KF + AOM LEVG AKG AVS årsresultat salgsinntekt skalert med totale eiendeler 54

61 SOM= sum omløpsmidler SP = skjønnsmessige periodiseringer (se kapittel 4.2.1) SPER = størrelsen på periodiseringer (se kapittel 4.2.2) SSI = skjønnsmessige inntektsperiodiseringer (se kapittel 4.2.1) STAP = store negative resultater, dummyvariabel lik 1 når årsresultat i forhold til totale eiendeler er < -0,2 STR = firma størrelse, beregnet som logaritmen til totale eiendeler TK OMLH = salg dividert med sum eiendeler 1.1 TKR = totalkapitalrentabilitet (Resultat / Gjennomsnittlig totalkapital) TPER = periodiseringer, skalert med totale eiendeler VARER = varelager VEKST = forholdsmessig endring salgsinntekter VEKST2 = forholdsmessig endring totalkapital VEÅ = variansen i endring i årsresultat (se kapittel 4.2.2) ÅR = år for innrapportert regnskap 55

62 Vedlegg 2 STATA analyse Prosessbeskrivelse Vedlagt som do-fil fra STATA: Bruke datafil lagret som Master3.do Lage dummy.do Trimme data fil.do Trimme filen 2.do (fjerner de under streken) o Fjerner 2008 o Fjerner de som ikke har verdier i alle 4 år Vedlagt som logg-fil fra STATA: Lagre som inkl ekstremverdier: o Winsor_3.4a.do winorise på inputvariabler (1 %) Kjører indikatorregresjoner Lagre som _etter indikator regresjon o Hyp 1_fixed.do (test av både hypotese 1 og 2) o Hyp 3_fixed.do (test av ETTER if DREV=0/1) o SI_fordeling.do o Hyp 4_fixed.do.do (test av ETTER if STORE=0/1) o Fordeling rev honorar.do o Hyp 5_fixed.do (test av ETTER if ORH=0/1) Do filer variabeldefinisjoner, valg av utvalg Master3.do use "C:\Users\obb\Dropbox\master i revisjon\høst 2013\metode\regnskapskvalitet\datafiler\ dta", clear *definerer utvalget som panel data xtset id YR, yearly gen TOTKAP = item_63 + SOM gen STR = log( TOTKAP) gen endringvarer = VARER-L.VARER. gen endringsi = SI-L.SI. gen endringkf = KF-L.KF. gen AOM=SOM-KF-VARER. gen endringaom = AOM-L.AOM. gen endringlevg = LEVG-L.LEVG. gen AKG=SKG-LEVG. gen endringakg = AKG-L.AKG. gen AVS2=AVS+NED * lager peridosering som benyttet i frøyshov og johansen. gen PER2=endringvarer+endringKF+endringAOM-endringLEVGendringAKG-AVS *lager periodsering med hensyntakelse av nedskrivninger. gen PER3=endringvarer+endringKF+endringAOM-endringLEVGendringAKG-AVS2 gen TKR2= RES/((TOTKAP+L.TOTKAP)/2) 56

63 . gen skalertendringsi=endringsi/l.totkap gen skalertendringsi2=endringsi/totkap gen skalertendringkf=endringkf/l.totkap gen skalertendringkf2=endringkf/totkap gen skalertendringres=d.res/l.totkap gen skalertendringres2=d.res/totkap gen skalertendringsi3=(endringsi-endringkf)/l.totkap rename item_87 EK *Lager ikke rentebærende kortsikitg gjeld gen IRKG=SKG-BSKATT-item_99-item_100-item_101-item_105- item_107 gen endringirkg=irkg-l.irkg * lager periodsering som benyttet av Hope gen PER=(SOM-KONT)-(L.SOM-L.KONT)-endringIRKG-AVS gen TPER=PER/L.TOTKAP gen TPER2=PER/TOTKAP gen AKP=(SOM-KONT)-(L.SOM-L.KONT)-endringIRKG gen AKPskalert=AKP/L.TOTKAP gen AKPskalert2=AKP/TOTKAP gen rgjeld= item_96+ SKG- IRKG gen GG=(TOTKAP-EK)/TOTKAP gen GG2=rgjeld/EK gen TK_OMLH=SI/L.TOTKAP gen TK_OMLH2=SI/TOTKAP gen PER2skalert=PER2/L.TOTKAP gen PER2skalert2=PER2/TOTKAP gen PER3skalert=PER3/L.TOTKAP gen PER3skalert2=PER3/TOTKAP gen VEKST=endringSI/L.SI gen endringskg=skg-l.skg gen skalertdm=dm/l.totkap gen skalertdm2=dm/totkap gen KSD=RES-PER gen KSD2=RES-PER2 gen KSDskalert=KSD/L.TOTKAP gen KSDskalert2=KSD/TOTKAP gen KSD2skalert=KSD2/L.TOTKAP gen KSD2skalert2=KSD2/TOTKAP gen skalertendringksd=d.ksdskalert gen skalertendringksd2=d.ksd2skalert gen skalertendringksd3=d.ksdskalert2 gen skalertendringksd4=d.ksd2skalert2 *lager første ledd i regresjon 1 gen enskalert=1/l.totkap format %12.0g id format %15.0g SI format %15.0g TOTKAP label variable STR "Logaritmen til totale eiendeler pr 31.12" label variable TOTKAP "Totale eiendeler" label variable AVS2 "Avskrivninger + nedskrivninger" label variable TKR2 "Resultat/snitt totale eiendeler" label variable KSD "Kontantstrøm fra drift" label variable GG "Gjeldsgrad" label variable GG2 "Rentebærende gjeldsgrad" label variable TK_OMLH "Totalkapitalens omløpshastighet" label variable VEKST "endring salg i forhold til forrige år" label variable IRKG "ikke rentebærende kortsiktig gjeld" label variable AKP "Arbeidskapital periodisering" *generer variabler for estimat på KSD 2013 sort id YR gen KSDVEKST=KSD/L.KSD 57

64 gen KSDVEKST2=D.KSD/L.KSD bysort id : egen float SNITTKSDVEKST=mean(KSDVEKST) bysort id : gen KSD2013=KSD*SNITTKSDVEKST if YR==2012 sort id YR gen KSDFORRIGEskalert=L.KSD/L.TOTKAP gen KSDFORRIGEskalert2=L.KSD/TOTKAP gen KSDNESTEskalert=F.KSD/L.TOTKAP gen KSDNESTEskalert2=F.KSD/TOTKAP gen KSD2013skalert=KSD2013/L.TOTKAP gen KSD2013skalert2=KSD2013/TOTKAP replace KSDNESTEskalert= KSD2013skalert if YR==2012 replace KSDNESTEskalert2= KSD2013skalert2 if YR==2012 *generer variabler for estimat på KSD sort id YR gen KSDVEKST3=KSD2/L.KSD2 bysort id : egen float SNITTKSDVEKST3=mean(KSDVEKST3) bysort id : gen KSD2_2013=KSD2*SNITTKSDVEKST3 if YR==2012 sort id YR gen KSD2FORRIGEskalert=L.KSD2/L.TOTKAP gen KSDNESTE2skalert=F.KSD2/L.TOTKAP gen KSD2_2013skalert=KSD2_2013/L.TOTKAP replace KSDNESTE2skalert= KSD2_2013skalert if YR==2012 *Lager mulige kontrollvariabler gen LAGER=VARER/TOTKAP gen EKR=RES/((EK+L.EK)/2) gen GG3=rgjeld/TOTKAP gen VEKST2=D.TOTKAP/L.TOTKAP *selskaper med negativt revisjonshonorar settes til missing (15 observasjoner) replace item_115=. if item_115<0 gen REV_str= item_115/totkap gen lnrev_str=ln(rev_str) gen lnyr=ln(yr) gen lnalder=ln(alder) gen lnvekst=ln(abs(vekst)) gen lnvekst2=ln(abs(vekst2)) gen lngg=ln(gg) gen lngg2=ln(gg2) gen lngg3=ln(gg3) gen STR2=ln(SI) gen lnekr=ln(abs(ekr)) label variable LAGER "Varelager i forhold til totale eiendeler" label variable EKR "Resultat/snitt egenkapital" label variable GG3 "rentebærende gjeld i forhold til totale eiendeler" Lage dummy.do *trenger ikke tall for 2007 drop if YR==2007 format %12.0g item_13410 sort item_13410 by item_13410: gen frek=_n *fjerner de som ikke har revisor drop if frek >=91018 *Lage dummy på big4 og 5 inkl BDO gen REV2=REV replace REV2="HORWATH REVISJON " if frek==

65 replace REV2="ERNST & YOUNG " if frek==91017 replace REV2="PWC " if frek==85868 replace REV2="BDO " if frek==65913 replace REV2="DELOITTE " if frek==63535 replace REV2="KPMG " if frek==51600 replace REV2="ØVRIGE" if frek<12440 *tildeler navn til store revisjonsselskaper med annet revisor org. nr. rename item_13410 idrev replace REV2="DELOITTE " if idrev== replace REV2="ERNST & YOUNG " if idrev== replace REV2="ERNST & YOUNG " if idrev== replace REV2="ERNST & YOUNG " if idrev== replace REV2="ERNST & YOUNG " if idrev== replace REV2="ERNST & YOUNG " if idrev== replace REV2="BDO " if idrev== replace REV2="BDO " if idrev== replace REV2="BDO " if idrev== replace REV2="BDO " if idrev== replace REV2="BDO " if idrev== replace REV2="BDO " if idrev== replace REV2="BDO " if idrev== replace REV2="BDO " if idrev== replace REV2="BDO " if idrev== replace REV2="BDO " if idrev== replace REV2="BDO " if idrev== replace REV2="BDO " if idrev== replace REV2="BDO " if idrev== replace REV2="BDO " if idrev== replace REV2="BDO " if idrev== replace REV2="BDO " if idrev== replace REV2="BDO " if idrev== replace REV2="BDO " if idrev== replace REV2="BDO " if idrev== replace REV2="BDO " if idrev== replace REV2="BDO " if idrev== replace REV2="BDO " if idrev== replace REV2="BDO " if idrev== replace REV2="BDO " if idrev== replace REV2="BDO " if idrev== replace REV2="BDO " if idrev== replace REV2="BDO " if idrev== replace REV2="BDO " if idrev== replace REV2="BDO " if idrev== replace REV2="KPMG " if idrev== replace REV2="KPMG " if idrev== gen DREV=0 gen DREV2=0 replace DREV=1 if REV2=="ERNST & YOUNG " replace DREV=1 if REV2=="DELOITTE " replace DREV=1 if REV2=="KPMG " replace DREV=1 if REV2=="PWC " replace DREV2=1 if REV2=="ERNST & YOUNG " replace DREV2=1 if REV2=="DELOITTE " replace DREV2=1 if REV2=="KPMG " replace DREV2=1 if REV2=="BDO " replace DREV2=1 if REV2=="PWC " label variable DREV "Dummyvariabel, hvor 1 = big4" label variable DREV2 "Dummyvariabel, hvor 1 = big5" sort YR *lager flere dummy variabler 59

66 gen ETTER = YR>=2011 sort id YR gen STAP = RES/TOTKAP <-0.2 gen STAP2=RES/L.TOTKAP<-0.2 gen DNKSD=KSD<0 gen KSDskalert_x_DNKSD=KSDskalert*DNKSD gen DNKSD2=KSD2<0 gen KSD2skalert_x_DNKSD2=KSD2skalert*DNKSD2 Trimme filen.do **generer numerisk variabel til selskapsform sort YR rename item_6 FORM encode FORM, gen(form1) *fjerne alle selskaper unntatt AS keep if FORM1==3 sort item_11103 *generer numerisk variabel til bransjegruppe nivå2 encode item_11103, gen(bransje2) sort BRANSJE2 *sletter finans og forsikring drop if BRANSJE2>1021 &BRANSJE2<1030 & YR<2009 drop if BRANSJE2>1010 &BRANSJE2<1027 & YR>2008 *sletter kraft drop if BRANSJE2>459 &BRANSJE2<464 & YR<2009 drop if BRANSJE2>412 &BRANSJE2<434 & YR>2008 *sletter de uten bransje drop if BRANSJE2<3 Trimme filen 2.do *fjerne alle med omsetning under 5 mill. drop if SI< & TOTKAP< *trenger ikke 2008 drop if YR==2008 *fjerne de som ikke har tall i alle 4 år sort id by id: gen frek2=_n drop if frek2<4 *slette de bransjene med færre enn 20 observasjoner i et år bysort item_11103 YR: gen frek3=_n drop if frek3<20 *fjerne de som ikke har tall i alle 4 år sort id by id: gen frek2b=_n drop if frek2b<4 *slette de bransjene med færre enn 20 observasjoner i et år bysort item_11103 YR: gen frek3b=_n drop if frek3b<20 *fjerne de som ikke har tall i alle 4 år sort id by id: gen frek2c=_n drop if frek2c<4 *slette de bransjene med færre enn 20 observasjoner i et år bysort item_11103 YR: gen frek3c=_n drop if frek3c<20 *fjerne de som ikke har tall i alle 4 år 60

67 sort id by id: gen frek2d=_n drop if frek2d<4 *gen dummyvariabel bransje tab BRANSJE2, gen (B_) save "C:\Users\obb\Dropbox\master i revisjon\høst 2013\metode\regnskapskvalitet\datafiler\ inkl ekstremverdier.dta " Logg filer fra indikator og kontroll regresjoner - name: <unnamed> log: C:\Users\obb\Dropbox\master i revisjon\høst 2013\metode\regnskapsk > valitet\endelige loggfiler\vedlegg logg fil.smcl log type: smcl opened on: 28 Aug 2014, 14:06:15. use "C:\Users\obb\Dropbox\master i revisjon\høst 2013\metode\regnskapskvalite > t\datafiler\ inkl ekstremverdier.dta", clear. do "C:\Users\obb\Dropbox\master i revisjon\høst 2013\metode\regnskapskvalitet > \dofiler\winsorise 3 4a.do". set more off. *lager kontrollvariabel alder. gen lnalder2=ln(alder+1). *sentrale input variabler og kontrollvariabler winsorizes med 1% i hver ende. winsor2 TPER enskalert skalertendringsi skalertdm TKR2 AKPskalert KSDFORRIGEs > kalert KSDskalert KSDNESTEskalert skalertendringkf LAGER VEKST ALDER skalerte > ndringres TK_OMLH EKR VEKST2 GG GG2 GG3,replace cuts(1 99). *Lager bestevenn id til indikator 1 for Kothari matching på TKR. bysort item_11103 YR (TKR2) : gen matchid = cond((tkr2[_n+1] - TKR2) <= (TKR2 > - TKR2[_n-1]), id[_n+1], id[_n-1]) (63 missing values generated). xtset id YR panel variable: id (strongly balanced) time variable: YR, 2009 to 2012 delta: 1 year. * For alle regresjoner brukes STATA-kommandoen vce (cluster id), slik at det > tillates at feilleddene korrelerer innenfor samme selskap.. xtreg TPER enskalert skalertendringsi skalertdm TKR2, vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 3 between = avg = 4.0 overall = max = 4 F(4,43823) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in > id) Robust TPER Coef. Std. Err. t P> t [95% Conf. Interv > al] enskalert >.25 skalertendringsi

68 > 927 skalertdm > 889 TKR > 803 _cons > sigma_u sigma_e rho (fraction of variance due to u_i) predict resid1, e (977 missing values generated). *tildeler bestevennens SP. gen SPmatchid=0. format %10.0g SPmatchid. bysort item_11103 YR (TKR2) : replace SPmatchid = cond((tkr2[_n+1] - TKR2) <= > (TKR2 - TKR2[_n-1]), resid1[_n+1], resid1[_n-1]) ( real changes made, 978 to missing). gen SP=resid1-SPmatchid (981 missing values generated). *SP med minus 1. replace SP=-abs(SP) (86940 real changes made). gen SP_umatched=-abs(resid1) (977 missing values generated). *indikator regresjon 2. xtreg AKPskalert KSDFORRIGEskalert KSDskalert KSDNESTEskalert skalertendrings > I skalertdm DNKSD KSDskalert_x_DNKSD, vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 2 between = avg = 3.9 overall = max = 4 F(7,43823) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters i > n id) Robust AKPskalert Coef. Std. Err. t P> t [95% Conf. Inte > rval] KSDFORRIGEskalert > KSDskalert > KSDNESTEskalert > skalertendringsi > skalertdm > DNKSD > KSDskalert_x_DNKSD > 6e-07 _cons > sigma_u sigma_e

69 rho (fraction of variance due to u_i) predict resid2, e (4142 missing values generated). gen EF_AKP=-abs(resid2) (4142 missing values generated). *indikator regresjon 3. xtreg skalertendringkf skalertendringsi, vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 3 between = avg = 4.0 overall = max = 4 F(1,43823) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in > id) Robust skalertendringkf Coef. Std. Err. t P> t [95% Conf. Interv > al] skalertendringsi > 322 _cons > sigma_u sigma_e rho (fraction of variance due to u_i) predict resid3, e (977 missing values generated). gen SSI=-abs(resid3) (977 missing values generated). *indikator 4. gen SPER=ln(abs(PER/KSD))*-1 (1522 missing values generated). * definere kontrollvariabler for indikator 5-7. sort id YR. *indikator regresjon 5. local controls STR VEKST GG2 YR ALDER TK_OMLH KSDskalert DREV. xtreg skalertendringres `controls', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 3.9 overall = max = 4 F(8,41933) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust skalertend~s Coef. Std. Err. t P> t [95% Conf. Interval] STR VEKST GG

70 YR ALDER TK_OMLH KSDskalert DREV _cons sigma_u sigma_e rho (fraction of variance due to u_i). predict resid5, e (11315 missing values generated). xtreg ETTER STAP STR VEKST GG2 YR ALDER TK_OMLH KSDskalert DREV, vce (cluster > id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 3.9 overall = max = 4 F(9,41933) = 6.72e+06 corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust ETTER Coef. Std. Err. t P> t [95% Conf. Interval] STAP STR VEKST GG YR ALDER TK_OMLH KSDskalert DREV _cons sigma_u sigma_e rho (fraction of variance due to u_i). predict resid6, e (11315 missing values generated). bys id : egen sdresid5 = sd(resid5) if YR<2011 (95996 missing values generated). bys id : egen sdresid5b = sd(resid5) if YR>2010 (92916 missing values generated). replace sdresid5=sdresid5b if YR>2010 (82380 real changes made). gen VEÅ=sdresid5^2 if YR==2010 YR==2012 (94456 missing values generated)... end of do-file. save "C:\Users\obb\Dropbox\master i revisjon\høst 2013\metode\regnskapskvalit > et\datafiler\ _etter indikator regresjon.dta", replace file C:\Users\obb\Dropbox\master i revisjon\høst 2013\metode\regnskapskvalitet\ > datafiler\ _etter indikator regresjon.dta saved. do "C:\Users\obb\Dropbox\master i revisjon\høst 2013\metode\regnskapskvalitet > \dofiler\hyp 1_fixed.do". *Lager dummy variabel for å skille gen fixed2010=0 64

71 . replace fixed2010=1 if YR==2010 (43824 real changes made). *Lager dummy variabel for å skille gen fixed2012=0. replace fixed2012=1 if YR==2012 (43824 real changes made).. *test av hypotese 1 og 2. estimates clear. local controls1 STR VEKST2 GG DREV lnalder2 LAGER fixed*. local controls2 STR VEKST2 GG DREV lnalder2 LAGER.. set more off. eststo pod03a: xtreg SP ETTER `controls1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 2 between = avg = 4.0 overall = max = 4 F(9,43823) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust SP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03b: xtreg EF_AKP ETTER `controls1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 3.9 overall = max = 4 F(9,43823) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust EF_AKP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER fixed fixed _cons

72 sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03c: xtreg SSI ETTER `controls1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 2 between = avg = 4.0 overall = max = 4 F(9,43823) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust SSI Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03d: xtreg SPER ETTER `controls1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 4.0 overall = max = 4 F(9,43797) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust SPER Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03e: xtreg VEÅ ETTER `controls2', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 2.0 overall = max = 2 66

73 F(7,41424) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust VEÅ Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03f: xtreg STAP ETTER `controls1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 2 between = avg = 4.0 overall = max = 4 F(9,43823) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust STAP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i).... esttab pod03? using Hypotese_1og2_fixed.rtf, replace ar2 star (* 0.1 ** 0. > 05 *** 0.01) /// > par order(etter STR VEKST2 GG DREV lnalder2 LAGER ) b(3) nogaps comp > ress drop (fixed*) /// > title("tabell Regnskapskvalitet: Regresjonsanalyse med faste effekte > r: Forskjell i regnskapskvalitet før og ETTER innføring av fravalgsmuligheten >? " ) /// > addnotes("tabellen viser regresjonsresultatene som fremkommer når tes > tene på hele utvalget med BIG4" ) (output written to Hypotese_1og2_fixed.rtf).. *test av hypotese 2 med big5.. estimates clear. local controls1 STR VEKST2 GG DREV2 lnalder2 LAGER fixed*. local controls2 STR VEKST2 GG DREV2 lnalder2 LAGER. 67

74 . set more off. eststo pod03a: xtreg SP ETTER `controls1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 2 between = avg = 4.0 overall = max = 4 F(9,43823) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust SP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03b: xtreg EF_AKP ETTER `controls1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 3.9 overall = max = 4 F(9,43823) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust EF_AKP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03c: xtreg SSI ETTER `controls1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 2 between = avg = 4.0 overall = max = 4 F(9,43823) = corr(u_i, Xb) = Prob > F =

75 (Std. Err. adjusted for clusters in id) Robust SSI Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03d: xtreg SPER ETTER `controls1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 4.0 overall = max = 4 F(9,43797) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust SPER Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03e: xtreg VEÅ ETTER `controls2', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 2.0 overall = max = 2 F(7,41424) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust VEÅ Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER _cons

76 sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03f: xtreg STAP ETTER `controls1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 2 between = avg = 4.0 overall = max = 4 F(9,43823) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust STAP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i).... esttab pod03? using Hypotese_1og2_fixed.rtf, append ar2 star (* 0.1 ** 0.0 > 5 *** 0.01) /// > par order(etter STR VEKST2 GG DREV2 lnalder2 LAGER ) b(3) nogaps com > press drop (fixed*) /// > title("tabell Regnskapskvalitet: Regresjonsanalyse med faste effekte > r: Forskjell i regnskapskvalitet før og ETTER innføring av fravalgsmuligheten >? " ) /// > addnotes("tabellen viser regresjonsresultatene som fremkommer når tes > tene på hele utvalget." ) (output written to Hypotese_1og2_fixed.rtf)... end of do-file. do "C:\Users\obb\Dropbox\master i revisjon\høst 2013\metode\regnskapskvalitet > \dofiler\hyp 3_fixed.do". estimates clear. local controls1 STR VEKST2 GG lnalder2 LAGER fixed*. local controls2 STR VEKST2 GG lnalder2 LAGER.. local utv1 if DREV==0. local utv2 if DREV==1... *test av hypotese 3a. set more off. eststo pod03a: xtreg SP ETTER `controls1' `utv1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups =

77 R-sq: within = Obs per group: min = 1 between = avg = 3.7 overall = max = 4 F(8,29256) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust SP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03b: xtreg EF_AKP ETTER `controls1' `utv1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 3.7 overall = max = 4 F(8,29195) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust EF_AKP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03c: xtreg SSI ETTER `controls1' `utv1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 3.7 overall = max = 4 F(8,29256) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust SSI Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST

78 GG lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03d: xtreg SPER ETTER `controls1' `utv1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 3.7 overall = max = 4 F(8,29237) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust SPER Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03e: xtreg VEÅ ETTER `controls2' `utv1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 1.9 overall = max = 2 F(6,27499) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust VEÅ Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG lnalder LAGER _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03f: xtreg STAP ETTER `controls1' `utv1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 72

79 between = avg = 3.7 overall = max = 4 F(8,29256) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust STAP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i)... esttab pod03? using Hypotese_3A_fixed.rtf, replace ar2 star (* 0.1 ** 0.05 > *** 0.01) /// > par order(etter STR VEKST2 GG lnalder2 LAGER ) b(3) nogaps compress > drop (fixed*) /// > title("tabell Regnskapskvalitet: Regresjonsanalyse med faste effekte > r: Forskjell i regnskapskvalitet før og ETTER innføring av fravalgsmuligheten >? " ) /// > addnotes("tabellen viser regresjonsresultatene som fremkommer når tes > tene kjøres på selskaper som ikke benytter et stort revisjonsselskap (nobig4) > " ) (output written to Hypotese_3A_fixed.rtf).. *test av hypotese 3b.. set more off. eststo pod03a: xtreg SP ETTER `controls1' `utv2', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 3.5 overall = max = 4 F(8,18250) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust SP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03b: xtreg EF_AKP ETTER `controls1' `utv2', vce (cluster id) fe Fixed-effects (within) regression Number of obs =

80 Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 3.5 overall = max = 4 F(8,18206) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust EF_AKP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03c: xtreg SSI ETTER `controls1' `utv2', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 3.5 overall = max = 4 F(8,18250) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust SSI Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03d: xtreg SPER ETTER `controls1' `utv2', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 3.5 overall = max = 4 F(8,18233) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust SPER Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR

81 VEKST GG lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03e: xtreg VEÅ ETTER `controls2' `utv2', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 1.8 overall = max = 2 F(6,16403) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust VEÅ Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG lnalder LAGER _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03f: xtreg STAP ETTER `controls1' `utv2', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 3.5 overall = max = 4 F(8,18250) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust STAP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i)... esttab pod03? using Hypotese_3A_fixed.rtf, append ar2 star (* 0.1 ** 0.05 > *** 0.01) /// > par order(etter STR VEKST2 GG lnalder2 LAGER ) b(3) nogaps compress 75

82 > drop (fixed*) /// > title("tabell Regnskapskvalitet: Regresjonsanalyse med faste effekte > r: Forskjell i regnskapskvalitet før og ETTER innføring av fravalgsmuligheten >? " ) /// > addnotes("tabellen viser regresjonsresultatene som fremkommer når tes > tene kjøres på selskaper som benytter et stort revisjonsselskap (BIG4)" ) (output written to Hypotese_3A_fixed.rtf).. end of do-file. do "C:\Users\obb\Dropbox\master i revisjon\høst 2013\metode\regnskapskvalitet > \dofiler\fordeling rev honorar.do". *lager variabler for høy investering i revisjon. gen REV_str2=abs(REV_str)*100 (4396 missing values generated). egen REV_str3= pctile( REV_str2), p(90). egen REV_str4= pctile( REV_str2), p(10). egen REV_str5= pctile( REV_str2) if ETTER==0, p(10) (87648 missing values generated). *lager dummy for å skille høy investering i revijon vs øvrige. gen ORH=0. replace ORH=1 if REV_str2>=REV_str3 (21488 real changes made). *lager dummy for å skille lav investering i revijon vs øvrige. gen ORH1=0. replace ORH1=1 if REV_str2<=REV_str4 (17090 real changes made). *lager tabell. sum item_115 if REV2=="PWC " Variable Obs Mean Std. Dev. Min Max item_ gen TOTAL_REV=r(mean)*r(N) if REV2=="PWC " ( missing values generated). sum item_115 if REV2=="ERNST & YOUNG " Variable Obs Mean Std. Dev. Min Max item_ replace TOTAL_REV=r(mean)*r(N) if REV2=="ERNST & YOUNG " (19211 real changes made). sum item_115 if REV2=="KPMG " Variable Obs Mean Std. Dev. Min Max item_ replace TOTAL_REV=r(mean)*r(N) if REV2=="KPMG " (11045 real changes made). sum item_115 if REV2=="DELOITTE " Variable Obs Mean Std. Dev. Min Max item_ replace TOTAL_REV=r(mean)*r(N) if REV2=="DELOITTE " (14685 real changes made). sum item_115 if REV2=="BDO " Variable Obs Mean Std. Dev. Min Max item_

83 . replace TOTAL_REV=r(mean)*r(N) if REV2=="BDO " (21145 real changes made). sum item_115 if REV2=="ØVRIGE" Variable Obs Mean Std. Dev. Min Max item_ replace TOTAL_REV=r(mean)*r(N) if REV2=="ØVRIGE" (86815 real changes made). sum item_115 if REV2=="HORWATH REVISJON " Variable Obs Mean Std. Dev. Min Max item_ replace TOTAL_REV=r(mean)*r(N) if REV2=="HORWATH REVISJON " (2220 real changes made). table REV2, contents(mean TOTAL_REV ) REV2 mean(total_~v) BDO DELOITTE ERNST & YOUNG HORWATH REVISJON KPMG PWC ØVRIGE end of do-file. do "C:\Users\obb\Dropbox\master i revisjon\høst 2013\metode\regnskapskvalitet > \dofiler\si_fordeling.do". gen SIMNOK=SI/ gen SIfordeling=0. replace SIfordeling=1 if SIMNOK <5 (26161 real changes made). replace SIfordeling=2 if SIMNOK <8 & SIMNOK >=5 (28152 real changes made). replace SIfordeling=3 if SIMNOK <10 & SIMNOK >=8 (16129 real changes made). replace SIfordeling=4 if SIMNOK <15 & SIMNOK >=10 (26854 real changes made). replace SIfordeling=5 if SIMNOK <20 & SIMNOK >=15 (15887 real changes made). replace SIfordeling=6 if SIMNOK <40 & SIMNOK >=20 (28493 real changes made). replace SIfordeling=7 if SIMNOK <70& SIMNOK >=40 (14358 real changes made). replace SIfordeling=8 if SIMNOK <500 & SIMNOK >=70 (16784 real changes made). replace SIfordeling=9 if SIMNOK <1000 & SIMNOK >=500 (1313 real changes made). replace SIfordeling=10 if SIMNOK >=1000 (1165 real changes made) 77

84 . tab SIfordeling,gen (SIfordeling_) SIfordeling Freq. Percent Cum , , , , , , , , , , Total 175, *lager dummy for å skille store/små. gen STORE=0. replace STORE=1 if SIMNOK>=70 (19262 real changes made). end of do-file. do "C:\Users\obb\Dropbox\master i revisjon\høst 2013\metode\regnskapskvalitet > \dofiler\hyp 4_fixed.do". estimates clear. local controls1 STR VEKST2 GG DREV lnalder2 LAGER fixed*. local controls2 STR VEKST2 GG DREV lnalder2 LAGER.. local utv1 if SIMNOK>=70. *test av hypotese 4b. set more off. eststo pod03a: xtreg SP ETTER `controls1' `utv1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = 6091 R-sq: within = Obs per group: min = 1 between = avg = 3.2 overall = max = 4 F(9,6090) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for 6091 clusters in id) Robust SP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03b: xtreg EF_AKP ETTER `controls1' `utv1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = 6082 R-sq: within = Obs per group: min = 1 78

85 between = avg = 3.1 overall = max = 4 F(9,6081) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for 6082 clusters in id) Robust EF_AKP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03c: xtreg SSI ETTER `controls1' `utv1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = 6091 R-sq: within = Obs per group: min = 1 between = avg = 3.2 overall = max = 4 F(9,6090) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for 6091 clusters in id) Robust SSI Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03d: xtreg SPER ETTER `controls1' `utv1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = 6090 R-sq: within = Obs per group: min = 1 between = avg = 3.2 overall = max = 4 F(9,6089) = 7.80 corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for 6090 clusters in id) Robust SPER Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST

86 GG DREV lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03e: xtreg VEÅ ETTER `controls2' `utv1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = 9703 Group variable: id Number of groups = 5630 R-sq: within = Obs per group: min = 1 between = avg = 1.7 overall = max = 2 F(7,5629) = 5.33 corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for 5630 clusters in id) Robust VEÅ Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03f: xtreg STAP ETTER `controls1' `utv1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = 6091 R-sq: within = Obs per group: min = 1 between = avg = 3.2 overall = max = 4 F(9,6090) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for 6091 clusters in id) Robust STAP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i).. esttab pod03? using Hypotese_4a_fixed.rtf, replace ar2 star (* 0.1 ** 0.05 > *** 0.01) /// 80

87 > par order(etter ) b(3) nogaps compress drop (fixed*) /// > title("simnok>=70 " ) /// > addnotes("tabellen viser regresjonsresultatene som fremkommer når tes > tene kjøres på utvalg av selskaper?" ) (output written to Hypotese_4a_fixed.rtf).. local utv1 if SIMNOK<70. *test av hypotese 4a.. set more off. eststo pod03a: xtreg SP ETTER `controls1' `utv1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 3.9 overall = max = 4 F(9,40111) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust SP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03b: xtreg EF_AKP ETTER `controls1' `utv1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 3.8 overall = max = 4 F(9,40065) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust EF_AKP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03c: xtreg SSI ETTER `controls1' `utv1', vce (cluster id) fe 81

88 Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 3.9 overall = max = 4 F(9,40112) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust SSI Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03d: xtreg SPER ETTER `controls1' `utv1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 3.9 overall = max = 4 F(9,40084) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust SPER Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03e: xtreg VEÅ ETTER `controls2' `utv1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 1.9 overall = max = 2 F(7,37165) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust 82

89 VEÅ Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03f: xtreg STAP ETTER `controls1' `utv1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 3.9 overall = max = 4 F(9,40112) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust STAP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i).. esttab pod03? using Hypotese_4a_fixed.rtf, append ar2 star (* 0.1 ** 0.05 * > ** 0.01) /// > par order(etter ) b(3) nogaps compress drop (fixed*) /// > title(" SIMNOK<70 Tabell Regnskapskvalitet: Regresjonsanalyse med f > aste effekter: Forskjell i regnskapskvalitet før og ETTER innføring av fraval > gsmuligheten? " ) /// > addnotes("tabellen viser regresjonsresultatene som fremkommer når tes > tene kjøres på utvalg av selskaper?" ) (output written to Hypotese_4a_fixed.rtf). end of do-file. do "C:\Users\obb\Dropbox\master i revisjon\høst 2013\metode\regnskapskvalitet > \dofiler\hyp 5_fixed.do". estimates clear. local controls1 STR VEKST2 GG DREV lnalder2 LAGER fixed*. local controls2 STR VEKST2 GG DREV lnalder2 LAGER.. local utv1 if ORH==0. * test av hypotese 5a. set more off. eststo pod03a: xtreg SP ETTER `controls1' `utv1', vce (cluster id) fe 83

90 Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 3.6 overall = max = 4 F(9,42007) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust SP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03b: xtreg EF_AKP ETTER `controls1' `utv1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 3.6 overall = max = 4 F(9,41960) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust EF_AKP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03c: xtreg SSI ETTER `controls1' `utv1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 3.6 overall = max = 4 F(9,42007) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust SSI Coef. Std. Err. t P> t [95% Conf. Interval] 84

91 ETTER STR VEKST GG DREV lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03d: xtreg SPER ETTER `controls1' `utv1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 3.6 overall = max = 4 F(9,41977) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust SPER Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03e: xtreg VEÅ ETTER `controls2' `utv1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 1.8 overall = max = 2 F(7,38567) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust VEÅ Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER _cons sigma_u sigma_e rho (fraction of variance due to u_i) 85

92 . eststo pod03f: xtreg STAP ETTER `controls1' `utv1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 3.6 overall = max = 4 F(9,42007) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust STAP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i).. esttab pod03? using Hypotese_5a_fixed.rtf, replace ar2 star (* 0.1 ** 0.05 > *** 0.01) /// > par order(etter ) b(3) nogaps compress drop (fixed*) /// > title("rev_str " ) /// > addnotes("tabellen viser regresjonsresultatene som fremkommer når tes > tene kjøres på utvalg av selskaper ORH1=0" ) (output written to Hypotese_5a_fixed.rtf).. local utv1 if ORH==1. * test av hypotese 5b.. set more off. eststo pod03a: xtreg SP ETTER `controls1' `utv1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 2.0 overall = max = 4 F(9,10892) = 9.03 corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust SP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER fixed fixed _cons sigma_u sigma_e

93 rho (fraction of variance due to u_i). eststo pod03b: xtreg EF_AKP ETTER `controls1' `utv1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 1.9 overall = max = 4 F(9,10657) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust EF_AKP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03c: xtreg SSI ETTER `controls1' `utv1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 2.0 overall = max = 4 F(9,10892) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust SSI Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03d: xtreg SPER ETTER `controls1' `utv1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 2.0 overall = max = 4 F(9,10884) = 5.39 corr(u_i, Xb) = Prob > F =

94 (Std. Err. adjusted for clusters in id) Robust SPER Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER fixed fixed _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03e: xtreg VEÅ ETTER `controls2' `utv1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = 9549 Group variable: id Number of groups = 6909 R-sq: within = Obs per group: min = 1 between = avg = 1.4 overall = max = 2 F(7,6908) = 7.42 corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for 6909 clusters in id) Robust VEÅ Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER _cons sigma_u sigma_e rho (fraction of variance due to u_i). eststo pod03f: xtreg STAP ETTER `controls1' `utv1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = Group variable: id Number of groups = R-sq: within = Obs per group: min = 1 between = avg = 2.0 overall = max = 4 F(9,10892) = corr(u_i, Xb) = Prob > F = (Std. Err. adjusted for clusters in id) Robust STAP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER STR VEKST GG DREV lnalder LAGER fixed fixed _cons

95 sigma_u sigma_e rho (fraction of variance due to u_i).. esttab pod03? using Hypotese_5a_fixed.rtf, append ar2 star (* 0.1 ** 0.05 * > ** 0.01) /// > par order(etter ) b(3) nogaps compress drop (fixed*) /// > title("rev_str 10% mest betalt i forhold til totkap" ) /// > addnotes("tabellen viser regresjonsresultatene som fremkommer når tes > tene kjøres på utvalg av selskaper ORH1=1?" ) (output written to Hypotese_5a_fixed.rtf).... end of do-file. log close name: <unnamed> log: C:\Users\obb\Dropbox\master i revisjon\høst 2013\metode\regnskapsk > valitet\endelige loggfiler\vedlegg logg fil.smcl log type: smcl closed on: 28 Aug 2014, 14:21:29-89

96 Vedlegg 3 Robusttest resultater Tabell Hypotese1 : *robust annen definisjon på periodisering (1) (2) (3) (4) SP2 EF_AKP2 SPER2 VEÅ2 ETTER *** *** ** (2.92) (7.94) (2.43) (1.37) STR *** *** *** *** (6.18) (18.17) (8.46) (-7.45) VEKST *** *** *** *** (-31.99) (-36.79) (-11.97) (12.79) GG *** *** *** *** (-9.57) (-13.20) (28.29) (4.35) DREV ** (-2.52) (-1.54) (-0.41) (-0.24) lnalder *** ** (7.04) (0.28) (0.74) (-2.57) LAGER *** *** *** (1.26) (5.36) (-6.59) (-3.60) _cons *** *** *** *** (-11.01) (-20.05) (-11.16) (8.38) N adj. R t statistics in parentheses * p < 0.1, ** p < 0.05, *** p < 0.01 Tabell Hypotese 1: *robust skalering med UB (STAP med IB) (1) (2) (3) (4) (5) SP3 EF_AKP3 SSI3 VEÅ3 STAP2 ETTER *** *** *** (0.07) (9.20) (-8.32) (0.44) (7.33) STR *** *** *** *** *** (10.63) (18.73) (11.33) (-15.57) (-18.62) VEKST *** *** * (-1.37) (-0.81) (6.99) (3.32) (1.68) GG *** *** *** *** *** (-9.15) (-18.78) (-3.88) (8.46) (46.18) DREV * (-1.73) (-1.51) (-1.00) (-0.06) (0.80) lnalder ** (1.60) (-0.80) (2.28) (0.90) (-0.10) LAGER *** *** *** *** ** (3.54) (5.96) (8.78) (-3.63) (-2.16) _cons *** *** *** *** *** (-14.76) (-20.60) (-15.22) (15.63) (14.64) N adj. R t statistics in parentheses * p < 0.1, ** p < 0.05, *** p <

97 Tabell Hypotese 1: Med annen definisjon av modell 1 (1) (2) SP4 SP_umatched4 ETTER (0.27) (-1.11) STR *** *** (11.05) (12.89) VEKST *** (-1.47) (3.69) GG *** *** (-9.16) (-12.15) DREV * (-1.84) (-1.43) lnalder * *** (1.85) (2.78) LAGER *** *** (3.50) (4.06) _cons *** *** (-15.24) (-16.64) N adj. R t statistics in parentheses * p < 0.1, ** p < 0.05, *** p <

98 Tabell Hypotese 3a: robust skalering med UB (STAP med IB) (1) (2) (3) (4) (5) SP3 EF_AKP3 SSI3 VEÅ3 STAP2 ETTER *** *** *** (-1.19) (6.78) (-6.61) (0.20) (6.10) STR *** *** *** *** *** (8.06) (15.68) (8.47) (-13.56) (-14.91) VEKST *** *** ** (-0.62) (0.48) (5.52) (2.96) (-2.40) GG *** *** *** *** *** (-7.61) (-15.02) (-2.72) (6.19) (38.00) lnalder (1.12) (-1.60) (1.13) (1.01) (0.35) LAGER *** *** *** *** (2.90) (4.22) (7.63) (-2.96) (-0.83) _cons *** *** *** *** *** (-11.16) (-17.04) (-11.46) (13.36) (11.17) N adj. R t statistics in parentheses * p < 0.1, ** p < 0.05, *** p < 0.01 Tabell Hypotese 3a: annen definisjon på periodisering (1) (2) (3) (4) SP2 EF_AKP2 SPER2 VEÅ2 ETTER * *** * (1.74) (5.25) (1.79) (1.15) STR *** *** *** *** (4.49) (15.02) (7.94) (-6.11) VEKST *** *** *** *** (-24.29) (-28.58) (-10.66) (10.05) GG *** *** *** *** (-7.26) (-10.14) (24.21) (2.95) lnalder *** * (5.10) (-0.53) (1.05) (-1.85) LAGER * *** *** *** (1.66) (3.84) (-5.20) (-3.73) _cons *** *** *** *** (-8.26) (-16.50) (-10.62) (6.83) N adj. R t statistics in parentheses * p < 0.1, ** p < 0.05, *** p <

99 Tabell Hypotese 3b: robust skalering med UB (STAP med IB) (1) (2) (3) (4) (5) SP3 EF_AKP3 SSI3 VEÅ3 STAP2 ETTER *** *** *** (1.13) (5.95) (-5.14) (0.40) (3.90) STR *** *** *** *** *** (6.76) (10.78) (7.02) (-8.38) (-11.41) VEKST * * *** * *** (-1.81) (-1.95) (3.70) (1.74) (4.40) GG *** *** *** *** *** (-4.77) (-10.65) (-2.84) (4.67) (26.06) lnalder ** (1.40) (0.64) (2.26) (-0.03) (0.08) LAGER * *** *** ** ** (1.66) (3.57) (4.12) (-2.05) (-2.05) _cons *** *** *** *** *** (-9.47) (-12.02) (-9.33) (8.61) (9.30) N adj. R t statistics in parentheses * p < 0.1, ** p < 0.05, *** p < 0.01 Tabell Hypotese 3b: annen definisjon på periodisering (1) (2) (3) (4) SP2 EF_AKP2 SPER2 VEÅ2 ETTER *** *** (2.68) (5.67) (0.84) (0.73) STR *** *** *** *** (3.80) (10.30) (2.95) (-4.19) VEKST *** *** *** *** (-19.93) (-22.00) (-5.61) (7.19) GG *** *** *** ** (-5.74) (-7.61) (15.15) (2.48) lnalder *** ** (4.27) (1.44) (0.35) (-2.26) LAGER *** *** (0.16) (3.37) (-3.54) (-1.44) _cons *** *** *** *** (-6.72) (-11.60) (-4.17) (4.85) N adj. R t statistics in parentheses * p < 0.1, ** p < 0.05, *** p <

100 Tabell Hypotese 4a: robust skalering med UB (STAP med IB) (1) (2) (3) (4) (5) SP3 EF_AKP3 SSI3 VEÅ3 STAP2 ETTER *** *** *** (-0.21) (7.78) (-7.59) (.) (7.19) STR *** *** *** *** *** (9.88) (17.82) (10.43) (-15.51) (-17.95) VEKST *** *** (-1.58) (-1.24) (6.95) (3.00) (0.37) GG *** *** *** *** *** (-8.96) (-17.86) (-3.35) (7.91) (44.78) DREV * (-1.45) (-1.77) (-0.86) (0.16) (0.25) lnalder ** ** (2.02) (-0.91) (1.98) (1.00) (-0.41) LAGER *** *** *** *** ** (2.68) (5.34) (8.55) (-3.43) (-2.43) _cons *** *** *** *** *** (-13.79) (-19.49) (-13.91) (15.34) (14.32) N adj. R t statistics in parentheses * p < 0.1, ** p < 0.05, *** p < 0.01 Tabell Hypotese 4a: annen definisjon på periodisering (1) (2) (3) (4) SP2 EF_AKP2 SPER2 VEÅ2 ETTER *** *** ** (2.86) (6.55) (2.20) (.) STR *** *** *** *** (5.72) (16.97) (9.07) (-7.34) VEKST *** *** *** *** (-30.14) (-34.12) (-11.80) (11.90) GG *** *** *** *** (-9.18) (-12.49) (26.73) (3.86) DREV * * (-1.76) (-1.68) (-0.69) (0.08) lnalder *** * (6.93) (-0.08) (0.30) (-1.95) LAGER *** *** *** (0.66) (4.61) (-5.84) (-3.51) _cons *** *** *** *** (-10.36) (-18.70) (-11.45) (8.04) N adj. R t statistics in parentheses * p < 0.1, ** p < 0.05, *** p <

101 Tabell Hypotese 4b: robust skalering med UB (STAP med IB) (1) (2) (3) (4) (5) SP3 EF_AKP3 SSI3 VEÅ3 STAP2 ETTER *** *** (0.57) (4.85) (-3.86) (-0.68) (0.10) STR ** *** *** *** *** (2.03) (5.16) (4.94) (-4.70) (-4.18) VEKST *** (1.48) (0.76) (-0.06) (1.38) (3.84) GG * *** ** *** (-1.87) (-5.16) (-1.34) (2.44) (9.09) DREV ** (-0.86) (-0.11) (0.85) (-0.80) (2.43) lnalder ** * (-0.13) (0.87) (2.45) (0.05) (1.93) LAGER *** * ** (2.67) (1.84) (2.22) (0.03) (0.99) _cons *** *** *** *** *** (-2.99) (-5.74) (-6.67) (5.00) (2.62) N adj. R t statistics in parentheses * p < 0.1, ** p < 0.05, *** p < 0.01 Tabell Hypotese 4b: annen definisjon på periodisering (1) (2) (3) (4) SP2 EF_AKP2 SPER2 VEÅ2 ETTER *** (1.15) (4.77) (0.56) (0.25) STR ** *** (2.57) (5.33) (0.44) (-1.59) VEKST *** *** ** *** (-9.68) (-12.22) (-2.56) (4.03) GG ** *** *** (-2.54) (-3.62) (9.07) (1.26) DREV ** (-2.06) (-0.40) (0.76) (-0.65) lnalder * (0.08) (1.23) (1.95) (-1.51) LAGER *** *** * (2.85) (2.83) (-1.73) (-0.37) _cons *** *** ** ** (-3.29) (-5.92) (-2.07) (2.20) N adj. R t statistics in parentheses * p < 0.1, ** p < 0.05, *** p <

102 Tabell Hypotese 5a: robust skalering med UB (STAP med IB) (1) (2) (3) (4) (5) SP3 EF_AKP3 SSI3 VEÅ3 STAP2 ETTER *** *** *** (0.26) (9.66) (-7.73) (-1.58) (7.91) STR *** *** *** *** *** (7.37) (12.78) (7.73) (-11.18) (-16.28) VEKST ** *** *** (-2.25) (-1.19) (5.40) (1.02) (5.45) GG *** *** *** *** *** (-6.27) (-10.45) (-4.34) (3.99) (32.11) DREV (-1.49) (-1.00) (-0.46) (-0.47) (-0.03) lnalder * * (1.75) (-0.22) (1.94) (0.73) (-0.80) LAGER *** *** *** ** ** (3.52) (5.61) (7.70) (-2.38) (-2.25) _cons *** *** *** *** *** (-11.19) (-15.06) (-10.99) (11.62) (13.84) N adj. R t statistics in parentheses * p < 0.1, ** p < 0.05, *** p < 0.01 Tabell Hypotese 5a: annen definisjon på periodisering (1) (2) (3) (4) SP2 EF_AKP2 SPER2 VEÅ2 ETTER *** *** (1.56) (8.21) (3.52) (-0.48) STR *** *** *** *** (3.91) (12.83) (4.44) (-3.45) VEKST *** *** *** *** (-30.32) (-34.11) (-11.63) (9.74) GG *** *** *** * (-7.02) (-5.73) (28.49) (1.69) DREV (-1.62) (-1.39) (-0.66) (-0.55) lnalder *** *** (7.21) (0.59) (0.49) (-3.32) LAGER *** *** *** (0.35) (4.42) (-5.85) (-2.79) _cons *** *** *** *** (-8.41) (-15.13) (-7.17) (4.76) N adj. R t statistics in parentheses * p < 0.1, ** p < 0.05, *** p <

103 Tabell Hypotese 5b: robust skalering med UB (STAP med IB) (1) (2) (3) (4) (5) SP3 EF_AKP3 SSI3 VEÅ3 STAP2 ETTER *** (1.02) (3.62) (-1.12) (-0.39) (1.21) STR *** *** *** *** (3.44) (7.10) (3.35) (-5.22) (-1.43) VEKST *** *** *** *** (3.85) (1.26) (5.26) (3.38) (-5.30) GG *** *** *** *** (-5.63) (-11.37) (-0.12) (4.12) (27.92) DREV (0.23) (0.08) (-0.93) (0.38) (0.61) lnalder (-0.92) (-0.93) (1.17) (-0.28) (-0.96) LAGER *** ** ** * (2.91) (2.32) (2.36) (-1.61) (-1.86) _cons *** *** *** *** (-4.16) (-6.89) (-4.81) (5.00) (-0.36) N adj. R t statistics in parentheses * p < 0.1, ** p < 0.05, *** p < 0.01 Tabell Hypotese 5b: annen definisjon på periodisering (1) (2) (3) (4) SP2 EF_AKP2 SPER2 VEÅ2 ETTER * *** (1.92) (3.38) (-0.59) (0.02) STR * *** *** *** (1.66) (7.72) (5.99) (-2.95) VEKST *** *** *** *** (-5.56) (-11.78) (-4.91) (6.20) GG *** *** *** *** (-4.13) (-9.77) (6.64) (2.68) DREV (0.21) (0.15) (-0.13) (0.21) lnalder (1.00) (-1.12) (0.21) (0.09) LAGER ** ** ** (2.02) (2.29) (-2.01) (-1.06) _cons *** *** *** *** (-2.83) (-7.49) (-6.50) (2.77) N adj. R t statistics in parentheses * p < 0.1, ** p < 0.05, *** p <

104 Vedlegg 4 OLS - forutsetninger Vedlegg 4.1 Normalfordelte residualer Normalfordelt residual til kontrollregresjon SP (1) Kernel density estimate Density e[id,t] kernel = epanechnikov, bandwidth = Kernel density estimate Normal density Normalfordelt residual til kontrollregresjon EF_AKP (2) Kernel density estimate Density e[id,t] kernel = epanechnikov, bandwidth = Kernel density estimate Normal density 98

105 Normalfordelt residual til kontrollregresjon SSI (3) Kernel density estimate Density e[id,t] kernel = epanechnikov, bandwidth = Kernel density estimate Normal density Normalfordelt residual til kontrollregresjon VEÅ (5) Kernel density estimate Density e[id,t] kernel = epanechnikov, bandwidth = Kernel density estimate Normal density 99

106 Normalfordelt residual til kontrollregresjon STAP (6) Kernel density estimate Density e[id,t] kernel = epanechnikov, bandwidth = Kernel density estimate Normal density Vedlegg 4.2 Homoskedaskiske residualer 100

107 101

108 102

Profil Lavpris Supermarked Hypermarked Totalt. Coop Prix 4 4. Coop Extra 13 5. Coop Mega 7 7. Coop Obs 5 13. Rimi 24 24. Ica Supermarked 7 7

Profil Lavpris Supermarked Hypermarked Totalt. Coop Prix 4 4. Coop Extra 13 5. Coop Mega 7 7. Coop Obs 5 13. Rimi 24 24. Ica Supermarked 7 7 Vedlegg 1 - Regresjonsanalyser 1 Innledning og formål (1) Konkurransetilsynet har i forbindelse med Vedtak 2015-24, (heretter "Vedtaket") utført kvantitative analyser på data fra kundeundersøkelsen. I

Detaljer

Innholdsoversikt DEL I REGNSKAPETS TEORETISKE FUNDAMENT DEL II GRUNNLAG FOR REGNSKAPSSTANDARDENE DEL III INNREGNING, MÅLING OG PRESENTASJON

Innholdsoversikt DEL I REGNSKAPETS TEORETISKE FUNDAMENT DEL II GRUNNLAG FOR REGNSKAPSSTANDARDENE DEL III INNREGNING, MÅLING OG PRESENTASJON Innholdsoversikt DEL I REGNSKAPETS TEORETISKE FUNDAMENT Kapittel 1 Regnskapet en kilde til økonomisk informasjon 19 Kapittel 2 Resultat- og balanseorientering 43 Kapittel 3 Regnskapsregulering teorigrunnlag

Detaljer

Utbyttegrunnlaget når selskapsregnskapet avlegges etter IFRS

Utbyttegrunnlaget når selskapsregnskapet avlegges etter IFRS Utbyttegrunnlaget når selskapsregnskapet avlegges etter IFRS Forfattere: Anne-Cathrine Bernhoft, Anfinn Fardal Publisert: 2/2007 - Høringsutkast til veiledning for fond for urealiserte gevinster Norsk

Detaljer

SENSORVEILEDNING FOR DEN KVANTITATIVE DELEN AV EKSAMENSOPPGAVEN I SOS1002 VÅREN 2007

SENSORVEILEDNING FOR DEN KVANTITATIVE DELEN AV EKSAMENSOPPGAVEN I SOS1002 VÅREN 2007 SENSORVEILEDNING FOR DEN KVANTITATIVE DELEN AV EKSAMENSOPPGAVEN I SOS1002 VÅREN 2007 Oppgave 1 Nedenfor ser du en forenklet tabell basert på informasjon fra den norske delen av European Social Survey 2004.

Detaljer

RS 701 Modifikasjoner i den uavhengige revisors beretning

RS 701 Modifikasjoner i den uavhengige revisors beretning RS 701 Side 1 RS 701 Modifikasjoner i den uavhengige revisors beretning (Gjelder for revisjonsberetninger datert 31. desember 2006 eller senere) Innhold Punkt Innledning 1-4 Forhold som ikke påvirker revisors

Detaljer

Utkast til høringsnotat om revisorlovens anvendelse på andre tjenester enn revisjon Finanstilsynet 4. november 2011

Utkast til høringsnotat om revisorlovens anvendelse på andre tjenester enn revisjon Finanstilsynet 4. november 2011 Utkast til høringsnotat om revisorlovens anvendelse på andre tjenester enn revisjon Finanstilsynet 4. november 2011 1. INNLEDNING Forslaget til endring av lov om revisjon og revisorer av 15. januar 1999

Detaljer

Eksamen i. MAT110 Statistikk 1

Eksamen i. MAT110 Statistikk 1 Avdeling for logistikk Eksamen i MAT110 Statistikk 1 Eksamensdag : Torsdag 28. mai 2015 Tid : 09:00 13:00 (4 timer) Faglærer/telefonnummer : Molde: Per Kristian Rekdal / 924 97 051 Kristiansund: Terje

Detaljer

Innhold. Grunnleggende regnskapsforståelse

Innhold. Grunnleggende regnskapsforståelse Innhold Del I Grunnleggende regnskapsforståelse 1 Innledning... 11 1.1 Hva er et regnskap?...12 1.2 Oversikt over boka...14 2 Regnskap som et informasjonssystem... 17 2.1 Innledning...18 2.2 Økonomisk

Detaljer

Norsk RegnskapsStandard 1. Varer

Norsk RegnskapsStandard 1. Varer Norsk RegnskapsStandard 1 (Oktober 1992, revidert september 1998 og september 2009) 1. Innledning formål og virkeområde Denne standarden omhandler regnskapsmessig vurdering og spesifikasjon av varer. Hovedformålet

Detaljer

Oppgave 1. Det oppgis at dersom y ij er observasjon nummer j fra laboratorium i så er SSA = (y ij ȳ i ) 2 = 3.6080.

Oppgave 1. Det oppgis at dersom y ij er observasjon nummer j fra laboratorium i så er SSA = (y ij ȳ i ) 2 = 3.6080. EKSAMEN I: MOT310 STATISTISKE METODER 1 VARIGHET: 4 TIMER DATO: 28. FEBRUAR 2005 TILLATTE HJELPEMIDLER: KALKULATOR, TABELLER OG FORMLER I STATISTIKK (TAPIR FORLAG) OPPGAVESETTET BESTÅR AV 4 OPPGAVER PÅ

Detaljer

Generelt. Trond Kristoffersen. Regnskapsavleggelsen. Finansregnskap. Regulering av årsregnskapet. Regnskapsavleggelsen

Generelt. Trond Kristoffersen. Regnskapsavleggelsen. Finansregnskap. Regulering av årsregnskapet. Regnskapsavleggelsen Trond Kristoffersen Finansregnskap Regulering av årsregnskapet Regnskapsavleggelsen Bokføring og dokumentasjon av regnskapsopplysninger Regulert i bokføringsloven (lov av 19. november 2004) Regnskapsrapportering

Detaljer

Veiledning Revisors vurderinger av forsvarlig likviditet og forsvarlig egenkapital

Veiledning Revisors vurderinger av forsvarlig likviditet og forsvarlig egenkapital Veiledning Revisors vurderinger av forsvarlig likviditet og forsvarlig egenkapital Innledning Endringene i aksjeloven og allmennaksjeloven fra juli 2013 endret reglene for beregninger av utbytte. En viktig

Detaljer

Kontroller at oppgavesettet er komplett før du begynner å besvare spørsmålene. Ved sensuren teller alle delspørsmål likt.

Kontroller at oppgavesettet er komplett før du begynner å besvare spørsmålene. Ved sensuren teller alle delspørsmål likt. Eksamen i: MET040 Statistikk for økonomer Eksamensdag: 4 november 2008 Tid for eksamen: 09.00-13.00 Oppgavesettet er på 4 sider. Tillatte hjelpemidler: Alle trykte eller egenskrevne hjelpemidler og kalkulator.

Detaljer

Årsregnskapet - skatteregnskapet

Årsregnskapet - skatteregnskapet Årsregnskapet - skatteregnskapet Årsregnskapet: Bygger på regnskapslovgivningen og god regnskapsskikk (regnskapsstandarder mv.) Skatteregnskapet : Ikke et eget regnskap. Utgangspunktet er fortsatt årsregnskapets

Detaljer

Innhold. Grunnleggende regnskapsforståelse

Innhold. Grunnleggende regnskapsforståelse Innhold Del I Grunnleggende regnskapsforståelse 1 Innledning... 11 1.1 Hva er et regnskap?... 12 1.2 Oversikt over boka... 14 2 Regnskap som et informasjonssystem... 17 2.1 Innledning... 18 2.2 Økonomisk

Detaljer

Kristent Fellesskap i Bergen. Resultatregnskap

Kristent Fellesskap i Bergen. Resultatregnskap Resultatregnskap Driftsinntekter og driftskostnader NOTER 2014 2013 Menighetsinntekter 6 356 498 6 227 379 Stats-/kommunetilskudd 854 865 790 822 Leieinntekter 434 124 169 079 Sum driftsinntekter 7 645

Detaljer

ÅRSREGNSKAPET FOR REGNSKAPSÅRET 2013 - GENERELL INFORMASJON

ÅRSREGNSKAPET FOR REGNSKAPSÅRET 2013 - GENERELL INFORMASJON ÅRSREGNSKAPET FOR REGNSKAPSÅRET 2013 - GENERELL INFORMASJON Enheten Organisasjonsnummer: 994 080 563 Organisasjonsform: Aksjeselskap Foretaksnavn: MARKEVEIEN 4A AS Forretningsadresse: Skuteviksbodene 22

Detaljer

Verdi og resultat. Metode for analyse av regnskapet. Vurderingsfeil Klassifiseringsfeil Periodiseringsfeil Kreativ regnskapsføring

Verdi og resultat. Metode for analyse av regnskapet. Vurderingsfeil Klassifiseringsfeil Periodiseringsfeil Kreativ regnskapsføring Metode for analyse av regnskapet Tilgjengelig informasjon Redigering, gruppering og korrigering Beregning av nøkkeltall og kontantstrømanalyser Analyse av Rentabilitet Likviditet Finansiering Soliditet

Detaljer

I Metodistkirken i Norge Fredrikstad Menighet I

I Metodistkirken i Norge Fredrikstad Menighet I I Metodistkirken i Norge Fredrikstad Menighet I Årsberetning 013- Finanskomiteen Rettvisende oversikt over utvikling og resultat Menighetens totale inntekter har gått marginalt opp i 013 sammenlignet med

Detaljer

Oversikt. Trond Kristoffersen. Oversikt. Oppgave. Finansregnskap. Regnskapsanalyse (del 2) Regnskapsanalyse

Oversikt. Trond Kristoffersen. Oversikt. Oppgave. Finansregnskap. Regnskapsanalyse (del 2) Regnskapsanalyse Oversikt Trond Kristoffersen Finansregnskap Regnskapsanalyse (del 2) Grunnleggende regnskapsanalyse Regnskapsanalyse Kritisk gjennomgang av regnskapstallene Kreativ regnskapsrapportering Gruppering for

Detaljer

Kontroller at oppgavesettet er komplett før du begynner å besvare spørsmålene. Ved sensuren teller alle delspørsmål likt.

Kontroller at oppgavesettet er komplett før du begynner å besvare spørsmålene. Ved sensuren teller alle delspørsmål likt. Eksamen i: MET040 Statistikk for økonomer Eksamensdag: 4. juni 2008 Tid for eksamen: 09.00-13.00 Oppgavesettet er på 5 sider. Tillatte hjelpemidler: Alle trykte eller egenskrevne hjelpemidler og kalkulator.

Detaljer

ÅRSREGNSKAPET FOR REGNSKAPSÅRET 2013 - GENERELL INFORMASJON

ÅRSREGNSKAPET FOR REGNSKAPSÅRET 2013 - GENERELL INFORMASJON ÅRSREGNSKAPET FOR REGNSKAPSÅRET 2013 - GENERELL INFORMASJON Enheten Organisasjonsnummer: 953 323 141 Organisasjonsform: Aksjeselskap Foretaksnavn: FRØSETH AS Forretningsadresse: Ravlovegen 144 7657 VERDAL

Detaljer

Oslo Fallskjermklubb. Årsrapport for 2014. Årsberetning. Årsregnskap - Resultatregnskap - Balanse - Noter. Revisjonsberetning

Oslo Fallskjermklubb. Årsrapport for 2014. Årsberetning. Årsregnskap - Resultatregnskap - Balanse - Noter. Revisjonsberetning Årsrapport for 2014 Årsberetning Årsregnskap - Resultatregnskap - Balanse - Noter Revisjonsberetning Resultatregnskap Note 2014 2013 Driftsinntekter Salgsinntekt 5 330 506 5 968 939 Annen driftsinntekt

Detaljer

Norsk RegnskapsStandard 3. Hendelser etter balansedagen

Norsk RegnskapsStandard 3. Hendelser etter balansedagen Norsk RegnskapsStandard 3 (Oktober 1992, revidert november 2000, november 2003, august 2007, juni 2008 1 og januar 2014) Virkeområde 1. Denne standarden beskriver hvordan hendelser etter balansedagen skal

Detaljer

Proff? Forvalt har konsesjon til å utgi kredittinformasjon og er distributør av verdiøkt informasjon fra blant annet Brønnøysundregistrene.

Proff? Forvalt har konsesjon til å utgi kredittinformasjon og er distributør av verdiøkt informasjon fra blant annet Brønnøysundregistrene. Full firmarapport 08.10.2013 PIPEREP AS Forretningsadresse Myrvangvegen 10, 2040 KLØFTA Organisasjonsnr 996707695 MVA Status Aktivt Innhold 1. Firmainformasjon 2. Roller og nettverk 3. Regnskapstall 4.

Detaljer

Detaljerte forklaringer av begreper og metoder.

Detaljerte forklaringer av begreper og metoder. Appendiks til Ingar Holme, Serena Tonstad. Risikofaktorer og dødelighet oppfølging av Oslo-undersøkelsen fra 1972-73. Tidsskr Nor Legeforen 2011; 131: 456 60. Dette appendikset er et tillegg til artikkelen

Detaljer

HØGSKOLEN I STAVANGER

HØGSKOLEN I STAVANGER EKSAMEN I: MOT310 STATISTISKE METODER 1 VARIGHET: 4 TIMER DATO: 25. NOVEMBER 2003 TILLATTE HJELPEMIDLER: KALKULATOR, TABELLER OG FORMLER I STATISTIKK (TAPIR FORLAG) OPPGAVESETTET BESTÅR AV 3 OPPGAVER PÅ

Detaljer

3.A IKKE-STASJONARITET

3.A IKKE-STASJONARITET Norwegian Business School 3.A IKKE-STASJONARITET BST 1612 ANVENDT MAKROØKONOMI MODUL 5 Foreleser: Drago Bergholt E-post: Drago.Bergholt@bi.no 11. november 2011 OVERSIKT - Ikke-stasjonære tidsserier - Trendstasjonaritet

Detaljer

Helse Førde HF. Oppsummering av revisjonen for 2009. Styremøte 25. mars 2010

Helse Førde HF. Oppsummering av revisjonen for 2009. Styremøte 25. mars 2010 Helse Førde HF Styremøte 25. mars 2010 Ernst & Young AS Thormøhlens gate 53 D P.O. Box 6163 Postterminalen NO-5892 Bergen Tel: +47 55 21 30 00 Fax: +47 55 21 30 01 www.ey.no Bergen, 17. mars 2010 Til styre

Detaljer

Accel Økonomiforståelse for ikke-økonomer 9. oktober 2014

Accel Økonomiforståelse for ikke-økonomer 9. oktober 2014 Accel Økonomiforståelse for ikke-økonomer 9. oktober 2014 Partner og Statsautorisert revisor Nina Straume Stene Statsautorisert revisor og Partner i KPMG Mulighetenes selskap Vi skaper verdi av kunnskap

Detaljer

7.2 Sammenligning av to forventinger

7.2 Sammenligning av to forventinger 7.2 Sammenligning av to forventinger To-utvalgs z-observator To-utvalgs t-prosedyrer To-utvalgs t-tester To-utvalgs t-konfidensintervall Robusthet To-utvalgs t-prosedyrerår variansene er like Sammenlikning

Detaljer

Dette medfører at aktiverte utviklingskostnader pr 31.12.2004 reduseres med TNOK 900 som kostnadsføres

Dette medfører at aktiverte utviklingskostnader pr 31.12.2004 reduseres med TNOK 900 som kostnadsføres IFRS Innhold Overgangen til IFRS i konsernregnskapet til PSI Group ASA... 3 IFRS-Resultat... 4 IFRS-Balanse...5 IFRS-Delårsrapporter... 6 IFRS - EK-avstemming... 7 2 PSI Group ASA IFRS IFRS Overgangen

Detaljer

ÅRSREGNSKAPET FOR REGNSKAPSÅRET GENERELL INFORMASJON

ÅRSREGNSKAPET FOR REGNSKAPSÅRET GENERELL INFORMASJON ÅRSREGNSKAPET FOR REGNSKAPSÅRET 2013 - GENERELL INFORMASJON Enheten Organisasjonsnummer: 974 526 441 Organisasjonsform: Aksjeselskap Foretaksnavn: NORDIC HALIBUT AS Forretningsadresse: Strandgaten 223

Detaljer

ÅRSREGNSKAPET FOR REGNSKAPSÅRET 2011 - GENERELL INFORMASJON

ÅRSREGNSKAPET FOR REGNSKAPSÅRET 2011 - GENERELL INFORMASJON ÅRSREGNSKAPET FOR REGNSKAPSÅRET 2011 - GENERELL INFORMASJON Enheten Organisasjonsnummer: 992 709 952 Organisasjonsform: Aksjeselskap Foretaksnavn: REGINA FISK AS Forretningsadresse: 9450 HAMNVIK Regnskapsår

Detaljer

Lov om regnskapsplikt. Ny regnskapslov

Lov om regnskapsplikt. Ny regnskapslov Lov om regnskapsplikt Ny regnskapslov Målsettinger med lovendring Gjennomføre EUs regnskapsdirektiv Tilpasning til internasjonale regnskapsregler (IFRS) Noen forenklinger for de minste selskapene, men

Detaljer

Årsoppgjør 2013 for. Ibestad Vassverk SA. Foretaksnr. 954225267

Årsoppgjør 2013 for. Ibestad Vassverk SA. Foretaksnr. 954225267 Årsoppgjør 2013 for Ibestad Vassverk SA Foretaksnr. 954225267 Resultatregnskap Note 2013 2012 DRIFTSINNTEKTER OG DRIFTSKOSTNADER Driftsinntekter Salgsinntekt 1 988 995 1 707 703 Annen driftsinntekt 51

Detaljer

SA 3801 Revisors kontroll av og rapportering om grunnlag for skatter og avgifter

SA 3801 Revisors kontroll av og rapportering om grunnlag for skatter og avgifter SA 3801 Revisors kontroll av og rapportering om grunnlag for skatter og avgifter (Vedtatt av DnRs styre 4. desember 2007 med virkning for attestasjon av ligningspapirer for perioder som begynner 1. januar

Detaljer

Kontroll av bremser på tyngre kjøretøy ved teknisk utekontroll

Kontroll av bremser på tyngre kjøretøy ved teknisk utekontroll Sammendrag: TØI-rapport 701/2004 Forfatter(e): Per G Karlsen Oslo 2004, 52 sider Kontroll av bremser på tyngre kjøretøy ved teknisk utekontroll Med hensyn på trafikksikkerhet er det viktig at kjøretøy

Detaljer

årsrapport 2014 ÅRSREGNSKAP 2014

årsrapport 2014 ÅRSREGNSKAP 2014 ÅRSREGNSKAP Årsregnskap 51 RESULTATREGNSKAP, RESULTAT PR. AKSJE OG TOTALRESULTAT Resultatregnskapet presenterer inntekter og kostnader for de selskapene som konsolideres i konsernet, og måler periodens

Detaljer

Sendes til klienter og forretningsforbindelser hos

Sendes til klienter og forretningsforbindelser hos Informasjon fra Revisor nr 1/2011 Sendes til klienter og forretningsforbindelser hos Revisorkompaniet Tromsø AS www.revisorkompaniet.no Innhold: Diverse frister 2011: Frister for endringer til Foretaksregisteret

Detaljer

6.2 Signifikanstester

6.2 Signifikanstester 6.2 Signifikanstester Konfidensintervaller er nyttige når vi ønsker å estimere en populasjonsparameter Signifikanstester er nyttige dersom vi ønsker å teste en hypotese om en parameter i en populasjon

Detaljer

Fra: Lokaldemokrati og kommuneøkonomi 26.06.2015

Fra: Lokaldemokrati og kommuneøkonomi 26.06.2015 Fra: Lokaldemokrati og kommuneøkonomi 26.06.2015 Kommunenes gjeldsbelastning og økonomisk Kommunene har hatt en betydelig gjeldsvekst i de senere årene. Kommunenes konsernregnskapstall 1 for 2014 viser

Detaljer

Utvikling av ulykkesmodeller for ulykker på riks- og fylkesvegnettet i Norge

Utvikling av ulykkesmodeller for ulykker på riks- og fylkesvegnettet i Norge Sammendrag: Utvikling av ulykkesmodeller for ulykker på riks- og fylkesvegnettet i Norge TØI rapport 1323/2014 Forfatter: Alena Høye Oslo 2014 45 sider Ulykkesmodeller er utviklet for riks- og fylkesvegnettet

Detaljer

Rapport etter dokumentbasert tilsyn med revisorer og revisjonsselskaper

Rapport etter dokumentbasert tilsyn med revisorer og revisjonsselskaper Rapport etter dokumentbasert tilsyn med revisorer og revisjonsselskaper DATO: 17.03.2015 SEKSJON FOR REVISJON OG REGNSKAPSFØRING Innhold I INNLEDNING OG OPPSUMMERING 3 1.1 DOKUMENTBASERT TILSYN MED REVISORER

Detaljer

TNOK 2012 2013 12 13 2014 13 14 Totale inntekter 20,591 24,038 41,904. Driftsresultat 80 276 3,608. Årsresultat (e.sk.

TNOK 2012 2013 12 13 2014 13 14 Totale inntekter 20,591 24,038 41,904. Driftsresultat 80 276 3,608. Årsresultat (e.sk. SELSKAPSINFORMASJON DEMOBEDRIFTEN AS Organisasjonsnr. 123454321 Telefon Selskapsnavn DEMOBEDRIFTEN AS NACE 81 Adresse Adresse50 NACE beskrivelse Beplantning av hager og parkanlegg Postnr 2332 Antall ansatte

Detaljer

Evaluering av 16-årsgrense for øvelseskjøring med personbil. Ulykkesrisiko etter førerprøven

Evaluering av 16-årsgrense for øvelseskjøring med personbil. Ulykkesrisiko etter førerprøven TØI rapport 498/2000 Forfatter: Fridulv Sagberg Oslo 2000, 45 sider Sammendrag: Evaluering av 16-årsgrense for øvelseskjøring med personbil. Ulykkesrisiko etter førerprøven Aldersgrensen for øvelseskjøring

Detaljer

PIPEREP AS. Innhold. Full firmarapport 11.07.2014. Forretningsadresse Myrvangvegen 10, 2040 KLØFTA Organisasjonsnr 912185141 MVA

PIPEREP AS. Innhold. Full firmarapport 11.07.2014. Forretningsadresse Myrvangvegen 10, 2040 KLØFTA Organisasjonsnr 912185141 MVA Full firmarapport 11.07.2014 PIPEREP AS Forretningsadresse Myrvangvegen 10, 2040 KLØFTA Organisasjonsnr 912185141 MVA Status Aktivt Innhold 1. Firmainformasjon 2. Roller og nettverk 3. Regnskapstall 4.

Detaljer

630.book Page 7 Wednesday, April 23, 2008 3:34 PM. Innhold

630.book Page 7 Wednesday, April 23, 2008 3:34 PM. Innhold 630.book Page 7 Wednesday, April 23, 2008 3:34 PM Innhold DEL I HISTORISK UTVIKLING AV REGNSKAPSFØRING Kapittel 1 Innledning.................................................................... 15 1.1 Kort

Detaljer

Generelt om finansregnskapet

Generelt om finansregnskapet Metode for analyse av regnskapet Tilgjengelig informasjon Redigering og korrigering Beregning av nøkkeltall og kontantstrømanalyser Analyse av Rentabilitet Likviditet Finansiering Soliditet Konklusjon

Detaljer

Oppgave 1. T = 9 Hypotesetest for å teste om kolesterolnivået har endret seg etter dietten: T observert = 2.16 0

Oppgave 1. T = 9 Hypotesetest for å teste om kolesterolnivået har endret seg etter dietten: T observert = 2.16 0 Løsningsforslag til eksamen i MOT310 STATISTISKE METODER 1 VARIGHET: 4 TIMER DATO: 08. mai 2008 TILLATTE HJELPEMIDLER: Kalkulator: HP30S, Casio FX82 eller TI-30 Tabeller og formler i statistikk (Tapir

Detaljer

Strategisk økonomistyring HRS 6001

Strategisk økonomistyring HRS 6001 Strategisk økonomistyring HRS 6001 2. forelesning Strategisk kostnadsanalyse SCA Tor Tangenes / BI Sandvika / V03 tor.tangenes@bi.no 1 Hva var strategisk økonomistyring igjen? Strategic cost management

Detaljer

Inntektsrevisjon og virksomhetsforståelse

Inntektsrevisjon og virksomhetsforståelse Fellesrapport Inntektsrevisjon og virksomhetsforståelse Tematilsyn 2012 DATO: 22. mars 2013 SEKSJON/AVDELING: TILSYN MED REVISORER OG REGNSKAPSFØRERE/ AVDELING FOR REGNSKAPS- OG REVISORTILSYN 2 Finanstilsynet

Detaljer

MASTER I IDRETTSVITENSKAP 2014/2016. Individuell skriftlig eksamen. STA 400- Statistikk. Fredag 13. mars 2015 kl. 10.00-12.00

MASTER I IDRETTSVITENSKAP 2014/2016. Individuell skriftlig eksamen. STA 400- Statistikk. Fredag 13. mars 2015 kl. 10.00-12.00 MASTER I IDRETTSVITENSKAP 2014/2016 Individuell skriftlig eksamen i STA 400- Statistikk Fredag 13. mars 2015 kl. 10.00-12.00 Hjelpemidler: kalkulator Eksamensoppgaven består av 10 sider inkludert forsiden

Detaljer

Høye skårer indikerer høye nivåer av selvkontroll.

Høye skårer indikerer høye nivåer av selvkontroll. Psykologisk institutt PSY2012 Forskningsmetodologi III: Statistisk analyse, design og måling Eksamen vår 2015 Skriftlig skoleeksamen tirsdag 19. mai, 09:00 (4 timer) Resultater publiseres 10. juni Kalkulator

Detaljer

ÅRSREGNSKAPET FOR REGNSKAPSÅRET 2013 - GENERELL INFORMASJON

ÅRSREGNSKAPET FOR REGNSKAPSÅRET 2013 - GENERELL INFORMASJON ÅRSREGNSKAPET FOR REGNSKAPSÅRET 2013 - GENERELL INFORMASJON Enheten Organisasjonsnummer: 997 858 476 Organisasjonsform: Aksjeselskap Foretaksnavn: INVESTORGRUPPEN AS Forretningsadresse: Skuteviksboder

Detaljer

Årsoppgjør 2014 for. Ibestad Vassverk SA. Foretaksnr

Årsoppgjør 2014 for. Ibestad Vassverk SA. Foretaksnr Årsoppgjør 2014 for Ibestad Vassverk SA Foretaksnr. 954225267 Resultatregnskap Note 2014 2013 DRIFTSINNTEKTER OG DRIFTSKOSTNADER Driftsinntekter Salgsinntekt 2 373 563 1 988 995 Annen driftsinntekt 42

Detaljer

Økonomiforståelse for styremedlemmer Gronett 1. oktober 2013

Økonomiforståelse for styremedlemmer Gronett 1. oktober 2013 Økonomiforståelse for styremedlemmer Gronett 1. oktober 2013 Partner og Statsautorisert revisor Nina Straume Stene, KPMG Supervisor Marianne Lie, PwC Møteleder: Commercial review manager Therese B. Karlsen,

Detaljer

Appendiks 5 Forutsetninger for lineær regresjonsanalyse

Appendiks 5 Forutsetninger for lineær regresjonsanalyse Appendiks 5 Forutsetninger for lineær regresjonsanalyse Det er flere krav til årsaksslutninger i regresjonsanalyse. En naturlig forutsetning er tidsrekkefølge og i andre rekke spiller variabeltype inn.

Detaljer

Prøveeksamen i STK3100/4100 høsten 2011.

Prøveeksamen i STK3100/4100 høsten 2011. Prøveeksamen i STK3100/4100 høsten 2011. Oppgave 1 (a) Angi tetthet/punktsannsynlighet for eksponensielle klasser med og uten sprednings(dispersjons)ledd. Nevn alle fordelingsklassene du kjenner som kan

Detaljer

Rapport for 3. kvartal 2001

Rapport for 3. kvartal 2001 01 3. kvartal Rapport for 3. kvartal 2001 Etter et svakt andre kvartal har utviklingen for Expert Eilag ASA vært positiv i tredje kvartal. Både for kvartalet og for årets ni første måneder samlet er konsernets

Detaljer

Nr. 23/542 EØS-tillegget til Den europeiske unions tidende. KOMMISJONSFORORDNING (EF) nr. 1329/2006. av 8. september 2006

Nr. 23/542 EØS-tillegget til Den europeiske unions tidende. KOMMISJONSFORORDNING (EF) nr. 1329/2006. av 8. september 2006 Nr. 23/542 EØS-tillegget til Den europeiske unions tidende 6.5.2010 KOMMISJONSFORORDNING (EF) nr. 1329/2006 2010/EØS/23/70 av 8. september 2006 om endring av forordning (EF) nr. 1725/2003 om vedtakelse

Detaljer

Bedre bilist etter oppfriskningskurs? Evaluering av kurset Bilfører 65+

Bedre bilist etter oppfriskningskurs? Evaluering av kurset Bilfører 65+ Sammendrag: Bedre bilist etter oppfriskningskurs? Evaluering av kurset Bilfører 65+ TØI-rapport 841/2006 Forfatter: Pål Ulleberg Oslo 2006, 48 sider Effekten av kurset Bilfører 65+ ble evaluert blant bilførere

Detaljer

Følgende forutsetninger er lagt til grunn ved utarbeidelse av proforma tall i tilknytning til kjøp av 100% av aksjene i ID Comnet AS:

Følgende forutsetninger er lagt til grunn ved utarbeidelse av proforma tall i tilknytning til kjøp av 100% av aksjene i ID Comnet AS: Vedlegg 1: Proforma resultatregnskap og balanse Proforma tall presentert nedenfor er utarbeidet med utgangspunkt i reviderte årsregnskaper for Catch Communications ASA, BlueCom AS og ID Comnet AS for regnskapsåret

Detaljer

+ S2 Y ) 2. = 6.737 6 (avrundet nedover til nærmeste heltall) n Y 1

+ S2 Y ) 2. = 6.737 6 (avrundet nedover til nærmeste heltall) n Y 1 Løsningsforslag for: MOT10 STATISTISKE METODER 1 VARIGHET: 4 TIMER DATO: 6. november 007 TILLATTE HJELPEMIDLER: Kalkulator: HP0S, Casio FX8 eller TI-0 Tabeller og formler i statistikk (Tapir forlag) MERKNADER:

Detaljer

HØringsuttalelse- Implementering av EU-kommisjonens rekommandasjon 5. juni 2008 om begrensning av revisorers erstatningsansvar.

HØringsuttalelse- Implementering av EU-kommisjonens rekommandasjon 5. juni 2008 om begrensning av revisorers erstatningsansvar. HANDELSHØYSKOLEN Telefon 06600 www.bi.no Nydalsveien 37, 0484 Oslo Telefaks 21 04 80 00 info@bi.no Postadresse 0442 Oslo Studieinfo. tlf. 810 00 500 Org. nr. 971 22 8865 Det Kongelige Finansdepartement

Detaljer

Sammenhenger mellom bredden i aksjeeierskapet og aksjeavkastning?

Sammenhenger mellom bredden i aksjeeierskapet og aksjeavkastning? Sammenhenger mellom bredden i aksjeeierskapet og aksjeavkastning? Richard Priestley og Bernt Arne Ødegaard Handelshøyskolen BI April 2005 Oversikt over foredraget Empiriske spørsmål vi vil se på. Teoretisk

Detaljer

Analyse av forklaringer på variasjoner i selskapenes effektivitet - På oppdrag for DEFO og KS Bedrift

Analyse av forklaringer på variasjoner i selskapenes effektivitet - På oppdrag for DEFO og KS Bedrift Analyse av forklaringer på variasjoner i selskapenes effektivitet - På oppdrag for DEFO og KS Bedrift 18. mai 2015 Svein Sandbakken / Jørn Bugge / Linn Renée Naper / Helge Schroeder Innhold 1. Mandat og

Detaljer

Trond Kristoffersen. Regnskapsmodellen. Varige driftsmidler. Finansregnskap. Varige driftsmidler 4. Balansen. Egenkapital og gjeld.

Trond Kristoffersen. Regnskapsmodellen. Varige driftsmidler. Finansregnskap. Varige driftsmidler 4. Balansen. Egenkapital og gjeld. Trond Kristoffersen Finansregnskap Varige driftsmidler Eiendeler Anleggsmidler Immaterielle eiendeler Varige driftsmidler Finansielle anleggsmidler Omløpsmidler Varer Fordringer Investeringer Bankinnskudd

Detaljer

Trond Kristoffersen. Oversikt. Aksjeselskap. Finansregnskap. Balansen. Egenkapitalen, jf rskl. 6-2. Egenkapital og gjeld. Regnskapsføring av skatt 4

Trond Kristoffersen. Oversikt. Aksjeselskap. Finansregnskap. Balansen. Egenkapitalen, jf rskl. 6-2. Egenkapital og gjeld. Regnskapsføring av skatt 4 Trond Kristoffersen Finansregnskap Regnskapsføring av skatt Eiendeler Anleggsmidler Immaterielle eiendeler Varige driftsmidler Finansielle anleggsmidler Omløpsmidler Varer Fordringer Investeringer Bankinnskudd

Detaljer

år i 1 2 3 4 5 6 7 8 9 alder x i 37 38 39 40 41 42 43 44 45 tid y i 45.54 41.38 42.50 38.80 41.26 37.20 38.19 38.05 37.45 i=1 (x i x) 2 = 60, 9

år i 1 2 3 4 5 6 7 8 9 alder x i 37 38 39 40 41 42 43 44 45 tid y i 45.54 41.38 42.50 38.80 41.26 37.20 38.19 38.05 37.45 i=1 (x i x) 2 = 60, 9 TMA424 Statistikk Vår 214 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 11, blokk II Oppgave 1 Matlabkoden linearreg.m, tilgjengelig fra emnets hjemmeside, utfører

Detaljer

Dødelighet og avstander til akuttmedisinske tjenester - en eksplorerende analyse*

Dødelighet og avstander til akuttmedisinske tjenester - en eksplorerende analyse* og avstander til akuttmedisinske tjenester - en eksplorerende analyse* Nina Alexandersen og Terje P. Hagen Avdeling for helseledelse og helseøkonomi, Universitetet i Oslo Kommunikasjon: t.p.hagen@medisin.uio.no

Detaljer

MENTAL HELSE NORD TRØNDELAG 7713 STEINKJER

MENTAL HELSE NORD TRØNDELAG 7713 STEINKJER Årsregnskap for 2013 7713 STEINKJER Innhold Resultatregnskap Balanse Noter Årsberetning Revisjonsberetning Resultatregnskap for 2013 Note 2013 2012 Annen driftsinntekt Sum driftsinntekter Lønnskostnad

Detaljer

Hvordan påvirker adferden til de ulike aktørene prisene i finansmarkedene?

Hvordan påvirker adferden til de ulike aktørene prisene i finansmarkedene? Hvordan påvirker adferden til de ulike aktørene prisene i finansmarkedene? Finansmarkedsfondet ga i 2004 støtte til et prosjekt som skulle gi i ny innsikt i hvordan adferden til aktørene i finansmarkedene

Detaljer

ÅRSBERETNING 2013 NÆRINGSBYGG HOLDING I AS

ÅRSBERETNING 2013 NÆRINGSBYGG HOLDING I AS ÅRSBERETNING 2013 NÆRINGSBYGG HOLDING I AS Virksomhetens art har som formål å eie og drive eiendommer, enten direkte eller indirekte gjennom andre selskaper. Selskapet har forretningsadresse i Trondheim.

Detaljer

NOR/308R1263.00T OJ L 338/08, p. 25-30

NOR/308R1263.00T OJ L 338/08, p. 25-30 NOR/308R1263.00T OJ L 338/08, p. 25-30 COMMISSION REGULATION (EC) No 1263/2008 of 16 December 2008 amending Regulation (EC) No 1126/2008 adopting certain international accounting standards in accordance

Detaljer

SAMFUNNSANSVAR SETT FRA EKSTERN REVISORS STÅSTED

SAMFUNNSANSVAR SETT FRA EKSTERN REVISORS STÅSTED SAMFUNNSANSVAR SETT FRA EKSTERN REVISORS STÅSTED Per Hanstad, adm. direktør i Den Norske Revisorforening Den norske Revisorforening Vektlegge hva som er god foretaksrapportering Markedets forventninger

Detaljer

Årsregnskap. Rana Næringsforening. Org.nr.:975 746 828. Utarbeidet av MIP Regnskapsservice AS

Årsregnskap. Rana Næringsforening. Org.nr.:975 746 828. Utarbeidet av MIP Regnskapsservice AS Årsregnskap 2013 Rana Næringsforening Org.nr.:975 746 828 Utarbeidet av MIP Regnskapsservice AS Resultatregnskap Rana Næringsforening Driftsinntekter og driftskostnader Note 2013 2012 Salgsinntekt 0 2

Detaljer

Metode for analyse av regnskapet

Metode for analyse av regnskapet Metode for analyse av regnskapet Tilgjengelig informasjon Redigering, gruppering og korrigering Analyse av Rentabilitet Likviditet Finansiering Soliditet Beregning av nøkkeltall og kontantstrømanalyser

Detaljer

ÅRSREGNSKAPET FOR REGNSKAPSÅRET 2011 - GENERELL INFORMASJON

ÅRSREGNSKAPET FOR REGNSKAPSÅRET 2011 - GENERELL INFORMASJON ÅRSREGNSKAPET FOR REGNSKAPSÅRET 2011 - GENERELL INFORMASJON Enheten Organisasjonsnummer: 991 295 046 Organisasjonsform: Aksjeselskap Foretaksnavn: MERSEY AS Forretningsadresse: Knudsmyr 19 4625 FLEKKERØY

Detaljer

ÅRSREGNSKAPET FOR REGNSKAPSÅRET 2012 - GENERELL INFORMASJON

ÅRSREGNSKAPET FOR REGNSKAPSÅRET 2012 - GENERELL INFORMASJON ÅRSREGNSKAPET FOR REGNSKAPSÅRET 2012 - GENERELL INFORMASJON Enheten Organisasjonsnummer: 997 858 476 Organisasjonsform: Aksjeselskap Foretaksnavn: INVESTORGRUPPEN AS Forretningsadresse: Skuteviksboder

Detaljer

Kvalitetskontrollen av revisorer 2014

Kvalitetskontrollen av revisorer 2014 Kvalitetskontrollen av revisorer 2014 Artikkelen er forfattet av: Statsautorisert revisor Barbro Bruu Revisorgruppen Mæland & Østbye Tidligere fagsjef kvalitetssikring, Revisorforeningen. Resultater fra

Detaljer

Eksamensoppgave i SØK2900 Empirisk metode

Eksamensoppgave i SØK2900 Empirisk metode Institutt for samfunnsøkonomi Eksamensoppgave i SØK2900 Empirisk metode Faglig kontakt under eksamen: Bjarne Strøm Tlf.: 73 59 19 33 Eksamensdato: 4. juni 2014 Eksamenstid: 4 timer Sensurdato: 26. juni

Detaljer

Driftsinntekter Annen driftsinntekt 6 671 330 7 274 478

Driftsinntekter Annen driftsinntekt 6 671 330 7 274 478 Resultatregnskap Driftsinntekter Annen driftsinntekt 6 671 330 7 274 478 Driftskostnader Lønnskostnad 2 1 145 859 820 020 Annen driftskostnad 6 021 961 7 011 190 Sum driftskostnader 7 167 820 7 831 210

Detaljer

Masteroppgave ved Handelshøyskolen BI

Masteroppgave ved Handelshøyskolen BI Jan Thore Guren André Moe Bakke Masteroppgave ved Handelshøyskolen BI - Avdekker revisor risiko som gjør at aksjeselskap ikke kan avlegge årsregnskap i samsvar med forutsetning om fortsatt drift? - GRA

Detaljer

PROSJEKTOPPGAVE. (våren 2008) Fag: STATISTIKK OG ØKONOMI (ITD20106) 2. klasse dataingeniører. Tidsfrister: Utdelt: fredag 4. april.

PROSJEKTOPPGAVE. (våren 2008) Fag: STATISTIKK OG ØKONOMI (ITD20106) 2. klasse dataingeniører. Tidsfrister: Utdelt: fredag 4. april. Avdeling for informasjonsteknologi Remmen, Halden Høgskolen i Østfold Fag: STATISTIKK OG ØKONOMI (ITD20106) 2. klasse dataingeniører PROSJEKTOPPGAVE (våren 2008) Tidsfrister: Utdelt: fredag 4. april. Innleveringsfrist:

Detaljer

RESULTAT. Normisjon Region Østfold. Note 2014 2013 Driftsinntekter og driftskostnader SUM DRIFTSINNTEKTER 8 699 271 8 416 952

RESULTAT. Normisjon Region Østfold. Note 2014 2013 Driftsinntekter og driftskostnader SUM DRIFTSINNTEKTER 8 699 271 8 416 952 RESULTAT Normisjon Region Østfold Note 2014 2013 Driftsinntekter og driftskostnader Salgsinntekter 3 579 640 2 855 594 Gaver 3 918 794 4 712 576 Messer, basarer og lotteri 44 360 59 423 Tilskudd 548 798

Detaljer

PSY2012 Forskningsmetodologi III: Statistisk analyse, design og måling Eksamen vår 2014

PSY2012 Forskningsmetodologi III: Statistisk analyse, design og måling Eksamen vår 2014 Psykologisk institutt PSY2012 Forskningsmetodologi III: Statistisk analyse, design og måling Eksamen vår 2014 Skriftlig skoleeksamen fredag 2. mai, 09:00 (4 timer). Kalkulator uten grafisk display og tekstlagringsfunksjon

Detaljer

Trond Kristoffersen. Organisasjonsformer. Organisasjonsformer. Finansregnskap. Egenkapitalen i selskap 4. Balansen. Egenkapital og gjeld.

Trond Kristoffersen. Organisasjonsformer. Organisasjonsformer. Finansregnskap. Egenkapitalen i selskap 4. Balansen. Egenkapital og gjeld. Trond Kristoffersen Finansregnskap en i selskaper Anleggsmidler Immaterielle eiendeler Varige driftsmidler Finansielle anleggsmidler Omløpsmidler Varer Fordringer Investeringer Bankinnskudd Balansen og

Detaljer

Repant ASA Kobbervikdalen 75 3036 Drammen Norway Phone: +47 32 20 91 00 www.repant.no

Repant ASA Kobbervikdalen 75 3036 Drammen Norway Phone: +47 32 20 91 00 www.repant.no Innhold 1. Innledning 2. Resultat 3. Kommentarer til resultatet 4. Markedet 5. Balanse 6. Kommentarer til balansen 7. Kontantstrøm og egenkapitaloppstilling 8. Fremtidsutsikter Innledning Selskapet fikk

Detaljer

Elektriker Gruppen AS Elektroentreprenører

Elektriker Gruppen AS Elektroentreprenører http:///skriv-ut/elektriker-gruppen-as/oslo/elektroentrepre... 1 av 8 13.08.13 12:23 Elektroentreprenører Besøksadresse: Oluf Onsums vei 9, 0680 Oslo http:///skriv-ut/elektriker-gruppen-as/oslo/elektroentrepre...

Detaljer

Resultatregnskap for 2012 MENTAL HELSE NORD TRØNDELAG

Resultatregnskap for 2012 MENTAL HELSE NORD TRØNDELAG Resultatregnskap for 2012 Annen driftsinntekt Sum driftsinntekter Lønnskostnad Annen driftskostnad Sum driftskostnader Driftsresultat Annen renteinntekt Sum finansinntekter Annen rentekostnad Sum finanskostnader

Detaljer

Kontroll av omsetningsoppgaver ny modell kan gi bedre utvelgelse

Kontroll av omsetningsoppgaver ny modell kan gi bedre utvelgelse Kontroll av omsetningsoppgaver ny modell kan gi bedre utvelgelse Tormod Reiersen, Skattedirektoratet Per Arne Paulsen, Skattedirektoratet Anders Berset, Skattedirektoratet I 2012 gjennomførte Skatteetaten

Detaljer

ÅRSBERETNING OG REGNSKAP

ÅRSBERETNING OG REGNSKAP ESAVE AS ÅRSBERETNING OG REGNSKAP 2013 Rognan Osveien 10A - 8250 Rognan Tlf. 756 00 200 e-post : firmapost@esave.no org.nr NO971231769MVA Foretaksregisteret Nittende driftsår 2013 ÅRSBERETNING OG REGNSKAP

Detaljer

Akelius Revisjon. Dokumentasjon ved revisjon av små foretak

Akelius Revisjon. Dokumentasjon ved revisjon av små foretak Akelius Revisjon Dokumentasjon ved revisjon av små foretak Dokumentasjon ved revisjon av små foretak DnR kom med en veiledning for dokumentasjon ved revisjon av små foretak i oktober. Veiledningen kan

Detaljer

Børssirkulære nr. 8/98 (A4, O5)

Børssirkulære nr. 8/98 (A4, O5) Børssirkulære nr. 8/98 (A4, O5) Oslo, 17. mars 1998 Vår ref: TJF/15208 Til: Utstedere av aksjer, grunnfondsbevis og obligasjoner Regnskapsføring og periodisering av arbeidsgiveravgift på opsjoner og frittstående

Detaljer

Årsregnskap. Kringsjånett SA. Org.nr.:984 581 076. * Styrets beretning * Resultatregnskap * Balanse * Noter til regnskapet * Revisors beretning

Årsregnskap. Kringsjånett SA. Org.nr.:984 581 076. * Styrets beretning * Resultatregnskap * Balanse * Noter til regnskapet * Revisors beretning Årsregnskap 2013 Kringsjånett SA Org.nr.:984 581 076 * Styrets beretning * Resultatregnskap * Balanse * Noter til regnskapet * Revisors beretning Resultatregnskap Driftsinntekter og driftskostnader Note

Detaljer

Russisk fiske av torsk og hyse 2006. Statusrapport

Russisk fiske av torsk og hyse 2006. Statusrapport Russisk fiske av torsk og hyse 2006 Statusrapport Mars 2007 INNHOLD 1 Innledning 2 Aktiviteten 2.1 Antall turer 3 Metode 3.1 Klassifisering 3.2 Registrert kvantum 3.3 Beregnet uttak 3.3.1 Beregning nr

Detaljer

Prisutvikling på leiligheter i Kristiansands sentrum og periferi

Prisutvikling på leiligheter i Kristiansands sentrum og periferi Prisutvikling på leiligheter i Kristiansands sentrum og periferi Bente Fiddan Masteroppgaven er gjennomført som ledd i utdanningen ved Universitetet i Agder og er godkjent som del av denne utdanningen.

Detaljer

Årsregnskap 2010. for BRANN BATALJONEN BERGEN

Årsregnskap 2010. for BRANN BATALJONEN BERGEN Årsregnskap 2010 for BRANN BATALJONEN BERGEN Foretaksnr. 985 813 841 Resultatregnskap Note 2010 2009 DRIFTSINNTEKTER OG DRIFTSKOSTNADER Driftsinntekter Salgsinntekt 938 795 1 219 163 Annen driftsinntekt

Detaljer