Gir reduksjon av revisjonspliktens omfang dårligere regnskapskvalitet

Masteroppgave ved Handelshøyskolen BI MSc i Regnskap og revisjon Gir reduksjon av revisjonspliktens omfang dårligere regnskapskvalitet en empirisk studie - GRA 19204 Masteroppgave Veileder: John Christian Langli Forfattere: Odd Borgersen og André Thorsbakken Innleveringsdato: 01.09. 2014 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

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 2011-2012 med perioden 2009-2010. 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

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

Innholdsfortegnelse Sammendrag... II Forord... III Innholdsfortegnelse... IV Oversikt over tabeller og figurer... VI 1 Innledning... 1 2 Teorigrunnlag... 3 2.1 Innledning... 3 2.2 Regnskapskvalitet - definisjon... 3 2.3 Regnskapskvalitet og revisjonskvalitet... 4 2.4 Regnskapskvalitet og regnskapsmanipulasjon... 5 2.5 Måling av regnskapskvalitet... 5 2.5.1 Periodiseringsmodeller... 6 2.5.2 Resultatutjevning... 9 2.5.3 Tidsriktig tapsføring... 9 3 Hypoteser... 12 4 Empirisk metode... 15 4.1 Innledning... 15 4.2 Måling av regnskapskvalitet: Valg av modell begrunnelse... 15 4.2.1 Periodiseringskvalitet... 17 4.2.2 Resultatutjevning... 21 4.2.3 Tidsriktig tapsføring... 22 4.3 Operasjonalisering av hypotesene... 23 4.3.1 Robusttester... 26 4.4 Datagrunnlag og utvalg... 26 IV

4.5 Deskriptiv statistikk... 27 4.6 Kritikk og begrensninger... 30 4.6.1 Modellenes svakheter... 30 4.6.2 Oppgavens begrensninger... 31 5 Empiriske funn og analyse... 32 5.1 Generell utvikling i regnskapskvalitet etter endring i revisjonsplikt... 32 5.2 Regnskapskvalitet små og store revisjonsselskaper... 34 5.3 Utvikling i regnskapskvalitet for ulike deler av utvalget... 35 5.3.1 Små og store revisjonsselskaper... 35 5.3.2 Små og store selskaper... 37 5.3.3 Høy investering i revisjon og øvrige selskaper... 39 5.4 Forutsetninger for OLS regresjon... 42 5.4.1 Kontroll av forutsetningene for regresjoner til indikatorer... 42 5.4.2 Kontroll av forutsetningene for regresjonene til hypotesene... 43 6 Konklusjon... 48 Referanser... 50 Vedlegg 1Variabelliste... 54 Vedlegg 2 STATA analyse... 56 Prosessbeskrivelse... 56 Do filer variabeldefinisjoner, valg av utvalg... 56 Logg filer fra indikator og kontroll regresjoner... 61 Vedlegg 3 Robusttest resultater... 90 Vedlegg 4 OLS - forutsetninger... 98 Vedlegg 4.1 Normalfordelte residualer... 98 Vedlegg 4.2 Homoskedaskiske residualer... 100 Vedlegg 5 Skisse til masteroppgave... 103 V

Oversikt over tabeller og figurer Tabell 4.1 Utvalgskriterier og utvalgsstørrelse... 27 Tabell 4.2 Deskriptiv statistikk datagrunnlaget (tall i 1000)... 28 Tabell 4.3 Deskriptiv statistikk endring i variabler FØR og ETTER... 28 Tabell 4.4 Deskriptiv statistikk Pearsons korrelasjonsmatrise avhengige variabler... 29 Tabell 4.5 Deskriptiv statistikk Spearmans korrelasjonsmatrise... 30 Tabell 5.1 Generell utvikling i regnskapskvalitet etter reduksjon i revisjonsplikt 33 Tabell 5.2 Beskrivende statistikk - store vs små revisjonsselskaper... 34 Tabell 5.3 Små vs store revisjonsselskaper... 35 Tabell 5.4 Utvikling i regnskapskvalitet - selskaper med et lite revisjonsselskap 36 Tabell 5.5 Utvikling i regnskapskvalitet - selskaper med et stort revisjonsselskap... 36 Tabell 5.6 Beskrivende statistikk små og store selskaper... 37 Tabell 5.7 Utvikling i regnskapskvalitet - små selskaper... 38 Tabell 5.8 Utvikling i regnskapskvalitet store selskaper... 39 Tabell 5.9 Beskrivende statistikk høy investering i revisjons og øvrige selskaper40 Tabell 5.10 Utvikling i regnskapskvalitet øvrige selskaper... 40 Tabell 5.11 Utvikling i regnkapskvalitet Høy investering i revisjon... 41 Tabell 5.12 Varians Inflasjons Faktor... 47 Figur 5-1: Vurdering av lineær sammenheng for lnlager... 43 Figur 5-2 Normalfordelt residual til kontrollregresjon SPER (4)... 44 Figur 5-3 Homoskedastisitet residual SP... 46 VI

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 2011 1, 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 31.12.13 har ca. 95 000 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

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

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

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

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, 1991 4 ) og resultatutjevningsmodeller (f.eks. Burgstahler og Dichev 1997 5 ) 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 2.5.1 5 Se også kapittel 2.5.2 5

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

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

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 2002. 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

dokumenter at modellens forklarings øker når man i tillegg justerer for negative kontantstrømverdier fra drift. 2.5.2 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). 2.5.3 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

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

(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

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 2011. 12

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

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 4.3 14

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 2. 4.2 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

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 2011. 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

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. 4.2.1 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

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 01.01 årlig endring i salgsinntekt skalert med totale eiendeler varige driftsmidler, eiendom, anlegg og utstyr, skalert totalkapitalrentabilitet 18

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

sksd 2013 estimeres som sksd 2012 + snittvekst i KSD i perioden 2008 2012. 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

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

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 31.12 VEKST = forholdsmessig endring i salgsinntekt GG2 = gjeldsgrad, rentebærende gjeld pr. 31.12 / 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. 4.2.3 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

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 2009-2010 legges i gruppen FØR, og årene 2011-2012 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 (2009-2010) og to år etter (2011-2012) 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

å sammenligne regnskapskvaliteten i 2009-2010 med 2011-2012, 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 2008-2009 mot 2010-2011. 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

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

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. 4.3.1 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 3. 4.4 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 2009 2012. 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 2009 2012, 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 2008. Da vår undersøkelse fokuserer på privateide selskaper velger vi bort allmenn-aksjeselskapene. For å kunne trekke 13 Definert som PER2, se vedlegg 1 26

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 (2009-2012). Vi sitter da igjen med et utvalg på 43 824 selskaper, noe som gir totalt antall selskapsår på 175 296 (N). Tabell 4.1 Utvalgskriterier og utvalgsstørrelse Utvalgskriterier Selskapsår Norske aksjeselskaper 2009-2012 990 580 Beholder de med inntekt over 5 mill. eller totale eiendeler over 20 mil -693 469 Beholder kun aksjeselskaper (AS) -34 775 Finans-, forsikrings- og kraftselskaper -14 520 Selskaper som ikke er registrert med bransje -1 758 Selskaper som ikke har registrert revisor -306 Bransjer med færre enn 20 observasjoner pr år -6 064 Selskaper som ikke har observasjoner i alle årene -64 392 Totalt antall selskapsår (N) 175 296 Antall observasjoner pr år 43 824 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 5. 4.5 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

Tabell 4.2 Deskriptiv statistikk datagrunnlaget (tall i 1000) 2009-2010 2011-2012 E(X) Sd E(X) Sd t-verdi Salgsinntekter 57 821 1 032 057 67 327 1 340 137 (-1.66) Resultat 5 227 178 221 5 503 273 309 (-0.25) Driftsmidler 31 408 1 074 074 33 907 1 203 238 (-0.46) Totale eiendeler 96 328 1 806 231 108 501 2 233 817 (-1.25) Egenkapital 38 562 595 394 43 462 844 851 (-1.40) Resultatgrad 1.552 773.949 1.012 145.529 (0.20) Res/Totalkapital 0.060 0.275 0.056 1.367 (0.88) N 87 648 87 648 * 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 2010. 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 2009-2010 2011-2012 E(X) Sd E(X) Sd t-verdi Avhengige variabler SP -0.189 0.183-0.180 0.173 (-10.71) *** EF_AKP -0.059 0.074-0.058 0.073 (-2.54) * SSI -0.069 0.095-0.068 0.095 (-2.05) * SPER 0.188 1.439 0.190 1.460 (-0.21) VEÅ 0.025 0.067 0.022 0.063 (6.85) *** STAP 0.034 0.180 0.037 0.188 (-3.23) ** Uavhengige variabler ETTER 0.000 0.000 1.000 0.000 (.) STR 16.508 1.520 16.605 1.516 (-13.47) *** VEKST2 0.096 0.354 0.081 0.307 (9.89) *** GG 0.689 0.273 0.677 0.282 (8.84) *** DREV 0.367 0.482 0.376 0.484 (-3.54) *** lnalder 2.415 0.817 2.625 0.667 (-58.90) *** LAGER 0.146 0.215 0.146 0.217 (-0.13) N 87 648 87 648 * 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

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 5.1 5.3. 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 1.000 EF_AKP 0.246 *** 1.000 SSI 0.182 *** 0.203 *** 1.000 SPER 0.024 *** 0.030 *** 0.043 *** 1.000 VEÅ -0.137 *** -0.379 *** -0.129 *** -0.023 *** 1.000 STAP -0.097 *** -0.311 *** -0.061 *** 0.036 *** 0.152 *** 1.000 N 175296 * p < 0.05, ** p < 0.01, *** p < 0.001 29

Tabell 4.5 Deskriptiv statistikk Spearmans korrelasjonsmatrise 1 2 3 4 5 6 7 8 9 10 11 1 SP 1.0000 2 EF_AKP 0.232* 1.000 3 SSI 0.188* 0.274* 1.000 4 SPER 0.008* 0.031* 0.023* 1.000 5 VEÅ -0.167* -0.387* -0.241* -0.001* 1.000 6 STAP -0.077* -0.218* -0.074* 0.041* 0.153* 1.000 7 STR 0.095* 0.229* 0.314* -0.006* -0.239* -0.115* 1.000 8 VEKST2-0.061* -0.062* -0.085* 0.063* 0.036* -0.162* 0.081* 1.0000 9 GG -0.047* -0.077* -0.080* 0.011* 0.064* 0.185* -0.108* -0.008* 1.0000 10 lnalder 0.056* 0.062* 0.045* 0.015* -0.067* -0.040* 0.110* -0.0495-0.196* 1.000 11 LAGER -0.015* -0.046* -0.141* -0.043* 0.039* 0.021* -0.294* -0.009* 0.027* 0.109* 1.000 * p < 0.05 Totale observasjoner i tabellen er 159 855. 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. 4.6.1 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 10-12 % (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

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 4.2. 4.6.2 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 2013. Vi gjør dette basert på gjennomsnittlig vekst i perioden 2008 til 2012. 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. 14 14 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

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

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 -0.001 0.004 *** -0.007 *** 0.000 0.001 0.012 *** (-0.48) (7.94) (-10.84) (0.00) (1.32) (7.98) STR 0.019 *** 0.022 *** 0.008 *** 0.034 ** -0.018 *** -0.084 *** (7.37) (18.17) (7.08) (2.00) (-7.53) (-24.33) VEKST2-0.074 *** -0.038 *** -0.036 *** 0.104 *** 0.024 *** -0.049 *** (-35.01) (-36.79) (-39.18) (7.91) (12.40) (-24.11) GG -0.036 *** -0.037 *** -0.006 *** 0.421 *** 0.021 *** 0.420 *** (-6.79) (-13.20) (-2.91) (10.73) (4.56) (50.65) DREV -0.004-0.002-0.001-0.023-0.000 0.006 ** (-1.35) (-1.54) (-0.68) (-0.92) (-0.06) (1.98) lnalder 0.020 *** 0.001 0.009 *** 0.026-0.012 *** 0.010 * (3.80) (0.28) (4.14) (0.63) (-2.77) (1.79) LAGER 0.035 *** 0.017 *** 0.040 *** -1.027 *** -0.022 *** -0.026 ** (3.43) (5.36) (8.62) (-16.52) (-3.49) (-2.50) _cons -0.529 *** -0.394 *** -0.225 *** -0.583 ** 0.339 *** 1.106 *** (-11.93) (-20.05) (-11.21) (-2.03) (8.49) (20.21) N 174309 171148 174313 173765 80840 174313 adj. R 2 0.023 0.048 0.031 0.004 0.017 0.111 t statistikk i parentes Tabellen viser regresjonsresultatene som fremkommer når testene kjøres på hele utvalget. * p < 0.1, ** p < 0.05, *** p < 0.01 15 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

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 2011. 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 175 296 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 -0.182 0.175-0.187 0.184 (5.41) *** EF_AKP -0.060 0.073-0.058 0.074 (-5.74) *** SSI -0.073 0.097-0.060 0.090 (-28.19) *** SPER 0.178 1.443 0.208 1.459 (-4.21) *** VEÅ 0.024 0.065 0.022 0.065 (3.17) ** STAP 0.032 0.177 0.040 0.195 (-7.96) *** Uavhengige variabler ETTER 0.497 0.500 0.505 0.500 (-3.54) *** STR 16.214 1.300 17.137 1.679 (-128.57) *** VEKST2 0.091 0.325 0.083 0.341 (5.04) *** GG 0.690 0.272 0.671 0.285 (13.53) *** lnalder 2.524 0.736 2.513 0.780 (2.92) ** LAGER 0.154 0.220 0.131 0.208 (21.56) *** DREV 0.000 0.000 1.000 0.000 (.) N 110 180 65 116 * 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 1-5. 34

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 2009-2010 for seg selv og 2011-2012 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 -0.004-0.002-0.001-0.023-0.000 0.006 ** (-1.35) (-1.54) (-0.68) (-0.92) (-0.06) (1.98) t statistikk i parentes * p < 0.1, ** p < 0.05, *** p < 0.01 5.3 Utvikling i regnskapskvalitet for ulike deler av utvalget 5.3.1 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

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 -0.003 0.003 *** -0.007 *** 0.012 0.001 0.011 *** (-1.40) (5.25) (-8.17) (0.71) (0.96) (6.00) STR 0.023 *** 0.023 *** 0.009 *** 0.058 ** -0.018 *** -0.083 *** (6.38) (15.02) (5.34) (2.44) (-6.20) (-19.34) VEKST2-0.074 *** -0.038 *** -0.038 *** 0.116 *** 0.023 *** -0.054 *** (-27.00) (-28.58) (-31.13) (6.61) (9.77) (-21.37) GG -0.038 *** -0.037 *** -0.006 ** 0.431 *** 0.020 *** 0.449 *** (-5.59) (-10.14) (-2.10) (8.23) (3.15) (41.35) lnalder 0.016 ** -0.001 0.006 ** 0.001-0.011 * 0.014 ** (2.36) (-0.53) (2.14) (0.01) (-1.93) (2.12) LAGER 0.041 *** 0.015 *** 0.045 *** -1.048 *** -0.026 *** -0.015 (3.24) (3.84) (7.47) (-13.40) (-3.51) (-1.22) _cons -0.563 *** -0.411 *** -0.233 *** -0.901 ** 0.325 *** 1.024 *** (-9.67) (-16.50) (-8.32) (-2.35) (6.93) (15.56) N 109589 107760 109591 109307 51436 109591 adj. R 2 0.021 0.045 0.032 0.004 0.015 0.119 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 0.002 0.005 *** -0.007 *** -0.028 0.001 0.012 *** (0.59) (5.67) (-7.15) (-1.34) (0.90) (4.80) STR 0.017 *** 0.020 *** 0.008 *** -0.000-0.019 *** -0.084 *** (4.12) (10.30) (4.39) (-0.02) (-4.25) (-14.56) VEKST2-0.076 *** -0.038 *** -0.032 *** 0.086 *** 0.025 *** -0.041 *** (-21.42) (-22.00) (-22.62) (4.10) (7.11) (-11.65) GG -0.034 *** -0.035 *** -0.006 ** 0.438 *** 0.019 ** 0.379 *** (-3.81) (-7.61) (-2.04) (6.99) (2.42) (28.31) lnalder 0.025 *** 0.005 0.014 *** 0.073-0.017 ** 0.004 (2.86) (1.44) (4.28) (1.11) (-2.47) (0.49) LAGER 0.021 0.019 *** 0.031 *** -1.027 *** -0.019-0.044 ** (1.14) (3.37) (4.04) (-9.57) (-1.46) (-2.40) _cons -0.520 *** -0.385 *** -0.221 *** -0.131 0.383 *** 1.217 *** (-7.12) (-11.60) (-7.17) (-0.28) (4.94) (12.58) N 64720 63388 64722 64458 29404 64722 adj. R 2 0.024 0.052 0.030 0.004 0.020 0.096 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 < 0.01 36

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. 5.3.2 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 175 296 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 -0.184 0.179-0.189 0.176 (3.64) *** EF_AKP -0.060 0.075-0.052 0.063 (-13.52) *** SSI -0.067 0.095-0.079 0.095 (16.53) *** SPER 0.194 1.458 0.146 1.376 (4.33) *** VEÅ 0.025 0.067 0.014 0.044 (14.78) *** STAP 0.037 0.189 0.019 0.138 (12.63) *** Uavhengige variable ETTER 0.496 0.500 0.536 0.499 (-10.48) *** DREV 0.338 0.473 0.640 0.480 (-83.31) *** STR 16.339 1.391 18.318 1.363 (-186.72) *** VEKST2 0.086 0.331 0.107 0.335 (-8.21) *** GG 0.680 0.286 0.702 0.199 (-10.28) *** lnalder 2.488 0.752 2.783 0.712 (-51.76) *** LAGER 0.142 0.216 0.176 0.209 (-20.94) *** N 19 262 156 034 * 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

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 -0.001 0.004 *** -0.007 *** 0.019 0.000 0.011 *** (-0.55) (6.55) (-10.40) (1.39) (0.49) (7.23) STR 0.020 *** 0.023 *** 0.008 *** 0.046 ** -0.018 *** -0.089 *** (7.11) (16.97) (6.18) (2.39) (-7.34) (-23.30) VEKST2-0.074 *** -0.039 *** -0.035 *** 0.112 *** 0.024 *** -0.053 *** (-32.89) (-34.12) (-35.88) (7.86) (11.53) (-23.73) GG -0.036 *** -0.037 *** -0.005 ** 0.418 *** 0.020 *** 0.430 *** (-6.59) (-12.49) (-2.49) (10.11) (4.13) (48.96) DREV -0.003-0.002 * -0.001-0.020 0.000 0.005 (-1.07) (-1.68) (-0.79) (-0.77) (0.25) (1.50) lnalder 0.022 *** -0.000 0.009 *** -0.005-0.010 ** 0.011 * (4.12) (-0.08) (4.01) (-0.12) (-2.10) (1.90) LAGER 0.028 *** 0.017 *** 0.042 *** -1.019 *** -0.023 *** -0.026 ** (2.59) (4.61) (8.38) (-15.14) (-3.28) (-2.32) _cons -0.540 *** -0.416 *** -0.216 *** -0.695 ** 0.325 *** 1.170 *** (-11.52) (-18.70) (-9.98) (-2.21) (8.13) (19.49) N 155094 152116 155098 154556 71137 155098 adj. R 2 0.022 0.047 0.030 0.004 0.016 0.116 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

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 0.002 0.006 *** -0.007 *** -0.104 *** 0.001 0.006 (0.37) (4.77) (-3.30) (-2.76) (0.41) (1.61) STR 0.014 0.018 *** 0.017 *** -0.040-0.010 * -0.050 *** (1.45) (5.33) (4.10) (-0.72) (-1.86) (-5.13) VEKST2-0.063 *** -0.033 *** -0.047 *** 0.038 0.017 *** -0.023 *** (-9.40) (-12.22) (-13.97) (0.94) (4.02) (-3.97) GG -0.030-0.039 *** -0.009 0.596 *** 0.015 0.332 *** (-1.42) (-3.62) (-1.13) (3.92) (1.22) (10.93) DREV -0.009-0.001 0.005-0.034-0.003 0.017 ** (-0.98) (-0.40) (1.25) (-0.42) (-0.69) (2.03) lnalder -0.005 0.008 0.024 ** 0.203-0.022 * 0.021 (-0.21) (1.23) (2.56) (1.30) (-1.67) (1.14) LAGER 0.099 *** 0.026 *** 0.021-1.323 *** -0.004-0.004 (2.89) (2.83) (1.54) (-6.60) (-0.36) (-0.14) _cons -0.414 ** -0.376 *** -0.443 *** 0.226 0.241 ** 0.635 *** (-2.33) (-5.92) (-5.65) (0.21) (2.37) (3.79) N 19215 19032 19215 19209 9703 19215 adj. R 2 0.019 0.055 0.045 0.005 0.022 0.063 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 5.3.3 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

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 -0.181 0.177-0.206 0.189 (19.44) *** EF_AKP -0.055 0.068-0.089 0.099 (62.53) *** SSI -0.065 0.093-0.091 0.104 (36.90) *** SPER 0.201 1.459 0.100 1.373 (9.59) *** VEÅ 0.020 0.056 0.050 0.104 (-43.32) *** STAP 0.025 0.157 0.105 0.307 (-60.08) *** Kontrollvariabler: ETTER 0.509 0.500 0.439 0.496 (19.19) *** DREV2 0.504 0.500 0.405 0.491 (27.30) *** STR 16.761 1.444 15.093 1.207 (161.53) *** VEKST2 0.098 0.329 0.021 0.342 (31.92) *** GG 0.665 0.268 0.808 0.310 (-71.79) *** lnalder 2.536 0.753 2.405 0.741 (23.96) *** LAGER 0.139 0.213 0.190 0.232 (-32.16) *** ORH 0.000 0.000 1.000 0.000 (.) Annet: Revisjonshonorar (kr) 49 162 95 601 57 152 948 756 (-3.16) *** Revisjonshonorar/Totale eiendeler (prosent) 0.0003 0.0002 0.0018 0.0041-140 *** N 153 808 21 488 * 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 -0.001 0.004 *** -0.007 *** -0.002-0.000 0.012 *** (-0.31) (8.21) (-10.05) (-0.14) (-0.59) (8.90) STR 0.015 *** 0.017 *** 0.008 *** 0.007-0.008 *** -0.071 *** (5.01) (12.83) (5.66) (0.32) (-3.64) (-19.88) VEKST2-0.075 *** -0.037 *** -0.035 *** 0.107 *** 0.018 *** -0.036 *** (-32.56) (-34.11) (-35.71) (7.39) (9.31) (-17.81) GG -0.032 *** -0.019 *** -0.010 *** 0.486 *** 0.009 * 0.323 *** (-5.19) (-5.73) (-4.48) (10.31) (1.81) (35.49) DREV -0.003-0.001-0.001-0.027-0.001 0.004 (-0.77) (-1.39) (-0.37) (-0.97) (-0.46) (1.24) lnalder 0.020 *** 0.001 0.007 *** 0.032-0.013 *** 0.005 (3.48) (0.59) (3.02) (0.71) (-3.40) (0.89) LAGER 0.042 *** 0.015 *** 0.042 *** -1.120 *** -0.016 *** -0.014 (3.61) (4.42) (7.83) (-16.23) (-2.67) (-1.42) _cons -0.462 *** -0.325 *** -0.204 *** -0.158 0.191 *** 0.976 *** (-9.08) (-15.13) (-8.78) (-0.47) (4.94) (17.30) N 153039 150522 153043 152531 71291 153043 adj. R 2 0.023 0.048 0.033 0.004 0.014 0.074 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

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 0.005 0.009 *** -0.006 ** -0.002 0.000 0.001 (0.86) (3.38) (-2.19) (-0.05) (0.10) (0.10) STR 0.036 *** 0.040 *** 0.012 ** 0.225 *** -0.033 *** -0.042 *** (3.70) (7.72) (2.41) (3.75) (-3.19) (-2.65) VEKST2-0.055 *** -0.051 *** -0.035 *** 0.053 0.057 *** -0.159 *** (-6.96) (-11.78) (-9.33) (1.09) (6.00) (-15.02) GG -0.051 *** -0.084 *** -0.002 0.488 *** 0.044 *** 0.737 *** (-3.40) (-9.77) (-0.25) (4.69) (2.62) (29.20) DREV 0.002 0.001-0.003 0.004 0.003 0.016 (0.18) (0.15) (-0.71) (0.05) (0.33) (0.86) lnalder -0.001-0.012 0.019 ** 0.003 0.003-0.013 (-0.03) (-1.12) (2.00) (0.02) (0.11) (-0.44) LAGER 0.054 * 0.034 ** 0.033 ** -0.602 *** -0.037-0.048 (1.79) (2.29) (2.40) (-2.79) (-1.11) (-1.01) _cons -0.723 *** -0.598 *** -0.317 *** -3.575 *** 0.506 *** 0.181 (-4.70) (-7.49) (-4.06) (-3.78) (3.00) (0.74) N 21270 20626 21270 21234 9549 21270 adj. R 2 0.011 0.058 0.020 0.004 0.029 0.200 t statistikk i parentes Tabellen viser regresjonsresultatene som fremkommer når testene kjøres på utvalg av selskaper ** p < 0.05, *** p < 0.01 18 De 10% laveste av variabelen revisjonshonorar/( totalkapital )) 41

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. 5.4.1 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

hensynta slik ikke målbar korrelasjon kjører vi våre regresjoner med faste effekter. 5.4.2 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

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

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

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

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

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

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

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): 1-43. Ball, Ray, SP Kothari og Ashok Robin. 2000. "The effect of international institutional factors on properties of accounting earnings." Journal of accounting and economics, 29 (1): 1-51. Ball, Ray og Lachmann Shivakumar. 2005. "Earnings quality in UK private firms: comparative loss recognition timeliness." Journal of accounting and economics, 39 (1): 83-128.. 2006. "The role of accruals in asymmetrically timely gain and loss recognition." Journal of Accounting Research, 44 (2): 207-242.. 2008. "Earnings quality at initial public offerings." Journal of Accounting and Economics, 45 (2): 324-349. Barth, Mary E, Wayne R Landsman og Mark H Lang. 2008. "International accounting standards and accounting quality." Journal of accounting research, 46 (3): 467-498. Basu, Sudipta. 1997. "The conservatism principle and the asymmetric timeliness of earnings. Journal of accounting and economics, 24 (1): 3-37. Becker, Connie L, Mark L DeFond, James Jiambalvo og KR Subramanyam. 1998. "The Effect of Audit Quality on Earnings Management*." Contemporary accounting research, 15 (1): 1-24. Beuselinck, Christof, Marc Deloof og Sophie Manigart. 2009. "Private equity involvement and earnings quality." Journal of Business Finance & Accounting, 36 (5 6): 587-615. Bjørnerud, Linn og Henriette Vestli. 2013. The Impact of Audit Exemption and Auditor Choice in Earnings Quality in Norwegian Limited Companies. Masteroppgave, Handelshøyskolen BI Oslo. Brønnøysundregistrene. 2013. "Årsmelding 2012". http://arsmelding.brreg.no/digitalisering/mindrerevisjon. Burgstahler, David og Ilia Dichev. 1997. "Earnings management to avoid earnings decreases and losses." Journal of accounting and economics, 24 (1): 99-126. Burgstahler, David C, Luzi Hail og Christian Leuz. 2006. "The importance of 50

reporting incentives: earnings management in European private and public firms." The accounting review, 81 (5): 983-1016. Caramanis, Constantinos og Clive Lennox. 2008. "Audit effort and earnings management." Journal of accounting and economics, 45 (1): 116-138. Chen, Feng, Ole-Kristian Hope, Qingyuan Li og Xin Wang. 2011. "Financial reporting quality and investment efficiency of private firms in emerging markets." The Accounting Review, 86 (4): 1255-1288. Coulton, Jeff, Gilad Livne, Angela Pettinicchio og Stephen Taylor. 2014. "Investments in Auditing and the Quality of Financial Reporting." Dechow, Patricia M. 1994. "Accounting earnings and cash flows as measures of firm performance: The role of accounting accruals." Journal of accounting and economics, 18 (1): 3-42. Dechow, Patricia M og Ilia D Dichev. 2002. "The quality of accruals and earnings: The role of accrual estimation errors." The accounting review, 77 (s-1): 35-59. Dechow, Patricia M, Weili Ge, Chad R Larson og Richard G Sloan. 2011. "Predicting Material Accounting Misstatements*." Contemporary accounting research, 28 (1): 17-82. Dechow, Patricia, Weili Ge og Catherine Schrand. 2010. "Understanding earnings quality: A review of the proxies, their determinants and their consequences." Journal of Accounting and Economics, 50 (2): 344-401. Dechow, Patricia M, Richard G Sloan og Amy P Sweeney. 1995. "Detecting earnings management." Accounting Review: 193-225. Ewert, Ralf og Alfred Wagenhofer. 2009. Earnings quality metrics and what they measure. Working Paper, University of Graz. Francis, Jennifer, Ryan LaFond, Per Olsson og Katherine Schipper. 2005. "The market pricing of accruals quality." Journal of Accounting and Economics, 39 (2): 295-327. Francis, Jere R. 2011. "A framework for understanding and researching audit quality." Auditing: A journal of practice & theory, 30 (2): 125-152. Francis, Jere R, Edward L Maydew og H Charles Sparks. 1999. "The role of Big 6 auditors in the credible reporting of accruals." Auditing: A Journal of Practice & Theory, 18 (2): 17-34. Frøyshov, Hanne og Hanne Sælemyr Johansen. 2010. "Revisjonsplikten for norskregistrerte utenlandske foretak: en empirisk studie av små foretak." 51

Frøyshov, H. & Johansen, H.S. 2011. "Revisjonsplikten for norskregistrerte utenlandske foretak" Praktisk økonomi & finans, 27 (1): 49-63. Givoly, Dan, Carla K Hayn og Sharon P Katz. 2010. "Does public ownership of equity improve earnings quality?" The Accounting Review, 85 (1): 195-225. Greene, William H. 1993. Econometric Analysis, 1993. New York: MacMillan. Gunny, Katherine A og Tracey Chunqi Zhang. 2013. "PCAOB inspection reports and audit quality." Journal of Accounting and Public Policy, 32 (2): 136-160. Healy, Paul M og James M Wahlen. 1999. "A review of the earnings management literature and its implications for standard setting." Accounting horizons, 13 (4): 365-383. Hope, Ole-Kristian, Wayne B Thomas og Dushyantkumar Vyas. 2013. "Financial reporting quality of US private and public firms." The Accounting Review, 88 (5): 1715-1742. Jones, Jennifer. 1991. "Earnings management during import relief investigations." Journal of accounting research, 29 (2): 193-228. Kim, Jeong Bon, Richard Chung og Michael Firth. 2003. "Auditor Conservatism, Asymmetric Monitoring, and Earnings Management*." Contemporary Accounting Research, 20 (2): 323-359. Kothari, Sagar P, Andrew J Leone og Charles E Wasley. 2005. "Performance matched discretionary accrual measures." Journal of accounting and economics, 39 (1): 163-197. Kousenidis, Dimitrios V, Anestis C Ladas og Christos I Negakis. 2013. "The effects of the European debt crisis on earnings quality." International Review of Financial Analysis, 30: 351-362. Kvaal, Erlend, John Christian Langli og Mohammad J Abdolmohammadi. 2012. "Earnings management priorities of private family firms." Available at SSRN 1532824. Lang, Mark, Jana Smith Raedy og Michelle Higgins Yetman. 2003. "How representative are firms that are cross listed in the united states? An analysis of accounting quality." Journal of Accounting Research, 41 (2): 363-386. Lang, Mark, Jana Smith Raedy og Wendy Wilson. 2006. "Earnings management and cross listing: Are reconciled earnings comparable to US earnings?" 52

Journal of Accounting and Economics, 42 (1): 255-283. Leuz, Christian, Dhananjay Nanda og Peter D Wysocki. 2003. "Earnings management and investor protection: an international comparison." Journal of financial economics, 69 (3): 505-527. McNichols, Maureen F. 2002. "Discussion of the quality of accruals and earnings: The role of accrual estimation errors." The accounting review, 77 (s-1): 61-69. McNichols, Maureen F og Stephen R Stubben. 2008. "Does earnings management affect firms' investment decisions?" The Accounting Review, 83 (6): 1571-1603. Mitbø, Tor. 2012. 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) 2014. A Framework for Audit Quality Penman, Stephen H og Xiao-Jun Zhang. 2002. "Accounting conservatism, the quality of earnings, and stock returns." The Accounting Review, 77 (2): 237-264. Schipper, Katherine. 1989. "Commentary on earnings management." Accounting horizons, 3 (4): 91-102. Stubben, Stephen R. 2010. "Discretionary revenues as a measure of earnings management." The Accounting Review, 85 (2): 695-717. Wooldridge, Jeffrey. 2012. Introductory econometrics: A modern approach: Cengage Learning. 53

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 31.12 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 31.12 / BV Ek GG = gjeldsgrad beregnet som totale forpliktelser skalert med totale eiendeler 31.12 IRKG= ikke rentebærende kortsiktig gjeld KF = kundefordringer KONT= kontanter og bankinnskudd KSD= kontantstrøm fra drift sksd = kontantstrøm fra drift, skalert med totale eiendeler 31.12. LAGER = varelager skalert med totale eiendeler 31.12 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

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 31.12 TK OMLH = salg dividert med sum eiendeler 1.1 TKR = totalkapitalrentabilitet (Resultat / Gjennomsnittlig totalkapital) TPER = periodiseringer, skalert med totale eiendeler 31.12 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

Vedlegg 2 STATA analyse Prosessbeskrivelse Vedlagt som do-fil fra STATA: Bruke datafil lagret som 2007-2012 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 2009-2012 inkl ekstremverdier: o Winsor_3.4a.do winorise på inputvariabler (1 %) Kjører indikatorregresjoner Lagre som 2009-2012_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\2007-2012.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

. 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

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 KSD2 2013 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==12440 58

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==180211282 replace REV2="ERNST & YOUNG " if idrev==957927866 replace REV2="ERNST & YOUNG " if idrev==981695488 replace REV2="ERNST & YOUNG " if idrev==979540442 replace REV2="ERNST & YOUNG " if idrev==975944506 replace REV2="ERNST & YOUNG " if idrev==934147014 replace REV2="BDO " if idrev==875926632 replace REV2="BDO " if idrev==887647712 replace REV2="BDO " if idrev==945669519 replace REV2="BDO " if idrev==975822877 replace REV2="BDO " if idrev==989339842 replace REV2="BDO " if idrev==984098243 replace REV2="BDO " if idrev==986496645 replace REV2="BDO " if idrev==985234620 replace REV2="BDO " if idrev==979180934 replace REV2="BDO " if idrev==985524653 replace REV2="BDO " if idrev==991994106 replace REV2="BDO " if idrev==962518923 replace REV2="BDO " if idrev==979143028 replace REV2="BDO " if idrev==979180934 replace REV2="BDO " if idrev==985369070 replace REV2="BDO " if idrev==989511394 replace REV2="BDO " if idrev==988576255 replace REV2="BDO " if idrev==970926410 replace REV2="BDO " if idrev==980531740 replace REV2="BDO " if idrev==984073275 replace REV2="BDO " if idrev==856706982 replace REV2="BDO " if idrev==988617105 replace REV2="BDO " if idrev==973197460 replace REV2="BDO " if idrev==984098243 replace REV2="BDO " if idrev==989828479 replace REV2="BDO " if idrev==979205988 replace REV2="BDO " if idrev==974209411 replace REV2="BDO " if idrev==966840250 replace REV2="BDO " if idrev==969052121 replace REV2="KPMG " if idrev==974279223 replace REV2="KPMG " if idrev==977175151 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

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<5000000 & TOTKAP<20000000 *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

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\2009-2012 - 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\2009-2012 - 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 = 174319 Group variable: id Number of groups = 43824 R-sq: within = 0.0312 Obs per group: min = 3 between = 0.0005 avg = 4.0 overall = 0.0096 max = 4 F(4,43823) = 471.47 corr(u_i, Xb) = -0.3775 Prob > F = 0.0000 (Std. Err. adjusted for 43824 clusters in > id) - --- Robust TPER Coef. Std. Err. t P> t [95% Conf. Interv > al] -----------------+------------------------------------------------------------- --- enskalert -90908.2 18553.38-4.90 0.000-127273.2-54543 >.25 skalertendringsi -.0100195.0015778-6.35 0.000 -.0131119 -.006 61

> 927 skalertdm -.0506912.0085725-5.91 0.000 -.0674935 -.0338 > 889 TKR2.3864584.0090417 42.74 0.000.3687366.4041 > 803 _cons.0411737.0034695 11.87 0.000.0343734.0479 > 741 -----------------+------------------------------------------------------------- --- sigma_u.10009746 sigma_e.21030988 rho.18469214 (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]) (175291 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 = 171154 Group variable: id Number of groups = 43824 R-sq: within = 0.7272 Obs per group: min = 2 between = 0.2435 avg = 3.9 overall = 0.5803 max = 4 F(7,43823) = 20322.31 corr(u_i, Xb) = -0.3521 Prob > F = 0.0000 (Std. Err. adjusted for 43824 clusters i > n id) - ----- Robust AKPskalert Coef. Std. Err. t P> t [95% Conf. Inte > rval] -------------------+----------------------------------------------------------- ----- KSDFORRIGEskalert.0637587.002164 29.46 0.000.0595171.06 > 80003 KSDskalert -.7595925.0035665-212.98 0.000 -.7665828 -.75 > 26021 KSDNESTEskalert.0165665.0012101 13.69 0.000.0141947.01 > 89382 skalertendringsi.0522979.0009661 54.13 0.000.0504043.05 > 41915 skalertdm -.0386034.0048274-8.00 0.000 -.0480653 -.02 > 91416 DNKSD.0093946.0009819 9.57 0.000.00747.01 > 13192 KSDskalert_x_DNKSD -.0000268.0000136-1.98 0.048 -.0000534-2.1 > 6e-07 _cons.0312453.0013235 23.61 0.000.0286512.03 > 38395 -------------------+----------------------------------------------------------- ----- sigma_u.09362953 sigma_e.10918893 62

rho.42373296 (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 = 174319 Group variable: id Number of groups = 43824 R-sq: within = 0.1272 Obs per group: min = 3 between = 0.3057 avg = 4.0 overall = 0.1587 max = 4 F(1,43823) = 5044.70 corr(u_i, Xb) = 0.0378 Prob > F = 0.0000 (Std. Err. adjusted for 43824 clusters in > id) - --- Robust skalertendringkf Coef. Std. Err. t P> t [95% Conf. Interv > al] -----------------+------------------------------------------------------------- --- skalertendringsi.0849869.0011966 71.03 0.000.0826416.0873 > 322 _cons.0075142.0001561 48.14 0.000.0072083.0078 > 202 -----------------+------------------------------------------------------------- --- sigma_u.04894513 sigma_e.13510592 rho.11601521 (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 = 163981 Group variable: id Number of groups = 41934 R-sq: within = 0.1870 Obs per group: min = 1 between = 0.0178 avg = 3.9 overall = 0.0561 max = 4 F(8,41933) = 1060.58 corr(u_i, Xb) = -0.7724 Prob > F = 0.0000 (Std. Err. adjusted for 41934 clusters in id) Robust skalertend~s Coef. Std. Err. t P> t [95% Conf. Interval] STR.0229543.0026746 8.58 0.000.017712.0281967 VEKST.0434993.0014311 30.39 0.000.0406942.0463044 GG2.0074227.0005213 14.24 0.000.006401.0084444 63

YR -.0031146.0027584-1.13 0.259 -.0085211.0022919 ALDER.0046167.0027755 1.66 0.096 -.0008233.0100567 TK_OMLH.0511316.0010587 48.30 0.000.0490565.0532066 KSDskalert.142778.0030865 46.26 0.000.1367284.1488275 DREV.0021839.0029463 0.74 0.459 -.0035909.0079588 _cons 5.687109 5.501944 1.03 0.301-5.096815 16.47103 sigma_u.11875248 sigma_e.14626519 rho.39729228 (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 = 163981 Group variable: id Number of groups = 41934 R-sq: within = 0.7977 Obs per group: min = 1 between = 0.7761 avg = 3.9 overall = 0.7950 max = 4 F(9,41933) = 6.72e+06 corr(u_i, Xb) = -0.0767 Prob > F = 0.0000 (Std. Err. adjusted for 41934 clusters in id) Robust ETTER Coef. Std. Err. t P> t [95% Conf. Interval] STAP -.0003644.0045248-0.08 0.936 -.0092331.0085042 STR.0257751.0018915 13.63 0.000.0220678.0294825 VEKST.0011986.0015144 0.79 0.429 -.0017696.0041669 GG2.001186.0006709 1.77 0.077 -.000129.002501 YR.4001874.0004891 818.27 0.000.3992288.4011459 ALDER.0000248.000494 0.05 0.960 -.0009436.0009931 TK_OMLH.004465.0007886 5.66 0.000.0029194.0060106 KSDskalert -.0039689.0035282-1.12 0.261 -.0108842.0029464 DREV -.0165685.0028747-5.76 0.000 -.022203 -.0109341 _cons -804.5069.9728552-826.95 0.000-806.4137-802.6001 sigma_u.03874302 sigma_e.25940814 rho.0218192 (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\2009-2012_etter indikator regresjon.dta", replace file C:\Users\obb\Dropbox\master i revisjon\høst 2013\metode\regnskapskvalitet\ > datafiler\2009-2012_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 2009-2010. gen fixed2010=0 64

. replace fixed2010=1 if YR==2010 (43824 real changes made). *Lager dummy variabel for å skille 2011-2012. 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 = 174309 Group variable: id Number of groups = 43824 R-sq: within = 0.0220 Obs per group: min = 2 between = 0.0545 avg = 4.0 overall = 0.0325 max = 4 F(9,43823) = 195.76 corr(u_i, Xb) = -0.1160 Prob > F = 0.0000 (Std. Err. adjusted for 43824 clusters in id) Robust SP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER -.0010507.0015072-0.70 0.486 -.0040048.0019034 STR.0192806.0025764 7.48 0.000.0142307.0243305 VEKST2 -.0721662.0020928-34.48 0.000 -.0762681 -.0680642 GG -.0455314.0053049-8.58 0.000 -.055929 -.0351338 DREV -.0051516.0030762-1.67 0.094 -.0111811.0008779 lnalder2.0183031.0051579 3.55 0.000.0081935.0284126 LAGER.0359607.010377 3.47 0.001.0156216.0562997 fixed2010.0000381.00122 0.03 0.975 -.0023531.0024293 fixed2012.0063782.0011453 5.57 0.000.0041333.008623 _cons -.5165537.043401-11.90 0.000 -.6016206 -.4314869 sigma_u.10588769 sigma_e.16198907 rho.29937 (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 = 171148 Group variable: id Number of groups = 43824 R-sq: within = 0.0477 Obs per group: min = 1 between = 0.0625 avg = 3.9 overall = 0.0492 max = 4 F(9,43823) = 226.87 corr(u_i, Xb) = -0.3510 Prob > F = 0.0000 (Std. Err. adjusted for 43824 clusters in id) Robust EF_AKP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER.0039414.0004962 7.94 0.000.0029689.0049139 STR.0216577.0011918 18.17 0.000.0193218.0239936 VEKST2 -.0380286.0010336-36.79 0.000 -.0400545 -.0360027 GG -.0370148.0028036-13.20 0.000 -.0425099 -.0315198 DREV -.0016644.0010802-1.54 0.123 -.0037816.0004528 lnalder2.0005719.0020262 0.28 0.778 -.0033994.0045433 LAGER.0174069.003246 5.36 0.000.0110446.0237692 fixed2010.0050475.0004088 12.35 0.000.0042461.0058488 fixed2012 -.0061221.0004035-15.17 0.000 -.0069129 -.0053313 _cons -.3943618.0196731-20.05 0.000 -.4329214 -.3558023 65

sigma_u.05892576 sigma_e.05339985 rho.54907677 (fraction of variance due to u_i). eststo pod03c: xtreg SSI ETTER `controls1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = 174313 Group variable: id Number of groups = 43824 R-sq: within = 0.0313 Obs per group: min = 2 between = 0.1325 avg = 4.0 overall = 0.0919 max = 4 F(9,43823) = 234.88 corr(u_i, Xb) = 0.1218 Prob > F = 0.0000 (Std. Err. adjusted for 43824 clusters in id) Robust SSI Coef. Std. Err. t P> t [95% Conf. Interval] ETTER -.0068483.000632-10.84 0.000 -.008087 -.0056096 STR.0084351.0011912 7.08 0.000.0061003.0107699 VEKST2 -.0357325.000912-39.18 0.000 -.0375201 -.0339449 GG -.0059679.0020479-2.91 0.004 -.0099817 -.001954 DREV -.0008593.0012642-0.68 0.497 -.0033372.0016185 lnalder2.0089828.002169 4.14 0.000.0047316.013234 LAGER.0402355.0046672 8.62 0.000.0310877.0493832 fixed2010 -.0046785.0004718-9.92 0.000 -.0056033 -.0037537 fixed2012.0045596.0004506 10.12 0.000.0036765.0054427 _cons -.2254478.0201068-11.21 0.000 -.2648576 -.1860381 sigma_u.07098604 sigma_e.06571999 rho.5384639 (fraction of variance due to u_i). eststo pod03d: xtreg SPER ETTER `controls1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = 173765 Group variable: id Number of groups = 43798 R-sq: within = 0.0039 Obs per group: min = 1 between = 0.0027 avg = 4.0 overall = 0.0019 max = 4 F(9,43797) = 58.79 corr(u_i, Xb) = -0.2213 Prob > F = 0.0000 (Std. Err. adjusted for 43798 clusters in id) Robust SPER Coef. Std. Err. t P> t [95% Conf. Interval] ETTER.0000161.0126738 0.00 0.999 -.0248249.024857 STR.0343846.0171991 2.00 0.046.0006741.0680952 VEKST2.1036604.0131097 7.91 0.000.0779652.1293556 GG.4208562.039233 10.73 0.000.3439588.4977536 DREV -.0230089.0249633-0.92 0.357 -.0719374.0259195 lnalder2.0255107.0407723 0.63 0.532 -.0544037.1054252 LAGER -1.027392.0622023-16.52 0.000-1.14931 -.9054748 fixed2010 -.0038124.010257-0.37 0.710 -.0239163.0162914 fixed2012.0014458.0099954 0.14 0.885 -.0181453.0210368 _cons -.5826856.2870207-2.03 0.042-1.145251 -.0201198 sigma_u.86717774 sigma_e 1.3663513 rho.28714097 (fraction of variance due to u_i). eststo pod03e: xtreg VEÅ ETTER `controls2', vce (cluster id) fe Fixed-effects (within) regression Number of obs = 80840 Group variable: id Number of groups = 41425 R-sq: within = 0.0168 Obs per group: min = 1 between = 0.0349 avg = 2.0 overall = 0.0259 max = 2 66

F(7,41424) = 37.09 corr(u_i, Xb) = -0.3645 Prob > F = 0.0000 (Std. Err. adjusted for 41425 clusters in id) Robust VEÅ Coef. Std. Err. t P> t [95% Conf. Interval] ETTER.0010435.0007907 1.32 0.187 -.0005063.0025934 STR -.0181373.0024098-7.53 0.000 -.0228605 -.013414 VEKST2.0235835.0019019 12.40 0.000.0198556.0273113 GG.0211982.0046516 4.56 0.000.012081.0303155 DREV -.0001006.0017454-0.06 0.954 -.0035216.0033204 lnalder2 -.011695.0042281-2.77 0.006 -.0199822 -.0034077 LAGER -.0219896.006298-3.49 0.000 -.0343338 -.0096454 _cons.3389106.0399256 8.49 0.000.2606556.4171655 sigma_u.05449699 sigma_e.05769813 rho.47149127 (fraction of variance due to u_i). eststo pod03f: xtreg STAP ETTER `controls1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = 174313 Group variable: id Number of groups = 43824 R-sq: within = 0.1106 Obs per group: min = 2 between = 0.0588 avg = 4.0 overall = 0.0468 max = 4 F(9,43823) = 375.92 corr(u_i, Xb) = -0.7670 Prob > F = 0.0000 (Std. Err. adjusted for 43824 clusters in id) Robust STAP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER.0115632.001449 7.98 0.000.008723.0144033 STR -.0836684.0034388-24.33 0.000 -.0904085 -.0769284 VEKST2 -.0493911.0020489-24.11 0.000 -.0534071 -.0453752 GG.4195829.0082834 50.65 0.000.4033472.4358186 DREV.0063809.0032207 1.98 0.048.0000682.0126935 lnalder2.0096951.0054134 1.79 0.073 -.0009151.0203054 LAGER -.0255819.0102505-2.50 0.013 -.0456732 -.0054907 fixed2010.0053922.0011052 4.88 0.000.0032259.0075585 fixed2012.0080283.0010823 7.42 0.000.0059069.0101497 _cons 1.106156.0547292 20.21 0.000.9988853 1.213426 sigma_u.19230667 sigma_e.15053933 rho.62004375 (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

. set more off. eststo pod03a: xtreg SP ETTER `controls1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = 174309 Group variable: id Number of groups = 43824 R-sq: within = 0.0220 Obs per group: min = 2 between = 0.0546 avg = 4.0 overall = 0.0326 max = 4 F(9,43823) = 196.18 corr(u_i, Xb) = -0.1146 Prob > F = 0.0000 (Std. Err. adjusted for 43824 clusters in id) Robust SP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER -.0010183.0015073-0.68 0.499 -.0039727.001936 STR.0192749.0025762 7.48 0.000.0142256.0243242 VEKST2 -.0721708.0020927-34.49 0.000 -.0762725 -.068069 GG -.045469.0053045-8.57 0.000 -.055866 -.035072 DREV2 -.0069353.0025406-2.73 0.006 -.0119149 -.0019557 lnalder2.0182463.0051584 3.54 0.000.0081357.0283568 LAGER.0359882.010376 3.47 0.001.015651.0563253 fixed2010.0000468.00122 0.04 0.969 -.0023444.002438 fixed2012.0066703.001152 5.79 0.000.0044125.0089282 _cons -.5149547.0434158-11.86 0.000 -.6000505 -.4298589 sigma_u.10585994 sigma_e.16198618 rho.29926752 (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 = 171148 Group variable: id Number of groups = 43824 R-sq: within = 0.0477 Obs per group: min = 1 between = 0.0621 avg = 3.9 overall = 0.0489 max = 4 F(9,43823) = 226.73 corr(u_i, Xb) = -0.3536 Prob > F = 0.0000 (Std. Err. adjusted for 43824 clusters in id) Robust EF_AKP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER.0039462.0004962 7.95 0.000.0029736.0049188 STR.0216495.0011916 18.17 0.000.0193139.0239852 VEKST2 -.0380256.0010336-36.79 0.000 -.0400514 -.0359997 GG -.0370071.0028036-13.20 0.000 -.0425023 -.0315119 DREV2 -.0005422.0008871-0.61 0.541 -.0022809.0011965 lnalder2.0005449.0020267 0.27 0.788 -.0034275.0045172 LAGER.0173897.0032464 5.36 0.000.0110268.0237526 fixed2010.0050499.0004089 12.35 0.000.0042486.0058513 fixed2012 -.0061118.0004065-15.04 0.000 -.0069085 -.0053151 _cons -.3945154.0196662-20.06 0.000 -.4330614 -.3559693 sigma_u.05900327 sigma_e.05340034 rho.54972298 (fraction of variance due to u_i). eststo pod03c: xtreg SSI ETTER `controls1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = 174313 Group variable: id Number of groups = 43824 R-sq: within = 0.0313 Obs per group: min = 2 between = 0.1329 avg = 4.0 overall = 0.0922 max = 4 F(9,43823) = 234.90 corr(u_i, Xb) = 0.1215 Prob > F = 0.0000 68

(Std. Err. adjusted for 43824 clusters in id) Robust SSI Coef. Std. Err. t P> t [95% Conf. Interval] ETTER -.0068473.000632-10.83 0.000 -.008086 -.0056086 STR.0084282.0011911 7.08 0.000.0060935.0107628 VEKST2 -.0357283.000912-39.18 0.000 -.0375158 -.0339408 GG -.0059684.002048-2.91 0.004 -.0099826 -.0019543 DREV2.000236.0010825 0.22 0.827 -.0018857.0023577 lnalder2.0089661.0021687 4.13 0.000.0047154.0132167 LAGER.0402207.0046674 8.62 0.000.0310726.0493689 fixed2010 -.0046773.0004718-9.91 0.000 -.0056021 -.0037526 fixed2012.0045394.0004533 10.01 0.000.0036509.005428 _cons -.2257194.0201081-11.23 0.000 -.2651316 -.1863071 sigma_u.07096371 sigma_e.0657201 rho.53830669 (fraction of variance due to u_i). eststo pod03d: xtreg SPER ETTER `controls1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = 173765 Group variable: id Number of groups = 43798 R-sq: within = 0.0039 Obs per group: min = 1 between = 0.0028 avg = 4.0 overall = 0.0019 max = 4 F(9,43797) = 58.65 corr(u_i, Xb) = -0.2218 Prob > F = 0.0000 (Std. Err. adjusted for 43798 clusters in id) Robust SPER Coef. Std. Err. t P> t [95% Conf. Interval] ETTER.0000501.0126732 0.00 0.997 -.0247895.0248898 STR.034209.0171989 1.99 0.047.0004989.0679191 VEKST2.1037616.0131092 7.92 0.000.0780674.1294559 GG.4208538.0392363 10.73 0.000.3439499.4977577 DREV2.003945.0211749 0.19 0.852 -.0375582.0454482 lnalder2.0250864.0407657 0.62 0.538 -.054815.1049879 LAGER -1.02775.0621979-16.52 0.000-1.149659 -.9058407 fixed2010 -.0037804.0102565-0.37 0.712 -.0238833.0163225 fixed2012.0010212.010048 0.10 0.919 -.0186731.0207154 _cons -.5890518.2871461-2.05 0.040-1.151863 -.0262401 sigma_u.86720473 sigma_e 1.3663555 rho.28715244 (fraction of variance due to u_i). eststo pod03e: xtreg VEÅ ETTER `controls2', vce (cluster id) fe Fixed-effects (within) regression Number of obs = 80840 Group variable: id Number of groups = 41425 R-sq: within = 0.0168 Obs per group: min = 1 between = 0.0348 avg = 2.0 overall = 0.0259 max = 2 F(7,41424) = 37.07 corr(u_i, Xb) = -0.3656 Prob > F = 0.0000 (Std. Err. adjusted for 41425 clusters in id) Robust VEÅ Coef. Std. Err. t P> t [95% Conf. Interval] ETTER.0010772.0007975 1.35 0.177 -.000486.0026404 STR -.0181347.0024097-7.53 0.000 -.0228577 -.0134117 VEKST2.0235799.0019016 12.40 0.000.0198527.0273071 GG.0211998.0046512 4.56 0.000.0120834.0303161 DREV2 -.0006624.0013934-0.48 0.635 -.0033934.0020686 lnalder2 -.0116825.0042272-2.76 0.006 -.0199678 -.0033972 LAGER -.0219809.0062986-3.49 0.000 -.0343262 -.0096356 _cons.3391084.0399335 8.49 0.000.2608378.417379 69

sigma_u.05452494 sigma_e.05769795 rho.47174846 (fraction of variance due to u_i). eststo pod03f: xtreg STAP ETTER `controls1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = 174313 Group variable: id Number of groups = 43824 R-sq: within = 0.1106 Obs per group: min = 2 between = 0.0585 avg = 4.0 overall = 0.0466 max = 4 F(9,43823) = 375.78 corr(u_i, Xb) = -0.7675 Prob > F = 0.0000 (Std. Err. adjusted for 43824 clusters in id) Robust STAP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER.0115371.001449 7.96 0.000.0086969.0143772 STR -.0836422.0034384-24.33 0.000 -.0903816 -.0769027 VEKST2 -.0494013.0020489-24.11 0.000 -.0534173 -.0453854 GG.4195409.0082835 50.65 0.000.4033051.4357766 DREV2.0041123.0025758 1.60 0.110 -.0009364.009161 lnalder2.0097888.0054142 1.81 0.071 -.0008231.0204007 LAGER -.0255538.0102515-2.49 0.013 -.045647 -.0054607 fixed2010.0053823.0011052 4.87 0.000.0032161.0075485 fixed2012.007888.001088 7.25 0.000.0057554.0100206 _cons 1.105906.0547271 20.21 0.000.9986395 1.213172 sigma_u.19253847 sigma_e.15054061 rho.6206072 (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 = 109589 Group variable: id Number of groups = 29257 70

R-sq: within = 0.0214 Obs per group: min = 1 between = 0.0660 avg = 3.7 overall = 0.0382 max = 4 F(8,29256) = 136.62 corr(u_i, Xb) = -0.0864 Prob > F = 0.0000 (Std. Err. adjusted for 29257 clusters in id) Robust SP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER -.0028564.0019088-1.50 0.135 -.0065977.000885 STR.0215448.0035194 6.12 0.000.0146467.028443 VEKST2 -.0728385.0027041-26.94 0.000 -.0781387 -.0675384 GG -.0441599.0067933-6.50 0.000 -.0574751 -.0308448 lnalder2.0160486.006665 2.41 0.016.0029849.0291123 LAGER.0391258.0129391 3.02 0.002.0137647.0644869 fixed2010 -.0010005.0015295-0.65 0.513 -.0039984.0019974 fixed2012.0069808.0014524 4.81 0.000.0041339.0098276 _cons -.5412066.057605-9.40 0.000 -.654115 -.4282982 sigma_u.1076138 sigma_e.15971796 rho.31222853 (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 = 107760 Group variable: id Number of groups = 29196 R-sq: within = 0.0452 Obs per group: min = 1 between = 0.0868 avg = 3.7 overall = 0.0659 max = 4 F(8,29195) = 153.94 corr(u_i, Xb) = -0.2796 Prob > F = 0.0000 (Std. Err. adjusted for 29196 clusters in id) Robust EF_AKP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER.0033785.0006438 5.25 0.000.0021166.0046405 STR.0233963.0015575 15.02 0.000.0203435.0264492 VEKST2 -.0384935.0013469-28.58 0.000 -.0411336 -.0358534 GG -.0371502.0036648-10.14 0.000 -.0443333 -.0299672 lnalder2 -.0014587.0027441-0.53 0.595 -.0068373.0039199 LAGER.0154915.0040363 3.84 0.000.0075801.0234029 fixed2010.0048803.0005249 9.30 0.000.0038515.005909 fixed2012 -.0054998.0005155-10.67 0.000 -.0065101 -.0044894 _cons -.4105859.0248791-16.50 0.000 -.45935 -.3618218 sigma_u.05773497 sigma_e.05347698 rho.53823113 (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 = 109591 Group variable: id Number of groups = 29257 R-sq: within = 0.0322 Obs per group: min = 1 between = 0.1507 avg = 3.7 overall = 0.1045 max = 4 F(8,29256) = 169.69 corr(u_i, Xb) = 0.1588 Prob > F = 0.0000 (Std. Err. adjusted for 29257 clusters in id) Robust SSI Coef. Std. Err. t P> t [95% Conf. Interval] ETTER -.0069103.0008458-8.17 0.000 -.008568 -.0052526 STR.0091051.0017051 5.34 0.000.0057629.0124472 VEKST2 -.0384562.0012352-31.13 0.000 -.0408774 -.0360351 71

GG -.0062069.0029492-2.10 0.035 -.0119876 -.0004263 lnalder2.0064753.00302 2.14 0.032.000556.0123947 LAGER.0447669.0059898 7.47 0.000.0330266.0565072 fixed2010 -.0049983.000621-8.05 0.000 -.0062155 -.0037812 fixed2012.0047623.0005996 7.94 0.000.0035871.0059375 _cons -.2327511.0279642-8.32 0.000 -.2875621 -.17794 sigma_u.07285988 sigma_e.06814808 rho.53337784 (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 = 109307 Group variable: id Number of groups = 29238 R-sq: within = 0.0044 Obs per group: min = 1 between = 0.0040 avg = 3.7 overall = 0.0026 max = 4 F(8,29237) = 45.58 corr(u_i, Xb) = -0.2337 Prob > F = 0.0000 (Std. Err. adjusted for 29238 clusters in id) Robust SPER Coef. Std. Err. t P> t [95% Conf. Interval] ETTER.0117102.0164354 0.71 0.476 -.0205039.0439244 STR.0575635.0235608 2.44 0.015.0113832.1037438 VEKST2.1156722.0174935 6.61 0.000.0813841.1499602 GG.4305364.052284 8.23 0.000.3280575.5330154 lnalder2.0005597.0544598 0.01 0.992 -.106184.1073034 LAGER -1.048493.0782499-13.40 0.000-1.201866 -.8951194 fixed2010 -.0159239.0131809-1.21 0.227 -.0417591.0099113 fixed2012 -.0161281.0128528-1.25 0.210 -.0413202.0090641 _cons -.9005213.3834522-2.35 0.019-1.652105 -.1489377 sigma_u.88904289 sigma_e 1.373541 rho.29525351 (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 = 51436 Group variable: id Number of groups = 27500 R-sq: within = 0.0153 Obs per group: min = 1 between = 0.0480 avg = 1.9 overall = 0.0366 max = 2 F(6,27499) = 28.73 corr(u_i, Xb) = -0.2552 Prob > F = 0.0000 (Std. Err. adjusted for 27500 clusters in id) Robust VEÅ Coef. Std. Err. t P> t [95% Conf. Interval] ETTER.0009831.001029 0.96 0.339 -.0010339.0030001 STR -.0176374.0028449-6.20 0.000 -.0232135 -.0120612 VEKST2.0226456.0023175 9.77 0.000.0181032.0271881 GG.0196024.0062194 3.15 0.002.0074121.0317927 lnalder2 -.0108035.0055947-1.93 0.053 -.0217694.0001625 LAGER -.0256033.0073039-3.51 0.000 -.0399193 -.0112874 _cons.32516.0469035 6.93 0.000.2332268.4170933 sigma_u.05383392 sigma_e.05759972 rho.46624443 (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 = 109591 Group variable: id Number of groups = 29257 R-sq: within = 0.1191 Obs per group: min = 1 72

between = 0.0851 avg = 3.7 overall = 0.0667 max = 4 F(8,29256) = 282.14 corr(u_i, Xb) = -0.7495 Prob > F = 0.0000 (Std. Err. adjusted for 29257 clusters in id) Robust STAP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER.0107789.0017975 6.00 0.000.0072556.0143021 STR -.0825646.0042683-19.34 0.000 -.0909306 -.0741985 VEKST2 -.0542413.0025379-21.37 0.000 -.0592158 -.0492668 GG.4491469.0108634 41.35 0.000.4278542.4704396 lnalder2.0144948.006847 2.12 0.034.0010743.0279153 LAGER -.0153352.0125561-1.22 0.222 -.0399458.0092754 fixed2010.0050783.0013752 3.69 0.000.0023829.0077738 fixed2012.0072517.0013555 5.35 0.000.0045949.0099085 _cons 1.023789.0657752 15.56 0.000.8948664 1.152711 sigma_u.17898575 sigma_e.14599963 rho.60046531 (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 = 64720 Group variable: id Number of groups = 18251 R-sq: within = 0.0229 Obs per group: min = 1 between = 0.0418 avg = 3.5 overall = 0.0285 max = 4 F(8,18250) = 79.12 corr(u_i, Xb) = -0.1285 Prob > F = 0.0000 (Std. Err. adjusted for 18251 clusters in id) Robust SP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER.0017807.0025697 0.69 0.488 -.0032562.0068176 STR.0173616.0040347 4.30 0.000.0094533.0252699 VEKST2 -.072393.0034941-20.72 0.000 -.0792417 -.0655443 GG -.047118.0088581-5.32 0.000 -.0644808 -.0297552 lnalder2.0199624.0086697 2.30 0.021.002969.0369557 LAGER.0253989.0186798 1.36 0.174 -.0112153.062013 fixed2010.0008549.0020773 0.41 0.681 -.0032168.0049266 fixed2012.0059411.0019416 3.06 0.002.0021353.0097468 _cons -.5034228.0707948-7.11 0.000 -.6421873 -.3646583 sigma_u.12136491 sigma_e.16548184 rho.3497543 (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 = 63388 73

Group variable: id Number of groups = 18207 R-sq: within = 0.0518 Obs per group: min = 1 between = 0.0397 avg = 3.5 overall = 0.0337 max = 4 F(8,18206) = 95.17 corr(u_i, Xb) = -0.3867 Prob > F = 0.0000 (Std. Err. adjusted for 18207 clusters in id) Robust EF_AKP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER.0046368.0008182 5.67 0.000.003033.0062405 STR.0196798.0019108 10.30 0.000.0159345.0234251 VEKST2 -.0379587.0017252-22.00 0.000 -.0413403 -.0345771 GG -.0347671.0045683-7.61 0.000 -.0437213 -.0258128 lnalder2.004576.0031751 1.44 0.150 -.0016476.0107996 LAGER.0189329.0056188 3.37 0.001.0079195.0299463 fixed2010.0053624.0006718 7.98 0.000.0040456.0066793 fixed2012 -.0072837.0006693-10.88 0.000 -.0085956 -.0059718 _cons -.3847029.0331612-11.60 0.000 -.449702 -.3197038 sigma_u.06324887 sigma_e.05295062 rho.58793496 (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 = 64722 Group variable: id Number of groups = 18251 R-sq: within = 0.0303 Obs per group: min = 1 between = 0.0761 avg = 3.5 overall = 0.0602 max = 4 F(8,18250) = 88.90 corr(u_i, Xb) = 0.0189 Prob > F = 0.0000 (Std. Err. adjusted for 18251 clusters in id) Robust SSI Coef. Std. Err. t P> t [95% Conf. Interval] ETTER -.006947.0009716-7.15 0.000 -.0088514 -.0050427 STR.0077145.0017588 4.39 0.000.0042671.0111618 VEKST2 -.0318919.0014097-22.62 0.000 -.034655 -.0291289 GG -.0059742.0029293-2.04 0.041 -.0117159 -.0002326 lnalder2.0136995.003203 4.28 0.000.0074213.0199776 LAGER.0314482.0077762 4.04 0.000.016206.0466903 fixed2010 -.0041813.0007368-5.67 0.000 -.0056255 -.0027371 fixed2012.0041759.0007026 5.94 0.000.0027987.0055531 _cons -.2206473.0307759-7.17 0.000 -.280971 -.1603237 sigma_u.07237164 sigma_e.06107302 rho.58406627 (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 = 64458 Group variable: id Number of groups = 18234 R-sq: within = 0.0038 Obs per group: min = 1 between = 0.0007 avg = 3.5 overall = 0.0007 max = 4 F(8,18233) = 22.45 corr(u_i, Xb) = -0.2110 Prob > F = 0.0000 (Std. Err. adjusted for 18234 clusters in id) Robust SPER Coef. Std. Err. t P> t [95% Conf. Interval] ETTER -.0279147.0209014-1.34 0.182 -.0688834.013054 STR -.0004708.0269225-0.02 0.986 -.0532414.0522997 74

VEKST2.0860094.0209995 4.10 0.000.0448483.1271704 GG.4384112.0626782 6.99 0.000.3155559.5612665 lnalder2.0729754.065502 1.11 0.265 -.0554148.2013655 LAGER -1.027256.1072908-9.57 0.000-1.237556 -.8169562 fixed2010.0134612.0168046 0.80 0.423 -.0194774.0463998 fixed2012.0269788.0165327 1.63 0.103 -.0054269.0593844 _cons -.1313492.4661114-0.28 0.778-1.044971.7822729 sigma_u.98071315 sigma_e 1.3542777 rho.34400724 (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 = 29404 Group variable: id Number of groups = 16404 R-sq: within = 0.0199 Obs per group: min = 1 between = 0.0200 avg = 1.8 overall = 0.0153 max = 2 F(6,16403) = 14.43 corr(u_i, Xb) = -0.4726 Prob > F = 0.0000 (Std. Err. adjusted for 16404 clusters in id) Robust VEÅ Coef. Std. Err. t P> t [95% Conf. Interval] ETTER.0012071.0013378 0.90 0.367 -.0014152.0038294 STR -.0193516.0045547-4.25 0.000 -.0282794 -.0104238 VEKST2.025138.0035339 7.11 0.000.0182112.0320649 GG.018555.0076638 2.42 0.015.0035331.0335769 lnalder2 -.0168967.0068331-2.47 0.013 -.0302903 -.0035031 LAGER -.018836.0128688-1.46 0.143 -.0440602.0063882 _cons.3833003.0775733 4.94 0.000.2312482.5353524 sigma_u.06117131 sigma_e.05718147 rho.53367316 (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 = 64722 Group variable: id Number of groups = 18251 R-sq: within = 0.0957 Obs per group: min = 1 between = 0.0404 avg = 3.5 overall = 0.0326 max = 4 F(8,18250) = 130.70 corr(u_i, Xb) = -0.7507 Prob > F = 0.0000 (Std. Err. adjusted for 18251 clusters in id) Robust STAP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER.0120746.0025171 4.80 0.000.0071408.0170084 STR -.0842439.0057874-14.56 0.000 -.0955877 -.0729001 VEKST2 -.0412826.0035446-11.65 0.000 -.0482304 -.0343348 GG.3787468.0133779 28.31 0.000.3525249.4049688 lnalder2.004496.0092679 0.49 0.628 -.01367.022662 LAGER -.0439619.0183019-2.40 0.016 -.0798353 -.0080885 fixed2010.0051262.0018751 2.73 0.006.0014509.0088016 fixed2012.0093384.0018814 4.96 0.000.0056507.0130262 _cons 1.217365.0967876 12.58 0.000 1.027652 1.407078 sigma_u.21134062 sigma_e.15599396 rho.64732641 (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

> 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_115 19690 68.99238 150.673 0 12996. gen TOTAL_REV=r(mean)*r(N) if REV2=="PWC " (155121 missing values generated). sum item_115 if REV2=="ERNST & YOUNG " Variable Obs Mean Std. Dev. Min Max -------------+-------------------------------------------------------- item_115 18595 72.70944 177.8005 0 14000. 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_115 10752 77.57292 162.7849 0 9904. 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_115 14285 54.60896 88.45442 0 2665. 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_115 20798 41.50438 72.10486 0 8074 76

. 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_115 84626 38.52797 424.0302 0 87937. 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_115 2160 41.81343 38.20641 0 645. 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 863208 DELOITTE 780089 ERNST & YOUNG 1352032 HORWATH REVISJON 90317 KPMG 834064 PWC 1358460 ØVRIGE 3260468 ----------------------------------..... end of do-file. do "C:\Users\obb\Dropbox\master i revisjon\høst 2013\metode\regnskapskvalitet > \dofiler\si_fordeling.do". gen SIMNOK=SI/1000000. 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

. tab SIfordeling,gen (SIfordeling_) SIfordeling Freq. Percent Cum. ------------+----------------------------------- 1 26,161 14.92 14.92 2 28,152 16.06 30.98 3 16,129 9.20 40.18 4 26,854 15.32 55.50 5 15,887 9.06 64.57 6 28,493 16.25 80.82 7 14,358 8.19 89.01 8 16,784 9.57 98.59 9 1,313 0.75 99.34 10 1,165 0.66 100.00 ------------+----------------------------------- Total 175,296 100.00. *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 = 19215 Group variable: id Number of groups = 6091 R-sq: within = 0.0187 Obs per group: min = 1 between = 0.0260 avg = 3.2 overall = 0.0208 max = 4 F(9,6090) = 19.13 corr(u_i, Xb) = -0.0878 Prob > F = 0.0000 (Std. Err. adjusted for 6091 clusters in id) Robust SP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER.0021052.0047454 0.44 0.657 -.0071975.0114078 STR.0173404.0094216 1.84 0.066 -.0011292.03581 VEKST2 -.0632416.0067064-9.43 0.000 -.0763884 -.0500947 GG -.0371145.0198856-1.87 0.062 -.0760973.0018684 DREV -.0075347.0094715-0.80 0.426 -.0261023.0110328 lnalder2 -.0102662.0220887-0.46 0.642 -.0535679.0330354 LAGER.0948576.0347506 2.73 0.006.026734.1629811 fixed2010.0022237.0038532 0.58 0.564 -.0053299.0097774 fixed2012.014197.0035012 4.05 0.000.0073334.0210606 _cons -.4620937.1791131-2.58 0.010 -.8132187 -.1109687 sigma_u.13409401 sigma_e.15783513 rho.41920939 (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 = 19032 Group variable: id Number of groups = 6082 R-sq: within = 0.0553 Obs per group: min = 1 78

between = 0.0326 avg = 3.1 overall = 0.0329 max = 4 F(9,6081) = 27.51 corr(u_i, Xb) = -0.3392 Prob > F = 0.0000 (Std. Err. adjusted for 6082 clusters in id) Robust EF_AKP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER.0059966.0012567 4.77 0.000.003533.0084602 STR.0177907.003339 5.33 0.000.0112452.0243363 VEKST2 -.0329849.0026983-12.22 0.000 -.0382744 -.0276953 GG -.0387724.0107034-3.62 0.000 -.0597548 -.01779 DREV -.0012614.0031571-0.40 0.690 -.0074504.0049276 lnalder2.0084167.0068525 1.23 0.219 -.0050166.0218499 LAGER.0256881.0090767 2.83 0.005.0078946.0434816 fixed2010.0046307.0010564 4.38 0.000.0025597.0067016 fixed2012 -.0105037.0011332-9.27 0.000 -.0127252 -.0082821 _cons -.3760695.0635477-5.92 0.000 -.5006455 -.2514935 sigma_u.06181698 sigma_e.04414203 rho.66229345 (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 = 19215 Group variable: id Number of groups = 6091 R-sq: within = 0.0453 Obs per group: min = 1 between = 0.1347 avg = 3.2 overall = 0.0970 max = 4 F(9,6090) = 34.79 corr(u_i, Xb) = -0.0646 Prob > F = 0.0000 (Std. Err. adjusted for 6091 clusters in id) Robust SSI Coef. Std. Err. t P> t [95% Conf. Interval] ETTER -.0065225.0019777-3.30 0.001 -.0103995 -.0026455 STR.0166664.0040675 4.10 0.000.0086927.0246402 VEKST2 -.0465278.0033317-13.97 0.000 -.0530591 -.0399965 GG -.0093333.0082433-1.13 0.258 -.025493.0068264 DREV.0049534.0039729 1.25 0.213 -.0028349.0127416 lnalder2.0236735.0092506 2.56 0.011.0055391.041808 LAGER.0207669.0134939 1.54 0.124 -.0056858.0472196 fixed2010 -.0028996.0015433-1.88 0.060 -.0059251.0001259 fixed2012.005778.0015124 3.82 0.000.0028131.0087429 _cons -.4428461.0783109-5.65 0.000 -.5963631 -.2893291 sigma_u.07984501 sigma_e.06730161 rho.58462928 (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 = 19209 Group variable: id Number of groups = 6090 R-sq: within = 0.0052 Obs per group: min = 1 between = 0.0028 avg = 3.2 overall = 0.0021 max = 4 F(9,6089) = 7.80 corr(u_i, Xb) = -0.2826 Prob > F = 0.0000 (Std. Err. adjusted for 6090 clusters in id) Robust SPER Coef. Std. Err. t P> t [95% Conf. Interval] ETTER -.1042121.0377998-2.76 0.006 -.1783131 -.0301111 STR -.0403095.0562361-0.72 0.474 -.150552.0699331 VEKST2.0379229.0403724 0.94 0.348 -.0412213.1170671 79

GG.5963768.1520076 3.92 0.000.2983881.8943655 DREV -.0343068.0820785-0.42 0.676 -.1952097.1265961 lnalder2.2030017.1564605 1.30 0.195 -.1037163.5097197 LAGER -1.322907.2005443-6.60 0.000-1.716045 -.9297694 fixed2010 -.0782122.0313725-2.49 0.013 -.1397134 -.016711 fixed2012 -.0011694.0296791-0.04 0.969 -.0593508.057012 _cons.2260806 1.06085 0.21 0.831-1.85356 2.305721 sigma_u.96654918 sigma_e 1.3194063 rho.34923355 (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 = 0.0232 Obs per group: min = 1 between = 0.0043 avg = 1.7 overall = 0.0048 max = 2 F(7,5629) = 5.33 corr(u_i, Xb) = -0.4575 Prob > F = 0.0000 (Std. Err. adjusted for 5630 clusters in id) Robust VEÅ Coef. Std. Err. t P> t [95% Conf. Interval] ETTER.0007888.0019282 0.41 0.683 -.0029913.0045688 STR -.0096345.0051787-1.86 0.063 -.0197868.0005178 VEKST2.0166233.0041315 4.02 0.000.008524.0247227 GG.01529.0125092 1.22 0.222 -.0092329.0398129 DREV -.0029068.0041826-0.69 0.487 -.0111063.0052928 lnalder2 -.0215226.012889-1.67 0.095 -.0467899.0037447 LAGER -.0039749.011001-0.36 0.718 -.0255411.0175912 _cons.2413893.1020453 2.37 0.018.0413412.4414373 sigma_u.04496921 sigma_e.03710798 rho.59490784 (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 = 19215 Group variable: id Number of groups = 6091 R-sq: within = 0.0638 Obs per group: min = 1 between = 0.0134 avg = 3.2 overall = 0.0128 max = 4 F(9,6090) = 15.84 corr(u_i, Xb) = -0.6538 Prob > F = 0.0000 (Std. Err. adjusted for 6091 clusters in id) Robust STAP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER.0061184.0038045 1.61 0.108 -.0013398.0135765 STR -.050364.0098205-5.13 0.000 -.0696157 -.0311122 VEKST2 -.023392.0058865-3.97 0.000 -.0349316 -.0118523 GG.3318726.0303698 10.93 0.000.272337.3914081 DREV.0172885.0085066 2.03 0.042.0006125.0339645 lnalder2.0213501.0187147 1.14 0.254 -.0153374.0580377 LAGER -.0035246.0253521-0.14 0.889 -.0532237.0461745 fixed2010.0038875.0027636 1.41 0.160 -.00153.0093051 fixed2012.0061208.0025887 2.36 0.018.001046.0111956 _cons.6354576.1675316 3.79 0.000.3070365.9638787 sigma_u.13821132 sigma_e.11447949 rho.59309534 (fraction of variance due to u_i).. esttab pod03? using Hypotese_4a_fixed.rtf, replace ar2 star (* 0.1 ** 0.05 > *** 0.01) /// 80

> 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 = 155094 Group variable: id Number of groups = 40112 R-sq: within = 0.0220 Obs per group: min = 1 between = 0.0601 avg = 3.9 overall = 0.0368 max = 4 F(9,40111) = 173.71 corr(u_i, Xb) = -0.0959 Prob > F = 0.0000 (Std. Err. adjusted for 40112 clusters in id) Robust SP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER -.0013871.0016169-0.86 0.391 -.0045563.001782 STR.0195845.0028128 6.96 0.000.0140714.0250976 VEKST2 -.0724855.0022464-32.27 0.000 -.0768885 -.0680824 GG -.0474324.0055985-8.47 0.000 -.0584056 -.0364592 DREV -.0048453.0032555-1.49 0.137 -.0112261.0015356 lnalder2.0216261.0054035 4.00 0.000.0110352.032217 LAGER.0295328.0110542 2.67 0.008.0078663.0511993 fixed2010 -.0003271.0012983-0.25 0.801 -.0028719.0022176 fixed2012.0053513.0012242 4.37 0.000.0029518.0077508 _cons -.5221515.0466076-11.20 0.000 -.6135034 -.4307995 sigma_u.10886112 sigma_e.1619564 rho.31120143 (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 = 152116 Group variable: id Number of groups = 40066 R-sq: within = 0.0472 Obs per group: min = 1 between = 0.0629 avg = 3.8 overall = 0.0519 max = 4 F(9,40065) = 196.97 corr(u_i, Xb) = -0.3340 Prob > F = 0.0000 (Std. Err. adjusted for 40066 clusters in id) Robust EF_AKP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER.0035605.0005435 6.55 0.000.0024952.0046258 STR.0233324.0013748 16.97 0.000.0206377.0260271 VEKST2 -.0389607.0011417-34.12 0.000 -.0411985 -.0367229 GG -.0371284.0029732-12.49 0.000 -.0429559 -.031301 DREV -.0019099.0011351-1.68 0.092 -.0041347.0003149 lnalder2 -.0001723.0021667-0.08 0.937 -.0044191.0040745 LAGER.0165613.003594 4.61 0.000.0095169.0236057 fixed2010.0050248.0004421 11.37 0.000.0041584.0058913 fixed2012 -.0054607.0004354-12.54 0.000 -.006314 -.0046074 _cons -.4157378.0222268-18.70 0.000 -.4593029 -.3721727 sigma_u.06035551 sigma_e.05412744 rho.55424117 (fraction of variance due to u_i). eststo pod03c: xtreg SSI ETTER `controls1' `utv1', vce (cluster id) fe 81

Fixed-effects (within) regression Number of obs = 155098 Group variable: id Number of groups = 40113 R-sq: within = 0.0298 Obs per group: min = 1 between = 0.1478 avg = 3.9 overall = 0.1047 max = 4 F(9,40112) = 195.98 corr(u_i, Xb) = 0.1681 Prob > F = 0.0000 (Std. Err. adjusted for 40113 clusters in id) Robust SSI Coef. Std. Err. t P> t [95% Conf. Interval] ETTER -.0070081.0006737-10.40 0.000 -.0083285 -.0056878 STR.0080266.0012985 6.18 0.000.0054816.0105717 VEKST2 -.0346919.000967-35.88 0.000 -.0365872 -.0327967 GG -.005301.0021315-2.49 0.013 -.0094788 -.0011232 DREV -.0010683.0013476-0.79 0.428 -.0037097.0015731 lnalder2.0090374.002253 4.01 0.000.0046214.0134533 LAGER.0416026.004963 8.38 0.000.031875.0513301 fixed2010 -.0048708.0004984-9.77 0.000 -.0058478 -.0038939 fixed2012.0041762.0004757 8.78 0.000.0032438.0051087 _cons -.2158869.0216254-9.98 0.000 -.2582731 -.1735007 sigma_u.07202185 sigma_e.0650185 rho.55097116 (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 = 154556 Group variable: id Number of groups = 40085 R-sq: within = 0.0041 Obs per group: min = 1 between = 0.0030 avg = 3.9 overall = 0.0021 max = 4 F(9,40084) = 53.17 corr(u_i, Xb) = -0.2221 Prob > F = 0.0000 (Std. Err. adjusted for 40085 clusters in id) Robust SPER Coef. Std. Err. t P> t [95% Conf. Interval] ETTER.0190419.0137036 1.39 0.165 -.0078175.0459012 STR.0457495.0191487 2.39 0.017.0082176.0832813 VEKST2.1120598.0142541 7.86 0.000.0841214.1399983 GG.4180733.0413572 10.11 0.000.3370123.4991343 DREV -.0204321.0266011-0.77 0.442 -.0725709.0317066 lnalder2 -.0049996.0432942-0.12 0.908 -.0898572.079858 LAGER -1.018925.0672997-15.14 0.000-1.150834 -.8870166 fixed2010.0075639.010981 0.69 0.491 -.0139591.029087 fixed2012.0019463.0107574 0.18 0.856 -.0191384.0230311 _cons -.6952103.3146346-2.21 0.027-1.311901 -.0785191 sigma_u.88881444 sigma_e 1.3731128 rho.29527632 (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 = 71137 Group variable: id Number of groups = 37166 R-sq: within = 0.0158 Obs per group: min = 1 between = 0.0341 avg = 1.9 overall = 0.0273 max = 2 F(7,37165) = 32.95 corr(u_i, Xb) = -0.2687 Prob > F = 0.0000 (Std. Err. adjusted for 37166 clusters in id) Robust 82

VEÅ Coef. Std. Err. t P> t [95% Conf. Interval] ETTER.000429.0008691 0.49 0.622 -.0012745.0021325 STR -.0177669.0024205-7.34 0.000 -.0225111 -.0130226 VEKST2.024274.0021046 11.53 0.000.0201489.0283991 GG.0200949.0048676 4.13 0.000.0105542.0296355 DREV.000475.0019054 0.25 0.803 -.0032595.0042096 lnalder2 -.0095008.0045316-2.10 0.036 -.0183828 -.0006187 LAGER -.0225306.0068713-3.28 0.001 -.0359986 -.0090627 _cons.3245052.039907 8.13 0.000.2462864.4027239 sigma_u.05558634 sigma_e.05942428 rho.46666678 (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 = 155098 Group variable: id Number of groups = 40113 R-sq: within = 0.1159 Obs per group: min = 1 between = 0.0582 avg = 3.9 overall = 0.0495 max = 4 F(9,40112) = 358.90 corr(u_i, Xb) = -0.7629 Prob > F = 0.0000 (Std. Err. adjusted for 40113 clusters in id) Robust STAP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER.0114546.0015835 7.23 0.000.008351.0145582 STR -.0890468.003821-23.30 0.000 -.0965361 -.0815576 VEKST2 -.0529562.0022318-23.73 0.000 -.0573305 -.0485819 GG.4295446.0087737 48.96 0.000.4123479.4467412 DREV.005143.003438 1.50 0.135 -.0015955.0118815 lnalder2.0108861.0057393 1.90 0.058 -.000363.0221353 LAGER -.0263045.0113424-2.32 0.020 -.0485359 -.0040731 fixed2010.0051733.0012022 4.30 0.000.0028169.0075297 fixed2012.0079461.001182 6.72 0.000.0056294.0102628 _cons 1.170372.0600632 19.49 0.000 1.052647 1.288097 sigma_u.19915969 sigma_e.15368489 rho.62677479 (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

Fixed-effects (within) regression Number of obs = 153039 Group variable: id Number of groups = 42008 R-sq: within = 0.0229 Obs per group: min = 1 between = 0.0594 avg = 3.6 overall = 0.0334 max = 4 F(9,42007) = 173.19 corr(u_i, Xb) = -0.0710 Prob > F = 0.0000 (Std. Err. adjusted for 42008 clusters in id) Robust SP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER -.0006091.0016227-0.38 0.707 -.0037897.0025714 STR.0154593.0029982 5.16 0.000.0095828.0213357 VEKST2 -.0732888.0022808-32.13 0.000 -.0777591 -.0688185 GG -.0390124.0061519-6.34 0.000 -.0510702 -.0269546 DREV -.0030837.0033256-0.93 0.354 -.0096018.0034345 lnalder2.0183611.0056538 3.25 0.001.0072795.0294427 LAGER.0434556.011816 3.68 0.000.0202959.0666152 fixed2010.0004656.0013189 0.35 0.724 -.0021195.0030506 fixed2012.0065702.0012218 5.38 0.000.0041755.008965 _cons -.4600447.0504944-9.11 0.000 -.5590149 -.3610746 sigma_u.11200667 sigma_e.15959254 rho.33001194 (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 = 150522 Group variable: id Number of groups = 41961 R-sq: within = 0.0483 Obs per group: min = 1 between = 0.0522 avg = 3.6 overall = 0.0357 max = 4 F(9,41960) = 183.23 corr(u_i, Xb) = -0.2630 Prob > F = 0.0000 (Std. Err. adjusted for 41961 clusters in id) Robust EF_AKP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER.004128.0005026 8.21 0.000.0031429.0051132 STR.0166859.0013008 12.83 0.000.0141363.0192355 VEKST2 -.0373631.0010955-34.11 0.000 -.0395103 -.0352158 GG -.0188993.003296-5.73 0.000 -.0253596 -.012439 DREV -.0014701.0010611-1.39 0.166 -.0035498.0006096 lnalder2.0011979.002032 0.59 0.555 -.0027848.0051807 LAGER.0150446.0034074 4.42 0.000.0083661.0217232 fixed2010.0056486.0004128 13.68 0.000.0048394.0064578 fixed2012 -.0056438.0004029-14.01 0.000 -.0064335 -.004854 _cons -.3253294.0214999-15.13 0.000 -.3674696 -.2831892 sigma_u.05709227 sigma_e.04921975 rho.57364731 (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 = 153043 Group variable: id Number of groups = 42008 R-sq: within = 0.0326 Obs per group: min = 1 between = 0.1434 avg = 3.6 overall = 0.0908 max = 4 F(9,42007) = 203.47 corr(u_i, Xb) = 0.1277 Prob > F = 0.0000 (Std. Err. adjusted for 42008 clusters in id) Robust SSI Coef. Std. Err. t P> t [95% Conf. Interval] 84

ETTER -.0066433.0006611-10.05 0.000 -.007939 -.0053475 STR.0076934.00136 5.66 0.000.0050278.010359 VEKST2 -.0353165.000989-35.71 0.000 -.0372551 -.033378 GG -.0102313.0022836-4.48 0.000 -.0147072 -.0057555 DREV -.0005096.0013643-0.37 0.709 -.0031836.0021644 lnalder2.0068155.0022544 3.02 0.003.0023968.0112342 LAGER.0420462.0053713 7.83 0.000.0315184.0525741 fixed2010 -.0045179.0004943-9.14 0.000 -.0054868 -.0035491 fixed2012.0050562.0004707 10.74 0.000.0041335.0059788 _cons -.2035496.0231737-8.78 0.000 -.2489705 -.1581287 sigma_u.07429829 sigma_e.06325718 rho.57975277 (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 = 152531 Group variable: id Number of groups = 41978 R-sq: within = 0.0041 Obs per group: min = 1 between = 0.0017 avg = 3.6 overall = 0.0016 max = 4 F(9,41977) = 53.28 corr(u_i, Xb) = -0.2268 Prob > F = 0.0000 (Std. Err. adjusted for 41978 clusters in id) Robust SPER Coef. Std. Err. t P> t [95% Conf. Interval] ETTER -.0019825.0139043-0.14 0.887 -.0292352.0252702 STR.0065571.0202577 0.32 0.746 -.0331484.0462626 VEKST2.107215.0145069 7.39 0.000.0787813.1356487 GG.4864421.0471793 10.31 0.000.3939696.5789146 DREV -.0271814.0280176-0.97 0.332 -.0820965.0277336 lnalder2.0324381.0454543 0.71 0.475 -.0566532.1215295 LAGER -1.12013.0690329-16.23 0.000-1.255436 -.9848241 fixed2010 -.003473.0112654-0.31 0.758 -.0255535.0186075 fixed2012.0054622.0107763 0.51 0.612 -.0156596.026584 _cons -.1582585.3366179-0.47 0.638 -.8180365.5015194 sigma_u.9341171 sigma_e 1.3692518 rho.31759728 (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 = 71291 Group variable: id Number of groups = 38568 R-sq: within = 0.0137 Obs per group: min = 1 between = 0.0176 avg = 1.8 overall = 0.0126 max = 2 F(7,38567) = 31.73 corr(u_i, Xb) = -0.2289 Prob > F = 0.0000 (Std. Err. adjusted for 38568 clusters in id) Robust VEÅ Coef. Std. Err. t P> t [95% Conf. Interval] ETTER -.0004383.0007451-0.59 0.556 -.0018987.0010222 STR -.008453.0023235-3.64 0.000 -.0130071 -.003899 VEKST2.0178391.0019168 9.31 0.000.0140822.021596 GG.0090536.0050077 1.81 0.071 -.0007616.0188688 DREV -.0007434.0016104-0.46 0.644 -.0038999.0024132 lnalder2 -.0132613.0038995-3.40 0.001 -.0209043 -.0056182 LAGER -.0163403.0061277-2.67 0.008 -.0283508 -.0043299 _cons.1908752.0386165 4.94 0.000.1151859.2665645 sigma_u.0501017 sigma_e.04915899 rho.50949646 (fraction of variance due to u_i) 85

. eststo pod03f: xtreg STAP ETTER `controls1' `utv1', vce (cluster id) fe Fixed-effects (within) regression Number of obs = 153043 Group variable: id Number of groups = 42008 R-sq: within = 0.0744 Obs per group: min = 1 between = 0.0207 avg = 3.6 overall = 0.0158 max = 4 F(9,42007) = 182.03 corr(u_i, Xb) = -0.7432 Prob > F = 0.0000 (Std. Err. adjusted for 42008 clusters in id) Robust STAP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER.0122251.0013736 8.90 0.000.0095329.0149173 STR -.0705528.0035483-19.88 0.000 -.0775075 -.0635981 VEKST2 -.0356437.0020012-17.81 0.000 -.0395661 -.0317213 GG.3226495.0090923 35.49 0.000.3048283.3404706 DREV.0037542.0030183 1.24 0.214 -.0021616.0096701 lnalder2.0046132.0051725 0.89 0.372 -.005525.0147515 LAGER -.0135904.0095816-1.42 0.156 -.0323706.0051898 fixed2010.0052868.0010377 5.09 0.000.0032529.0073208 fixed2012.0065711.0010305 6.38 0.000.0045513.0085909 _cons.9763742.0564443 17.30 0.000.8657422 1.087006 sigma_u.16925363 sigma_e.1295511 rho.63056605 (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 = 21270 Group variable: id Number of groups = 10893 R-sq: within = 0.0110 Obs per group: min = 1 between = 0.0277 avg = 2.0 overall = 0.0254 max = 4 F(9,10892) = 9.03 corr(u_i, Xb) = -0.0980 Prob > F = 0.0000 (Std. Err. adjusted for 10893 clusters in id) Robust SP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER.0032731.0060233 0.54 0.587 -.0085337.0150799 STR.0281025.009894 2.84 0.005.0087084.0474966 VEKST2 -.0518623.0080399-6.45 0.000 -.0676219 -.0361026 GG -.0617442.0152496-4.05 0.000 -.0916362 -.0318523 DREV -.008478.0124285-0.68 0.495 -.0328401.015884 lnalder2.0034719.0191627 0.18 0.856 -.0340905.0410343 LAGER.0483425.0318036 1.52 0.129 -.0139983.1106833 fixed2010.0022417.0045799 0.49 0.625 -.0067358.0112192 fixed2012.0089744.0043769 2.05 0.040.0003949.0175539 _cons -.5985552.1550877-3.86 0.000 -.9025553 -.294555 sigma_u.16013271 sigma_e.17677885 86

rho.45071228 (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 = 20626 Group variable: id Number of groups = 10658 R-sq: within = 0.0580 Obs per group: min = 1 between = 0.0792 avg = 1.9 overall = 0.0830 max = 4 F(9,10657) = 32.98 corr(u_i, Xb) = -0.3471 Prob > F = 0.0000 (Std. Err. adjusted for 10658 clusters in id) Robust EF_AKP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER.0089827.0026587 3.38 0.001.0037711.0141944 STR.0395421.0051208 7.72 0.000.0295043.0495799 VEKST2 -.0510452.0043333-11.78 0.000 -.0595394 -.0425511 GG -.0838781.0085817-9.77 0.000 -.1006998 -.0670564 DREV.0008587.0057108 0.15 0.880 -.0103357.012053 lnalder2 -.0117739.0105531-1.12 0.265 -.03246.0089122 LAGER.034201.0149161 2.29 0.022.0049627.0634394 fixed2010.0034534.0020587 1.68 0.093 -.000582.0074889 fixed2012 -.0051919.0020916-2.48 0.013 -.0092919 -.0010919 _cons -.59812.0798509-7.49 0.000 -.7546427 -.4415974 sigma_u.08970356 sigma_e.07682353 rho.576885 (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 = 21270 Group variable: id Number of groups = 10893 R-sq: within = 0.0202 Obs per group: min = 1 between = 0.0745 avg = 2.0 overall = 0.0620 max = 4 F(9,10892) = 13.90 corr(u_i, Xb) = 0.0127 Prob > F = 0.0000 (Std. Err. adjusted for 10893 clusters in id) Robust SSI Coef. Std. Err. t P> t [95% Conf. Interval] ETTER -.005975.0027222-2.19 0.028 -.011311 -.000639 STR.0119748.0049591 2.41 0.016.0022542.0216955 VEKST2 -.0353885.0037918-9.33 0.000 -.0428211 -.0279559 GG -.0015405.0062753-0.25 0.806 -.0138411.0107602 DREV -.0034101.0048011-0.71 0.478 -.0128212.006001 lnalder2.0186929.0093314 2.00 0.045.0004016.0369842 LAGER.0333333.0139111 2.40 0.017.006065.0606017 fixed2010 -.0047727.0020202-2.36 0.018 -.0087327 -.0008126 fixed2012.0021282.0019588 1.09 0.277 -.0017114.0059678 _cons -.3166826.0780304-4.06 0.000 -.4696364 -.1637288 sigma_u.08998111 sigma_e.07749529 rho.57414059 (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 = 21234 Group variable: id Number of groups = 10885 R-sq: within = 0.0049 Obs per group: min = 1 between = 0.0032 avg = 2.0 overall = 0.0027 max = 4 F(9,10884) = 5.39 corr(u_i, Xb) = -0.2482 Prob > F = 0.0000 87

(Std. Err. adjusted for 10885 clusters in id) Robust SPER Coef. Std. Err. t P> t [95% Conf. Interval] ETTER -.002075.0452794-0.05 0.963 -.0908309.0866809 STR.2245457.0598753 3.75 0.000.1071792.3419123 VEKST2.0531962.0487623 1.09 0.275 -.0423868.1487793 GG.4884277.1041261 4.69 0.000.2843216.6925337 DREV.0041517.0809749 0.05 0.959 -.1545738.1628772 lnalder2.0028224.1384003 0.02 0.984 -.2684674.2741122 LAGER -.6022965.2155719-2.79 0.005-1.024857 -.1797364 fixed2010.0040098.0351031 0.11 0.909 -.0647986.0728182 fixed2012 -.0072368.035684-0.20 0.839 -.0771839.0627103 _cons -3.575081.9454216-3.78 0.000-5.42828-1.721883 sigma_u 1.1839981 sigma_e 1.3420146 rho.43768817 (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 = 0.0294 Obs per group: min = 1 between = 0.0527 avg = 1.4 overall = 0.0520 max = 2 F(7,6908) = 7.42 corr(u_i, Xb) = -0.1616 Prob > F = 0.0000 (Std. Err. adjusted for 6909 clusters in id) Robust VEÅ Coef. Std. Err. t P> t [95% Conf. Interval] ETTER.0004916.0048642 0.10 0.920 -.0090437.0100269 STR -.0330307.0103549-3.19 0.001 -.0533296 -.0127319 VEKST2.0567941.0094637 6.00 0.000.0382425.0753458 GG.0441197.0168409 2.62 0.009.0111064.0771331 DREV.0032177.0097345 0.33 0.741 -.015865.0223004 lnalder2.0026645.0247429 0.11 0.914 -.0458392.0511682 LAGER -.0365313.0328383-1.11 0.266 -.1009043.0278418 _cons.5063093.1689865 3.00 0.003.1750438.8375748 sigma_u.09404908 sigma_e.09387201 rho.50094225 (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 = 21270 Group variable: id Number of groups = 10893 R-sq: within = 0.2007 Obs per group: min = 1 between = 0.1935 avg = 2.0 overall = 0.1927 max = 4 F(9,10892) = 138.64 corr(u_i, Xb) = -0.4916 Prob > F = 0.0000 (Std. Err. adjusted for 10893 clusters in id) Robust STAP Coef. Std. Err. t P> t [95% Conf. Interval] ETTER.0008875.0085906 0.10 0.918 -.0159516.0177266 STR -.0421294.0158711-2.65 0.008 -.0732396 -.0110193 VEKST2 -.1591919.0105959-15.02 0.000 -.1799618 -.138422 GG.7370347.0252444 29.20 0.000.6875512.7865182 DREV.0155454.0181577 0.86 0.392 -.0200469.0511378 lnalder2 -.0127203.0287906-0.44 0.659 -.0691552.0437145 LAGER -.0477936.0473157-1.01 0.312 -.1405409.0449537 fixed2010.0020849.006369 0.33 0.743 -.0103994.0145692 fixed2012.0066332.0063735 1.04 0.298 -.00586.0191264 _cons.1814541.2461511 0.74 0.461 -.3010468.6639549 88

sigma_u.26362319 sigma_e.24864277 rho.52921845 (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

Vedlegg 3 Robusttest resultater Tabell Hypotese1 : *robust annen definisjon på periodisering (1) (2) (3) (4) SP2 EF_AKP2 SPER2 VEÅ2 ETTER 0.004 *** 0.004 *** 0.034 ** 0.001 (2.92) (7.94) (2.43) (1.37) STR 0.014 *** 0.022 *** 0.181 *** -0.019 *** (6.18) (18.17) (8.46) (-7.45) VEKST2-0.057 *** -0.038 *** -0.179 *** 0.025 *** (-31.99) (-36.79) (-11.97) (12.79) GG -0.044 *** -0.037 *** 1.317 *** 0.021 *** (-9.57) (-13.20) (28.29) (4.35) DREV -0.006 ** -0.002-0.011-0.000 (-2.52) (-1.54) (-0.41) (-0.24) lnalder2 0.031 *** 0.001 0.033-0.011 ** (7.04) (0.28) (0.74) (-2.57) LAGER 0.011 0.017 *** -0.486 *** -0.024 *** (1.26) (5.36) (-6.59) (-3.60) _cons -0.416 *** -0.394 *** -3.951 *** 0.345 *** (-11.01) (-20.05) (-11.16) (8.38) N 174309 171148 172986 80840 adj. R 2 0.022 0.048 0.011 0.017 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 0.000 0.004 *** -0.005 *** 0.000 0.010 *** (0.07) (9.20) (-8.32) (0.44) (7.33) STR 0.026 *** 0.024 *** 0.012 *** -0.036 *** -0.061 *** (10.63) (18.73) (11.33) (-15.57) (-18.62) VEKST2-0.002-0.001 0.005 *** 0.005 *** 0.004 * (-1.37) (-0.81) (6.99) (3.32) (1.68) GG -0.046 *** -0.055 *** -0.008 *** 0.037 *** 0.385 *** (-9.15) (-18.78) (-3.88) (8.46) (46.18) DREV -0.005 * -0.002-0.001-0.000 0.003 (-1.73) (-1.51) (-1.00) (-0.06) (0.80) lnalder2 0.008-0.001 0.004 ** 0.003-0.001 (1.60) (-0.80) (2.28) (0.90) (-0.10) LAGER 0.034 *** 0.019 *** 0.038 *** -0.025 *** -0.020 ** (3.54) (5.96) (8.78) (-3.63) (-2.16) _cons -0.592 *** -0.410 *** -0.273 *** 0.583 *** 0.779 *** (-14.76) (-20.60) (-15.22) (15.63) (14.64) N 174306 171148 174313 80840 174313 adj. R 2 0.004 0.030 0.007 0.036 0.082 t statistics in parentheses * p < 0.1, ** p < 0.05, *** p < 0.01 90

Tabell Hypotese 1: Med annen definisjon av modell 1 (1) (2) SP4 SP_umatched4 ETTER 0.000-0.001 (0.27) (-1.11) STR 0.027 *** 0.024 *** (11.05) (12.89) VEKST2-0.003 0.005 *** (-1.47) (3.69) GG -0.046 *** -0.045 *** (-9.16) (-12.15) DREV -0.005 * -0.003 (-1.84) (-1.43) lnalder2 0.009 * 0.009 *** (1.85) (2.78) LAGER 0.034 *** 0.032 *** (3.50) (4.06) _cons -0.607 *** -0.502 *** (-15.24) (-16.64) N 174302 174313 adj. R 2 0.004 0.008 t statistics in parentheses * p < 0.1, ** p < 0.05, *** p < 0.01 91

Tabell Hypotese 3a: robust skalering med UB (STAP med IB) (1) (2) (3) (4) (5) SP3 EF_AKP3 SSI3 VEÅ3 STAP2 ETTER -0.002 0.004 *** -0.005 *** 0.000 0.010 *** (-1.19) (6.78) (-6.61) (0.20) (6.10) STR 0.026 *** 0.024 *** 0.013 *** -0.036 *** -0.060 *** (8.06) (15.68) (8.47) (-13.56) (-14.91) VEKST2-0.001 0.000 0.006 *** 0.006 *** -0.007 ** (-0.62) (0.48) (5.52) (2.96) (-2.40) GG -0.049 *** -0.057 *** -0.008 *** 0.036 *** 0.409 *** (-7.61) (-15.02) (-2.72) (6.19) (38.00) lnalder2 0.007-0.004 0.003 0.005 0.002 (1.12) (-1.60) (1.13) (1.01) (0.35) LAGER 0.034 *** 0.016 *** 0.041 *** -0.021 *** -0.009 (2.90) (4.22) (7.63) (-2.96) (-0.83) _cons -0.574 *** -0.393 *** -0.280 *** 0.573 *** 0.707 *** (-11.16) (-17.04) (-11.46) (13.36) (11.17) N 109588 107760 109591 51436 109591 adj. R 2 0.003 0.028 0.007 0.033 0.092 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 0.003 * 0.003 *** 0.032 * 0.001 (1.74) (5.25) (1.79) (1.15) STR 0.013 *** 0.023 *** 0.229 *** -0.018 *** (4.49) (15.02) (7.94) (-6.11) VEKST2-0.055 *** -0.038 *** -0.211 *** 0.024 *** (-24.29) (-28.58) (-10.66) (10.05) GG -0.042 *** -0.037 *** 1.543 *** 0.019 *** (-7.26) (-10.14) (24.21) (2.95) lnalder2 0.029 *** -0.001 0.063-0.011 * (5.10) (-0.53) (1.05) (-1.85) LAGER 0.017 * 0.015 *** -0.490 *** -0.029 *** (1.66) (3.84) (-5.20) (-3.73) _cons -0.388 *** -0.411 *** -4.940 *** 0.334 *** (-8.26) (-16.50) (-10.62) (6.83) N 109589 107760 108823 51436 adj. R 2 0.020 0.045 0.014 0.015 t statistics in parentheses * p < 0.1, ** p < 0.05, *** p < 0.01 92

Tabell Hypotese 3b: robust skalering med UB (STAP med IB) (1) (2) (3) (4) (5) SP3 EF_AKP3 SSI3 VEÅ3 STAP2 ETTER 0.003 0.005 *** -0.005 *** 0.000 0.009 *** (1.13) (5.95) (-5.14) (0.40) (3.90) STR 0.027 *** 0.024 *** 0.012 *** -0.037 *** -0.062 *** (6.76) (10.78) (7.02) (-8.38) (-11.41) VEKST2-0.006 * -0.003 * 0.004 *** 0.005 * 0.018 *** (-1.81) (-1.95) (3.70) (1.74) (4.40) GG -0.040 *** -0.053 *** -0.008 *** 0.034 *** 0.354 *** (-4.77) (-10.65) (-2.84) (4.67) (26.06) lnalder2 0.011 0.002 0.006 ** -0.000 0.001 (1.40) (0.64) (2.26) (-0.03) (0.08) LAGER 0.030 * 0.020 *** 0.030 *** -0.031 ** -0.036 ** (1.66) (3.57) (4.12) (-2.05) (-2.05) _cons -0.647 *** -0.442 *** -0.267 *** 0.627 *** 0.849 *** (-9.47) (-12.02) (-9.33) (8.61) (9.30) N 64718 63388 64722 29404 64722 adj. R 2 0.004 0.033 0.007 0.041 0.071 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 0.006 *** 0.005 *** 0.019 0.001 (2.68) (5.67) (0.84) (0.73) STR 0.015 *** 0.020 *** 0.098 *** -0.020 *** (3.80) (10.30) (2.95) (-4.19) VEKST2-0.061 *** -0.038 *** -0.137 *** 0.026 *** (-19.93) (-22.00) (-5.61) (7.19) GG -0.046 *** -0.035 *** 1.082 *** 0.019 ** (-5.74) (-7.61) (15.15) (2.48) lnalder2 0.033 *** 0.005 0.026-0.015 ** (4.27) (1.44) (0.35) (-2.26) LAGER 0.002 0.019 *** -0.440 *** -0.019 (0.16) (3.37) (-3.54) (-1.44) _cons -0.445 *** -0.385 *** -2.396 *** 0.384 *** (-6.72) (-11.60) (-4.17) (4.85) N 64720 63388 64163 29404 adj. R 2 0.025 0.052 0.008 0.019 t statistics in parentheses * p < 0.1, ** p < 0.05, *** p < 0.01 93

Tabell Hypotese 4a: robust skalering med UB (STAP med IB) (1) (2) (3) (4) (5) SP3 EF_AKP3 SSI3 VEÅ3 STAP2 ETTER -0.000 0.004 *** -0.005 *** 0.000 0.011 *** (-0.21) (7.78) (-7.59) (.) (7.19) STR 0.026 *** 0.026 *** 0.012 *** -0.037 *** -0.065 *** (9.88) (17.82) (10.43) (-15.51) (-17.95) VEKST2-0.003-0.001 0.005 *** 0.005 *** 0.001 (-1.58) (-1.24) (6.95) (3.00) (0.37) GG -0.047 *** -0.055 *** -0.007 *** 0.036 *** 0.394 *** (-8.96) (-17.86) (-3.35) (7.91) (44.78) DREV -0.004-0.002 * -0.001 0.000 0.001 (-1.45) (-1.77) (-0.86) (0.16) (0.25) lnalder2 0.010 ** -0.002 0.004 ** 0.004-0.002 (2.02) (-0.91) (1.98) (1.00) (-0.41) LAGER 0.028 *** 0.019 *** 0.039 *** -0.026 *** -0.026 ** (2.68) (5.34) (8.55) (-3.43) (-2.43) _cons -0.598 *** -0.436 *** -0.271 *** 0.598 *** 0.825 *** (-13.79) (-19.49) (-13.91) (15.34) (14.32) N 155091 152116 155098 71137 155098 adj. R 2 0.004 0.031 0.007 0.035 0.086 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 0.004 *** 0.004 *** 0.033 ** 0.000 (2.86) (6.55) (2.20) (.) STR 0.014 *** 0.023 *** 0.214 *** -0.018 *** (5.72) (16.97) (9.07) (-7.34) VEKST2-0.058 *** -0.039 *** -0.190 *** 0.025 *** (-30.14) (-34.12) (-11.80) (11.90) GG -0.045 *** -0.037 *** 1.306 *** 0.019 *** (-9.18) (-12.49) (26.73) (3.86) DREV -0.005 * -0.002 * -0.020 0.000 (-1.76) (-1.68) (-0.69) (0.08) lnalder2 0.033 *** -0.000 0.014-0.009 * (6.93) (-0.08) (0.30) (-1.95) LAGER 0.006 0.017 *** -0.466 *** -0.025 *** (0.66) (4.61) (-5.84) (-3.51) _cons -0.415 *** -0.416 *** -4.402 *** 0.334 *** (-10.36) (-18.70) (-11.45) (8.04) N 155094 152116 153836 71137 adj. R 2 0.022 0.047 0.011 0.016 t statistics in parentheses * p < 0.1, ** p < 0.05, *** p < 0.01 94

Tabell Hypotese 4b: robust skalering med UB (STAP med IB) (1) (2) (3) (4) (5) SP3 EF_AKP3 SSI3 VEÅ3 STAP2 ETTER 0.003 0.006 *** -0.007 *** -0.001 0.000 (0.57) (4.85) (-3.86) (-0.68) (0.10) STR 0.017 ** 0.016 *** 0.018 *** -0.021 *** -0.039 *** (2.03) (5.16) (4.94) (-4.70) (-4.18) VEKST2 0.009 0.002-0.000 0.004 0.027 *** (1.48) (0.76) (-0.06) (1.38) (3.84) GG -0.037 * -0.056 *** -0.011 0.031 ** 0.286 *** (-1.87) (-5.16) (-1.34) (2.44) (9.09) DREV -0.008-0.000 0.003-0.003 0.023 ** (-0.86) (-0.11) (0.85) (-0.80) (2.43) lnalder2-0.003 0.005 0.021 ** 0.000 0.034 * (-0.13) (0.87) (2.45) (0.05) (1.93) LAGER 0.084 *** 0.018 * 0.028 ** 0.000 0.026 (2.67) (1.84) (2.22) (0.03) (0.99) _cons -0.476 *** -0.328 *** -0.452 *** 0.370 *** 0.411 *** (-2.99) (-5.74) (-6.67) (5.00) (2.62) N 19215 19032 19215 9703 19215 adj. R 2 0.004 0.030 0.009 0.029 0.050 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 0.004 0.006 *** 0.024 0.000 (1.15) (4.77) (0.56) (0.25) STR 0.018 ** 0.018 *** 0.033-0.008 (2.57) (5.33) (0.44) (-1.59) VEKST2-0.051 *** -0.033 *** -0.131 ** 0.016 *** (-9.68) (-12.22) (-2.56) (4.03) GG -0.041 ** -0.039 *** 1.762 *** 0.016 (-2.54) (-3.62) (9.07) (1.26) DREV -0.017 ** -0.001 0.071-0.003 (-2.06) (-0.40) (0.76) (-0.65) lnalder2 0.001 0.008 0.361 * -0.021 (0.08) (1.23) (1.95) (-1.51) LAGER 0.066 *** 0.026 *** -0.460 * -0.004 (2.85) (2.83) (-1.73) (-0.37) _cons -0.444 *** -0.376 *** -2.769 ** 0.211 ** (-3.29) (-5.92) (-2.07) (2.20) N 19215 19032 19150 9703 adj. R 2 0.018 0.055 0.011 0.021 t statistics in parentheses * p < 0.1, ** p < 0.05, *** p < 0.01 95

Tabell Hypotese 5a: robust skalering med UB (STAP med IB) (1) (2) (3) (4) (5) SP3 EF_AKP3 SSI3 VEÅ3 STAP2 ETTER 0.000 0.004 *** -0.005 *** -0.001 0.010 *** (0.26) (9.66) (-7.73) (-1.58) (7.91) STR 0.020 *** 0.017 *** 0.009 *** -0.024 *** -0.057 *** (7.37) (12.78) (7.73) (-11.18) (-16.28) VEKST2-0.004 ** -0.001 0.004 *** 0.002 0.013 *** (-2.25) (-1.19) (5.40) (1.02) (5.45) GG -0.037 *** -0.035 *** -0.009 *** 0.019 *** 0.293 *** (-6.27) (-10.45) (-4.34) (3.99) (32.11) DREV -0.005-0.001-0.001-0.001-0.000 (-1.49) (-1.00) (-0.46) (-0.47) (-0.03) lnalder2 0.009 * -0.000 0.004 * 0.002-0.004 (1.75) (-0.22) (1.94) (0.73) (-0.80) LAGER 0.038 *** 0.018 *** 0.037 *** -0.014 ** -0.021 ** (3.52) (5.61) (7.70) (-2.38) (-2.25) _cons -0.506 *** -0.312 *** -0.219 *** 0.394 *** 0.783 *** (-11.19) (-15.06) (-10.99) (11.62) (13.84) N 153040 150522 153043 71291 153043 adj. R 2 0.003 0.017 0.005 0.019 0.054 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 0.002 0.004 *** 0.053 *** -0.000 (1.56) (8.21) (3.52) (-0.48) STR 0.010 *** 0.017 *** 0.107 *** -0.008 *** (3.91) (12.83) (4.44) (-3.45) VEKST2-0.060 *** -0.037 *** -0.189 *** 0.019 *** (-30.32) (-34.11) (-11.63) (9.74) GG -0.038 *** -0.019 *** 1.583 *** 0.009 * (-7.02) (-5.73) (28.49) (1.69) DREV -0.004-0.001-0.019-0.001 (-1.62) (-1.39) (-0.66) (-0.55) lnalder2 0.036 *** 0.001 0.024-0.013 *** (7.21) (0.59) (0.49) (-3.32) LAGER 0.003 0.015 *** -0.476 *** -0.018 *** (0.35) (4.42) (-5.85) (-2.79) _cons -0.368 *** -0.325 *** -2.870 *** 0.186 *** (-8.41) (-15.13) (-7.17) (4.76) N 153039 150522 152013 71291 adj. R 2 0.023 0.048 0.013 0.014 t statistics in parentheses * p < 0.1, ** p < 0.05, *** p < 0.01 96

Tabell Hypotese 5b: robust skalering med UB (STAP med IB) (1) (2) (3) (4) (5) SP3 EF_AKP3 SSI3 VEÅ3 STAP2 ETTER 0.006 0.010 *** -0.003-0.002 0.010 (1.02) (3.62) (-1.12) (-0.39) (1.21) STR 0.032 *** 0.039 *** 0.015 *** -0.057 *** -0.022 (3.44) (7.10) (3.35) (-5.22) (-1.43) VEKST2 0.027 *** 0.005 0.017 *** 0.029 *** -0.057 *** (3.85) (1.26) (5.26) (3.38) (-5.30) GG -0.079 *** -0.103 *** -0.001 0.065 *** 0.711 *** (-5.63) (-11.37) (-0.12) (4.12) (27.92) DREV 0.003 0.000-0.004 0.003 0.010 (0.23) (0.08) (-0.93) (0.38) (0.61) lnalder2-0.016-0.010 0.010-0.006-0.027 (-0.92) (-0.93) (1.17) (-0.28) (-0.96) LAGER 0.083 *** 0.038 ** 0.032 ** -0.052-0.085 * (2.91) (2.32) (2.36) (-1.61) (-1.86) _cons -0.607 *** -0.588 *** -0.348 *** 0.875 *** -0.085 (-4.16) (-6.89) (-4.81) (5.00) (-0.36) N 21266 20626 21270 9549 21270 adj. R 2 0.014 0.064 0.012 0.044 0.168 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 0.009 * 0.009 *** -0.031 0.000 (1.92) (3.38) (-0.59) (0.02) STR 0.014 * 0.040 *** 0.470 *** -0.032 *** (1.66) (7.72) (5.99) (-2.95) VEKST2-0.036 *** -0.051 *** -0.282 *** 0.060 *** (-5.56) (-11.78) (-4.91) (6.20) GG -0.053 *** -0.084 *** 0.813 *** 0.044 *** (-4.13) (-9.77) (6.64) (2.68) DREV 0.002 0.001-0.013 0.002 (0.21) (0.15) (-0.13) (0.21) lnalder2 0.016-0.012 0.033 0.002 (1.00) (-1.12) (0.21) (0.09) LAGER 0.052 ** 0.034 ** -0.507 ** -0.035 (2.02) (2.29) (-2.01) (-1.06) _cons -0.370 *** -0.598 *** -7.988 *** 0.494 *** (-2.83) (-7.49) (-6.50) (2.77) N 21270 20626 20973 9549 adj. R 2 0.011 0.058 0.010 0.030 t statistics in parentheses * p < 0.1, ** p < 0.05, *** p < 0.01 97

Vedlegg 4 OLS - forutsetninger Vedlegg 4.1 Normalfordelte residualer Normalfordelt residual til kontrollregresjon SP (1) Kernel density estimate Density 0 1 2 3 4-1 -.5 0.5 1 e[id,t] kernel = epanechnikov, bandwidth = 0.0088 Kernel density estimate Normal density Normalfordelt residual til kontrollregresjon EF_AKP (2) Kernel density estimate Density 0 5 10 15 -.5 0.5 e[id,t] kernel = epanechnikov, bandwidth = 0.0022 Kernel density estimate Normal density 98

Normalfordelt residual til kontrollregresjon SSI (3) Kernel density estimate Density 0 5 10 15 20 25 -.4 -.2 0.2.4 e[id,t] kernel = epanechnikov, bandwidth = 0.0020 Kernel density estimate Normal density Normalfordelt residual til kontrollregresjon VEÅ (5) Kernel density estimate Density 0 2 4 6 8 10-1 -.5 0.5 1 e[id,t] kernel = epanechnikov, bandwidth = 0.0006 Kernel density estimate Normal density 99

Normalfordelt residual til kontrollregresjon STAP (6) Kernel density estimate Density 0 5 10 15-1 -.5 0.5 1 e[id,t] kernel = epanechnikov, bandwidth = 0.0021 Kernel density estimate Normal density Vedlegg 4.2 Homoskedaskiske residualer 100

101

102