Tutkimuksessa harkittiin muuttujamuunnoksen suorittamista vastemuuttujalle.
Osakkeen hinnan muutoksen ollessa johdettu toisesta muuttujasta, oli
muuttuja-muunnoksen riskinä, ettei se kuvastaisi enää tutkittavaa ilmiötä. Muuttuja-muunnoksen sijaan aineistoa estimoitiin poistamalla Cookin arvon 1 ylittävät ha-vainnot.
Kuva 9:Osakkeen hinnan muutoksen Pchange residuaalien hajontakuvio ja histogrammi es-timoinnin jälkeen
Aineiston estimoinnin jälkeen kuvan 1 pistepilvestä on edelleen havaittavissa he-teroskedastisuutta. Kuvan 9. perusteella residuaalit ovat edelleen epälineaarisia, minkä myötä residuaalien normaalius ei päde muuttujiin. Heteroskedastisuus ei vaikuta regressioanalyysin tuloksiin, mutta sillä voi olla vaikutusta tulosten ti-lastolliseen merkitsevyyteen. Myös muutosperusteisten muuttujien residuaalien epälineaarisuus ei estä regressioanalyysin toteuttamista, mutta tulee huomioida tuloksia analysoidessa.
Korrelaatiota testatessa muutosperusteisille muuttujille suoritettiin Kolmo-gorov-Smirnovin testi normaaliuden testaamista varten. Myöskään muutospe-rusteiset muuttujat eivät olleet normaalijakaantuneita, joten keskinäistä korrelaa-tiota testattiin Spearmanin korrelaatiokertoimella. Selittävät muuttujat eivät kor-reloineet keskenään merkitsevällä tasolla. Kontrollimuuttujista yhtiön voittopro-sentti PROFMAR korreloi vahvasti oman pääoman tuottoprosentin ROE:n kanssa tilastollisesti merkitsevällä tasolla (rs .75, n =527 p<.0005), minkä vuoksi PROFMAR päätettiin jättää pois regressiosta multikollineraalisuuden välttä-miseksi. Osakkeen beetalla BETA ei saatu tilastollisesti merkitsevää tulosta, joten myös beetä päätettiin jättää pois regressioanalyysista. Spearmanin korrelaatio-kertoimen tulokset on esitetty tarkemmin tulosten yhteydessä kappaleessa 5.2 taulukossa 9.
Lyhenne Muuttuja testaus
𝑷𝒂𝒅𝒋 Osakkeen hinta Vastemuuttuja
BV Kirjanpitoarvo Selittävä muuttuja
NI Nettovoitto Selittävä muuttuja
GWILL Liikearvo Selittävä muuttuja
TGIL Liikearvon alaskirjaus Selittävä muuttuja Osakkeen hinnan muutos Vastemuuttuja
4.7.3 Selittävä muuttuja
Nettovoiton muutos Selittävä muuttuja
Liikearvon muutos Selittävä muuttuja
Alaskirjauksen muutos Selittävä muuttuja
CR current ratio Kontrollimuuttuja
ROE oman pääoman tuotto Kontrollimuuttuja
TOTDEP velka-aste Kontrollimuuttuja
BETA osakkeen beeta mallista poistettu muuttuja PROFMAR voittoprosentti mallista poistettu muuttuja
Taulukko 4: Regressiomalliin valitut testaajat ja mallista poistetut muuttujat
Muutospohjaisten muuttujien aineistoa estimoitiin poistamalla poikkeavat ha-vainnot. Vaikka heteroskedastisuus on aineistossa läsnä, ei vastemuuttujalle suo-ritettu muuttujamuunnoksia. Muuttujista muodostetut regressiomallit ei täytä kaikkia residuaaleille asetettuja ehtoja, mikä tulee ottaa huomioida tulosten ana-lysoinnissa. Taulukossa 5 on esitetty regressioanalyysiin valitut muuttujat, sekä poistetut muuttujat.
4.8 Muodostetut regressiomallit
Tutkimusongelmaan haetaan vastausta yhteensä 13 regressiomallilla. Mallit 1-11 ovat Ohlsonin mallia mukailevia, osakepohjaisiin muuttujiin perustuva regres-siomalleja. Malli 1 koostuu koko tilinpäätösaineistosta. Malli M1 on koko aineis-tosta koostettu malli, joka esitetään seuraavasti;
M1: 𝑃𝑎𝑑𝑗 𝑖𝑡 = 𝛼 + 𝛽1𝐵𝑉𝑖𝑡+ 𝛽2𝑁𝐼𝑖𝑡+ 𝛽3𝐺𝑊𝐼𝐿𝐿𝑖𝑡 + 𝛽4𝑇𝐺𝐼𝐿𝑖𝑡+ 𝜀𝑖𝑡
jossa 𝑃𝑎𝑑𝑗 𝑡 on yrityksen i osakkeen hinnan luonnollinen logaritmi tilinpää-töshetkenä vuonna t. 𝛼 on mallin vakio ja 𝜀𝑖𝑡 virhetermi, jonka oletusarvo regres-siossa-analyysissa on 0. Regressiomallit M2-M11 vastaavat ensimmäistä mallia, mutta muuttujista on muodostettu vuosittainen paneeliaineisto. Mallit on esi-tetty alla taulukossa 6.
Regressiomalli
M2: 𝑃𝑎𝑑𝑗𝑖2008 = 𝛼 + 𝛽1𝐵𝑉𝑖𝑡+ 𝛽2𝑁𝐼𝑖𝑡+ 𝛽3𝐺𝑊𝐼𝐿𝐿𝑖𝑡 + 𝛽4𝑇𝐺𝐼𝐿𝑖𝑡+ 𝜀𝑖𝑡 M3: 𝑃𝑎𝑑𝑗𝑖2009 = 𝛼 + 𝛽1𝐵𝑉𝑖𝑡+ 𝛽2𝑁𝐼𝑖𝑡 + 𝛽3𝐺𝑊𝐼𝐿𝐿𝑖𝑡 + 𝛽4𝑇𝐺𝐼𝐿𝑖𝑡+ 𝜀𝑖𝑡 M4: 𝑃𝑎𝑑𝑗𝑖2010 = 𝛼 + 𝛽1𝐵𝑉𝑖𝑡+ 𝛽2𝑁𝐼𝑖𝑡+ 𝛽3𝐺𝑊𝐼𝐿𝐿𝑖𝑡 + 𝛽4𝑇𝐺𝐼𝐿𝑖𝑡+ 𝜀𝑖𝑡 M5: 𝑃𝑎𝑑𝑗𝑖2011 = 𝛼 + 𝛽1𝐵𝑉𝑖𝑡+ 𝛽2𝑁𝐼𝑖𝑡+ 𝛽3𝐺𝑊𝐼𝐿𝐿𝑖𝑡 + 𝛽4𝑇𝐺𝐼𝐿𝑖𝑡+ 𝜀𝑖𝑡 M6: 𝑃𝑎𝑑𝑗𝑖2012 = 𝛼 + 𝛽1𝐵𝑉𝑖𝑡+ 𝛽2𝑁𝐼𝑖𝑡+ 𝛽3𝐺𝑊𝐼𝐿𝐿𝑖𝑡 + 𝛽4𝑇𝐺𝐼𝐿𝑖𝑡+ 𝜀𝑖𝑡 M7: 𝑃𝑎𝑑𝑗𝑖2013 = 𝛼 + 𝛽1𝐵𝑉𝑖𝑡+ 𝛽2𝑁𝐼𝑖𝑡+ 𝛽3𝐺𝑊𝐼𝐿𝐿𝑖𝑡 + 𝛽4𝑇𝐺𝐼𝐿𝑖𝑡+ 𝜀𝑖𝑡 M8: 𝑃𝑎𝑑𝑗𝑖2014 = 𝛼 + 𝛽1𝐵𝑉𝑖𝑡+ 𝛽2𝑁𝐼𝑖𝑡+ 𝛽3𝐺𝑊𝐼𝐿𝐿𝑖𝑡 + 𝛽4𝑇𝐺𝐼𝐿𝑖𝑡+ 𝜀𝑖𝑡 M9: 𝑃𝑎𝑑𝑗𝑖2015 = 𝛼 + 𝛽1𝐵𝑉𝑖𝑡𝑖𝑡+ 𝛽2𝑁𝐼𝑖𝑡+ 𝛽3𝐺𝑊𝐼𝐿𝐿𝑖𝑡 + 𝛽4𝑇𝐺𝐼𝐿𝑖𝑡+ 𝜀𝑖𝑡 M10: 𝑃𝑎𝑑𝑗𝑖2016 = 𝛼 + 𝛽1𝐵𝑉𝑖𝑡+ 𝛽2𝑁𝐼𝑖𝑡+ 𝛽3𝐺𝑊𝐼𝐿𝐿𝑖𝑡 + 𝛽4𝑇𝐺𝐼𝐿𝑖𝑡+ 𝜀𝑖𝑡 M11: 𝑃𝑎𝑑𝑗𝑖2017= 𝛼 + 𝛽1𝐵𝑉𝑖 + 𝛽2𝑁𝐼𝑖+ 𝛽3𝐺𝑊𝐼𝐿𝐿𝑖 + 𝛽4𝑇𝐺𝐼𝐿𝑖 + 𝜀𝑖
Taulukko 5: Regressiomallit M2-M12
Osakeperusteisten mallien M1-M11 lisäksi muodostetaan muutosperusteiset mallit M12-M13. Muutospohjaisen mallien tarkoituksena on tutkia markkina-ar-von P muutoksen yhteyttä muiden tunnuslukujen muutokseen. Mallit on esitetty seuraavassa;
M12: 𝑃𝒄𝒉𝒂𝒏𝒈𝒆𝑖𝑡 = 𝛼 + 𝛽1𝐵𝑉𝑐ℎ𝑎𝑛𝑔𝑒𝑖𝑡+ 𝛽2𝑁𝐼𝑐ℎ𝑎𝑛𝑔𝑒 𝑖𝑡+ 𝛽3𝐺𝑊𝐼𝐿𝐿𝑐ℎ𝑎𝑛𝑔𝑒𝑖𝑡+ 𝛽4𝑇𝐺𝐼𝐿𝑐ℎ𝑎𝑛𝑔𝑒𝑖𝑡 + 𝛽5𝐶𝑅 + 𝛽6𝑅𝑂𝐸𝑖𝑡 + 𝛽7𝑇𝑂𝑇𝐷𝐸𝐵𝑖𝑡+ 𝜀𝑖𝑡
Kahdeksannessatoista mallissa vastemuuttujaksi on vaihdettu 𝑃𝑐ℎ𝑎𝑛𝑔𝑒, joka on yrityksen i markkina-arvon muutos vuonna t. Selittävien muuttujien lisäksi malliin on lisätty kontrollimuuttujat, jotka esitelty taulukossa 5.
M13: 𝑃𝒄𝒉𝒂𝒏𝒈𝒆𝑖𝑡 = 𝛼 + 𝛽1𝐵𝑉𝑐ℎ𝑎𝑛𝑔𝑒𝑖𝑡−1+ 𝛽2𝑁𝑉𝐼𝑐ℎ𝑎𝑛𝑔𝑒.𝑖𝑡−1+ 𝛽3𝐺𝑊𝐼𝐿𝐿𝑐ℎ𝑎𝑛𝑔𝑒𝑖𝑡−1+ 𝛽4𝑇𝐺𝐼𝐿𝑐ℎ𝑎𝑛𝑔𝑒𝑖𝑡−1+ 𝛽5𝐶𝑅𝑖𝑡+ 𝛽6𝑅𝑂𝐸𝑖𝑡+ 𝛽7𝑇𝑂𝑇𝐷𝐸𝐵𝑖𝑡+ 𝜀𝑖𝑡
Kolmastoista ja viimeinen malli on viivästetty malli, jossa markkina-arvon P muutosta 𝑃𝒄𝒉𝒂𝒏𝒈𝒆 pyritään selittämään edeltävän vuoden selittävillä muuttu-jilla.
5 TULOKSET
5.1 Yleistä
Liikearvon nettomäärän ja alaskirjauksen yhteyttä osakkeen hintaan tutkittiin lineaarisella regressioanalyysillä. Analyysin tueksi muuttujille laskettiin Spearmanin järjestyskorrelaatiokertoimet. Tutkimuksen tulokset esitetään kolmessa osassa; Ensimmäisenä esitetään korrelaatiokertoimen testauksen tulokset. Selkeyden, ja käytettyjen mallien suuren kappalemäärän vuoksi regressioanalyysin tulokset esitetään kahdessa osassa; osakekohtaisiin muuttujiin perustuvien mallien tulokset käydään kappaleessa 5.3 ja muutospohjaisten muuttujien tulokset kappaleessa 5.4.
Tutkimusaineisto koostui yhteensä 911 tilikaudesta. Tilikausia, joilta oli puutteellisia havaintoja, ei olla huomioitu otoksessa. Taulukkoon 7 on koottu vaste- ja selittävien muuttujien havaintojen määrä, keskiarvo ja keskihajonta vuosilta 2008-2017. Tilastoja tarkastellessa on hyvä huomioida, että liikearvon alaskirjausta kuvaava muuttuja TGIL saa arvon 0, mikäli tilikautena ei ole tehty alaskirjausta.
Taulukko 6: Kuvailevia tilastoja muuttujista vuosilta 2008-2017
Taulukon 7 perusteella on havaittavissa, että liikearvoa taseeseen aktivoiden yritysten määrä on kasvanut tutkimusperiodin aikana. Vuonna 2017 110 tutkimuksen kohteena olevasta yrityksestä 106 oli liikearvoa taseessa, kun vuonna 2008 vastaava luki oli 83. Myös osakekohtaisen liikearvon määrä on viimeisen kolmen vuoden aikana noussut tasaisesti. Tutkimusaineistossa on mukana sekä small cap, että large cap-yhtiöitä, mikä on havaittavissa osakekohtaisen kirjanpitoarvon ja liikearvon korkeana keskihajontana.
5.2 Spearmanin korrelaatiokerroin
Muuttujien keskinäistä korrelaatiota testattiin Spearmanin korrelaatiokertoi-mella. Osakeperusteisten muuttujien korrelaatiokertoimet on esitetty taulukossa 8.
Taulukko 7: Korrelaatiokertoimet osakekohtaisille muuttujille. Padj on osakkeen hinnan markkina-arvo, BV on yrityksen kirjanpitoarvoa kuvaava muuttuja, NV yhtiön nettovoitto, GWILL yrityksen netto-määrä ja TGIL liikearvon alaskirjaus.
Vastemuuttujalla 𝑃𝑎𝑑𝑗 havaittiin korreloivan positiivisesti tuottojen (rs= .71 n=
925 p <,001) ja kirjanpitoarvon kanssa. (rs= .60 n= 921 p<,001) Vastemuuttuja korreloi hieman myös liikearvon (rs= .41 n= 925 p<0,001) kanssa, mutta liikear-von alaskirjauksen välillä ei havaittu tilastollisesti merkitsevää korrelaatiota.
Tuotoilla NI oli vähäistä keskinäistä korrelaatiota kirjanpitoarvon BVAL kanssa.
(rs.38 n.995 p<001) Liikearvon havaittiin korreloivan hieman vastemuuttujan Padj (rs .41), osakkeen tuottojen (rs .27) ja alaskirjauksen (rs .28) välillä.
Spearmanin korrelaatiokertoimet muutosperusteisille muuttujille on esi-tetty taulukossa 9. Vastemuuttuja 𝑃𝑐ℎ𝑎𝑛𝑔𝑒 ja osakkeen tuottojen muutoksen 𝑁𝐼𝑐ℎ𝑎𝑛𝑔𝑒 (rs= .20 n= 475 p <,001) , kirjanpitoarvon muutoksen 𝐵𝑉𝐴𝐿𝑐ℎ𝑎𝑛𝑔𝑒, (rs= .18 n= 476 p<,001) liikearvon muutoksen 𝐺𝑊𝐼𝐿𝑐ℎ𝑎𝑛𝑔𝑒L (rs= .09 n= 403 p=,049) ja alaskirjauksen muutoksen 𝑇𝐺𝐼𝐿𝑐ℎ𝑎𝑛𝑔𝑒 välillä ei havaittu merkittävää korrelaa-tiota. Myöskään malliin valittujen selittävien muuttujien, tai kontrollimuuttujien välillä ei havaittu positiivista- tai negatiivista korrelaatiota.
Spearman's Rho BV NV GWILL TGIL
Correlation coefficient 1 0,603** 0,710** 0,413** 0,002
Sig. (2-tailed) <0,001 <0,001 <0,001 0,96
N 921 925 925 925
BV Correlation coefficient 1 0,380** -0,088** -0,012
Sig. (2-tailed) <0,001 0,006 0,698
N 995 995 995
NV Correlation coefficient 1 0,268** 0,007
Sig. (2-tailed) <0,001 0,831
N 1002 1002
GWILL Correlation coefficient 1 0,280**
Sig. (2-tailed) <0,001
N 1002
TGIL Correlation coefficient 1
Sig. (2-tailed) N
Spearman's RhoBETAPROFMARCRROETOTDEPCorrelation coefficient10,177**0,202**0,098*0,560,760,313**0,116*0,313**0,121**Sig. (2-tailed)<0,001<0,0010,0490,2230,098<0,0010,012<0,0010,009N 476475403474476476475476467Correlation coefficient10,118**-0,039-0,0270,0350,191**0,0710,251**-0,085Sig. (2-tailed)0,0070,4180,5350,434<0,0010,106<0,0010,057N 517443517494519518519508Correlation coefficient10,0770,104*0,0620,355**0,0510,349**-0,054Sig. (2-tailed)0,1080,0180,169<0,0010,243<0,0010,230N 441515493517516517506Correlation coefficient10,0800,0320,119*-0,0260,072<0,001Sig. (2-tailed)0,0940,5100,0120,5920,1311N 441418443443443432Correlation coefficient1-0,056-0,200,027-0,0100,046Sig. (2-tailed)2110,6540,5430,8250,300N 492526525526514BETACorrelation coefficient10,205**0,0740,162**0,020Sig. (2-tailed)<0,0010,099<0,0010,659N 494493494485PROFMARCorrelation coefficient10,214**0,753**-0,193**Sig. (2-tailed)<0,0010,000<0,001N 527528516CRCorrelation coefficient10,134**-403*Sig. (2-tailed)0,002<0,001N 527515ROECorrelation coefficient1-082Sig. (2-tailed)0,061N 516TOTDEPCorrelation coefficient1Sig. (2-tailed)N
Taulukko 8: Korrelaatiokertoimet muutosperusteisille muuttujille. Pchange on osak-keen hinnan muutos, BVchange kirjanpitoarvon muutos, NIchange on nettovoiton muutos, GWILLchange liikearvon nettomäärän muutos, TGIL alaskirjauksen muu-tos, BETA osakkeen beeta ja TOTDEP yhtiön velkaantuneisuusaste
5.3 Osakeperusteisen Ohlsonin malli
5.3.1 Ohlsonin malli tarkastelujakso 2008-2017
Regressiomallilla M1 testattiin Ohlsonin modifioitua mallia osakkeen hinnan lo-garitmin muutoksen selittämiseen vuosina 2008-2017. Lähtöoletuksena mallin odotetaan selittävän vastemuuttujan muutosta. Liikearvon alaskirjauksella odo-tetaan olevan negatiivinen yhteys osakkeen hintaan ja tuotoilla, kirjanpitoarvolla ja liikearvon nettomäärällä positiivinen yhteys.
Taulukko 9: mallin yhteenveto
Regressioanalyysi toteutettiin askeltavalla, eli stepwise-menettelyllä, joka jättää kaikki tilastollisesti merkittävät muuttujat malliin. Oletusten mukaisesti malli M1 selitti 47,5% osakkeen hinnan logaritmista. Estimaatin keskivirhe on alhainen, 0.93 ja F-testisuureen mukaan virheen määrä on vähäinen. Muuttujakohtaiset tu-lokset on esitetty alla.
Taulukko 10: Coefficients
T-testin perusteella voidaan todeta, että kaikki malliin valitut muuttujat selittivät hyvin osakkeen hinnan logaritmin muutosta. Liikearvon alakirjaus GILA oli ne-gatiivisesti yhteydessä osakkeen hinnan logaritmiin (-.102, p< 0,0005), mikä on yhteneväinen aikaisten tutkimusten kanssa. Parhaiten vastemuuttujaa selitti osakkeen kirjanpitoarvo BVAL regressiokertoimella 0,391. Myös yrityksen tuot-tojen NI regressiokerroin (.391 p<0,0005) oli liikearvon GWILL regressioker-rointa (.352, p<0,0005) korkeampi. Malli täyttää regressioanalyysin oletukset multikollineaarisuuden osalta, sillä selittävien muuttujien toleranssi ja VIF py-syivät viitearvoissa. Askeltavalla menetelmällä toteutetussa regressioanalyysissä viitearvoissa pysyminen on selvää, sillä menetelmä hylkää muuttujan, mikäli se korreloi liikaa muiden selittävien muuttujien kanssa.
Model R Square
Adjusted R Square
R Square
Change F Change df1 df2
Sig. F Change
M1 0,477 0,475 0,9311838 205,923 4 900 p<.0005
Model
Standardized Coefficients
Beta t Sig Tolerance VIF
M1 (Constant) 16,789 p<.0005
BV 0,391 15,702 p<.0005 0,94 1,064
NI 0,348 13,607 p<.0005 0,891 1,123
GWILL 0,352 13,738 p<.0005 0,883 1,132
TGIL -0,102 -4,017 p<.0005 0,902 1,108
5.3.2 Ohlsonin malli paneeliaineisto
Aineistosta muodostettiin lisäksi paneeliaineisto tilikausilta 2008-2017. Hinta-muutosta tarkasteltiin vuosittain, N=82. Myös paneeliaineiston odotettiin selit-tävän hyvin osakkeen hinnan logaritmia. Liikearvon, tuottojen ja kirjanpitoarvon odotetaan olevan positiivisesti yhteydessä vastemuuttujaan, ja alaskirjauksen ne-gatiivisesti yhteydessä muuttujaan. Regressioanalyysit toteutettiin pakottavalla menettelyllä. Tulokset on esitetty taulukossa 12.
Taulukko 11: mallien yhteenveto vuosittain
Paneeliaineiston perusteella osakepohjainen malli selittää vastemuuttujaa kohta-laisen hyvin myös vuositasolla tarkasteltuna. Parhaiten liikearvon hinnan muu-tosta regressiomalli selitti vuonna 2010, jolloin selitysaste oli 59,7 prosenttia. Mal-lin selitysvoima on keskimäärin laskenut tarkastelujaksolla. F-testin mukaan nol-lahypoteesi on hylättävissä ja sen p-arvo on tilastollisesti merkitsevä kaikissa malleissa.
Muuttujakohtaiset regressiokertoimet on koottu alle taulukkoon 13. T-tes-tin perusteella muuttujat BV, NI ja GWILL olivat kaikissa malleissa positiivisesti yhteydessä muuttujan 𝑃adj muutokseen p-arvon ollessa tilastollisesti merkitsevä tai erittäin merkitsevä. Muuttujan TGIL havaittiin olevan negatiivisesti yhtey-dessä vastemuuttujaan. TGIL sai kuitenkin muita muuttujia merkittävästi suu-rempia p-arvoja, yhteyden ollessa melkein tilastollisesti merkitsevä vain vuosina 2017 ja 2010. Korkean p-arvon vuoksi ei voida täysin poissulkea mahdollisuutta, että liikearvon alaskirjauksen negatiivinen yhteys osakkeen hintaan olisi sattu-man aiheuttamaa. Matalia toleranssiarvoja oli havaittavissa muuttujalla NI vuo-sina 2013 (0,587) ja vuonna 2017 (0,545.) Toleranssi ja VIF pysyivät kaikissa mal-leissa kuitenkin viitearvoissa. Kymmenen vuoden aikana muuttujien keskimää-räiset toleranssit laskivat, mikä vihjaa muuttujien välisen korrelaation mahdolli-suuden kasvaneen aineistossa vuosien myötä.
Paneeliaineiston perusteella liikearvon alaskirjauksen TGIL ja vastemuut-tujan Padj välinen yhteyttä ei voida tarpeeksi luotettavasti osoittaa, joten
nolla-Summary 2008-2017 R Square
Adjusted R Square
R Square
Change F Change df1 df2
Sig. F Change
M2: 2008 0,545 0,522 0,545 23,373 4 78 <0,0005
M3: 2009 0,486 0,459 0,486 18,403 4 78 <0,0005
M4: 2010 0,617 0,597 0,617 31,761 4 79 <0,0005
M5: 2011 0,537 0,514 0,537 22,949 4 79 <0,0005
M6: 2012 0,531 0,508 0,531 23,171 4 82 <0,0005
M7: 2013 0,437 0,411 0,437 16,701 4 86 <0,0005
M8: 2014 0,421 0,395 0,421 15,991 4 88 <0,0005
M9: 2015 0,519 0,499 0,519 25,121 4 93 <0,0005
M10: 2016 0,536 0,516 0,536 27,973 4 97 <0,0005
M11: 2017 0,493 0,473 0,493 24,543 4 101 <0,0005
hypoteesi jää voimaan. Liikearvon nettomäärän GWILL ja osakkeen hinnan vä-lillä havaittiin kuitenkin positiivinen, tilastollisesti merkitsevä yhteys, joka vihjaa liikearvon olevan arvorelevantti erä.
Taulukko 12: Coefficients. Vastemuuttujana Padj.
Coefficients
Model
Standardized Coefficients
Beta t Sig Tolerance VIF
2008 (Constant) 3,141 0,002
BV 0,493 6,34 <,0005 0,966 1,035
NI 0,411 5,083 <,0005 0,891 1,123
GWILL 0,227 2,599 0,011 0,765 1,307
TGIL -0,109 -1,266 0,209 0,786 1,273
2009 (Constant) 6,637 <,0005
BV 0,476 5,746 <,0005 0,962 1,039
NI 0,22 2,679 0,009 0,978 1,022
GWILL 0,419 5,097 <,0005 0,978 1,023
TGIL -0,042 -0,516 0,607 0,986 1,014
2010 (Constant) 6,62 <,0005
BV 0,442 6,198 <,0005 0,953 1,05
NI 0,373 5,262 <,0005 0,968 1,034
GWILL 0,43 5,932 <,0005 0,924 1,083
TGIL -0,152 -2,089 0,04 0,92 1,087
2011 (Constant) 4,265 <,0005
BV 0,372 4,308 <,0005 0,784 1,276
NI 0,362 3,954 <,0005 0,698 1,433
GWILL 0,278 3,3 0,001 0,828 1,208
TGIL -0,114 -1,463 0,147 0,964 1,038
2012 (Constant) 3,349 0,001
BV 0,441 5,69 <,0005 0,951 1,051
NI 0,382 4,593 <,0005 0,829 1,206
GWILL 0,287 3,279 0,002 0,749 1,335
TGIL -0,065 -0,798 0,427 0,856 1,168
2013 (Constant) 4,687 <,0005
BV 0,358 3,885 <,0005 0,771 1,298
NI 0,33 3,126 0,002 0,587 1,704
GWILL 0,371 4,169 <,0005 0,828 1,208
TGIL -0,139 -1,355 0,179 0,621 1,61
2014 (Constant) 3,359 0,001
BV 0,169 2,019 0,047 0,939 1,065
NI 0,497 5,88 <,0005 0,92 1,086
GWILL 0,254 2,889 0,005 0,849 1,178
TGIL 0,078 0,903 0,369 0,892 1,121
2015 (Constant) 3,932 <,0005
BV 0,329 4,325 <,0005 0,894 1,118
NI 0,454 5,936 <,0005 0,882 1,134
GWILL 0,308 4,097 <,0005 0,913 1,095
TGIL -0,009 -0,125 0,901 0,957 1,045
2016 (Constant) 4,447 <,0005
BV 0,321 4,036 <,0005 0,756 1,322
NI 0,405 4,918 <,0005 0,706 1,417
GWILL 0,329 4,311 <,0005 0,822 1,217
TGIL -0,084 -1,182 0,24 0,939 1,065
2017 (Constant) 4,934 <,0005
BV 0,316 3,607 <,0005 0,653 1,532
NI 0,351 3,659 <,0005 0,545 1,836
GWILL 0,354 4,004 <,0005 0,643 1,556
TGIL -0,178 -2,168 0,032 0,744 1,344
5.4 Ohlsonin malli muutosperusteiset muuttujat
Regressiomalleissa M12 ja M13 testattiin liikearvon ja modifioidun Ohlsonin mallin selittävyyttä osakkeen hinnan muutokseen. Mallissa M12 vastemuuttujan muutosta selitettiin saman tilikauden tunnuslukujen muutoksella. Malli M13 taas on viivästetty malli, jossa testattiin aikaisemman tilikauden tunnuslukujen selitysvoimaa vastemuuttujan muutokselle. Selittävien muuttujien lisäksi mallei-hin on lisätty kontrollimuuttujiksi CR, ROE ja TOTDEP. Regressiot toteutettiin pakottavalla menetelmällä ja lähtöoletuksena mallien odotetaan selittävän osak-keen hinnan muutosta.
Taulukko 13: Muutosperusteisten mallien regressioanalyysien yhteenveto
Testauksen mukaan molempien mallien selitysvoima jäi heikoksi. Prosen-tuaalisiin nettomuutoksiin perustuva malli M12 selitti 11,9 prosenttia osakkeen hinnan muutoksesta F (7,372) = 8,305. p<.0005 Viivästetyn mallin selitysaste oli matalampi, 7,34 prosenttia F (7, 304) = 4,566 p <.0005. Keskivirhe molemmissa malleissa oli noin 0,30. Molempien mallien selitysasteiden perusteella ei voida poissulkea sattuman vaikutusta muuttujien välisiin yhteyksiin.
Taulukko 14: M12 ja M13 Coefficients R Square
Adjusted R Square
Std. Error of the
Estimate F Change df1 df2
Sig. F Change
M12: 0,135 0,119 0,305 8,305 7 372 <.0005
M13 0,095 0,074 0,308 4,566 7 304 <.0005
Coefficients
Model
Coefficients
Beta t Sig Tolerance VIF
M12 (Constant) 3,045 0,002
Bvchange 0,101 2,054 0,041 0,971 1,030
NIchange 0,061 1,263 0,207 0,990 1,010
GWILLchange 0,085 1,75 0,081 0,992 1,008
TGILchange -0,014 -0,29 0,772 0,998 1,002
CR 0,011 0,212 0,832 0,872 1,147
ROE 0,257 5,158 <0,005 0,933 1,071
TOTDEB -0,141 -2,717 0,007 0,862 1,161
M13 (Constant) 1,676 0,095
BV delayed 0,061 1,068 0,286 0,914 1,095
NI delayed -0,081 -1,475 0,141 0,985 1,016
GWILL delayed -0,014 -0,254 0,800 0,995 1,005
TGIL delayed 0,026 0,468 0,640 0,994 1,006
CR 0,059 1,017 0,310 0,890 1,124
ROE 0,231 4,050 <0,005 0,914 1,095
TOTDEB -0,081 -1,310 0,191 0,773 1,294
T-testin perusteella voidaan todeta, etteivät selittävät muuttujat juuri selitä osak-keen hinnan muutosta tilikautena, tai seuraavana tilikautena. Tuloksen vahvis-taa myös Spearmanin korrelaatiokerroin, jossa muuttujien välillä ei havaittu kor-relaatiot. Vain kontrollimuuttuja ROE poikkesi merkitsevästi nollasta regressio-kertoimella 0,257 ja 0,231. Muuttujan ROE tulos oli molemmissa malleissa tilas-tollisesti merkitsevä p <0,0005. Muuttujien toleranssit ja VIF-arvot pysyvät vii-tearvojen sisällä, joten muuttujien välisen multikollinearisuuden ei voida olettaa merkittävästi heikentävän regressiomallia.
Tulosten perusteella voidaan todeta, etteivät prosentuaalisiin muutoksiin pe-rustuvat mallit, tai liikearvon tai alaskirjauksen muutokseen pepe-rustuvat muuttu-jat ole hyviä selittämään osakkeen hinnan muutosta. Tuloksia analysoidessa on myös hyvä huomioida, että muutospohjaisessa aineistossa oli aineiston estimoin-nin jälkeen heteroskedastisuutta, eivätkä residuaalit olleet normaalijakautuneet.
Aineiston laadulla voi olla täten vaikutusta tutkimuksen tulokseen ja sen luotet-tavuuteen. Liikearvon alaskirjauksella ei havaittu yhteyttä osakkeen hinnan muutokseen, joten nollahypoteesi jää myös mallien M12 ja M13 perusteella voi-maan. Muuttujana liikearvon alaskirjauksen prosentuaalinen muutos on myös haastava, sillä alaskirjausta ei välttämättä toteuteta vuosittain. Mikäli alaskir-jausta ei ole toistettu seuraavana vuonna, on kyseisen tilikauden muutos prosen-tuaalisesti korkea, mikä aiheuttaa vinoutunutta otantaa.
6 JOHTOPÄÄTÖKSET JA ARVIOINTI
Tutkimuksessa käsiteltiin IFRS 3- standardin mukaisen liikearvon käsittelyn ar-vorelevanssia sijoittajille suomalaisissa pörssiyhtiöissä. Tutkimuskysymykseen Onko IFRS 3 mukainen liikearvo sijoittajalle arvorelevantti? haettiin vastausta lineaa-risella regressioanalyysilla ja Spearmanin korrelaatiokertoimella. Tutkimuksessa hyödynnettiin modifioitua Ohlsonin mallia, jossa liikearvoa ja sen alaskirjausta kuvaavat tunnusluvut oli erotettu kirjanpitoarvosta ja yrityksen tuotoista.
Osakekohtaisiin muuttujiin perustuvassa ja koko aineiston kattavassa mal-lissa M1 liikearvon alaskirjauksella ja yhtiön markkina-arvolla havaittiin tilastol-lisesti merkitsevä, negatiivinen yhteys. Vuosittainen paneeliaineisto (regressio-mallit M2-M11) antoi osin vastaavia tuloksia; Liikearvon alaskirjauksella havait-tiin negatiivinen yhteys osakkeen hintaan, mutta tulos oli tilastollisesti melkein merkitsevä vain malleissa M4 ja M11. Liikearvon nettomäärällä havaittiin tilas-tollisesti merkitsevä, positiivinen yhteys markkina-arvoon kaikissa osakeperus-teisissa malleissa. Havaintoa tukee myös Spearmanin korrelaatiokertoimella ha-vaittu positiivinen korrelaatio liikearvon nettomäärän ja osakkeen markkinahin-nan välillä. Vaikka liikearvolla havaittiin tilastollisesti merkitsevä yhteys mark-kina-arvoon, sekä liikearvon alaskirjauksella melkein merkitsevä yhteys, mal-leista ei välttämättä voida tehdä täysin luotettavia johtopäätöksiä. Tutkimuk-sessa myös havaittiin, että mallin M1 ja paneeliaineiston perusteella yhtiön kir-janpitoarvo ja tuotot selittivät osakkeen hinnan muutosta liikearvon nettomäärää ja alaskirjausta paremmin.
Osakeperusteisten mallien lisäksi tutkimuksessa muodostettiin kaksi muu-tosperusteista mallia. Mallissa M12 osakkeen hinnan muutosta pyrittiin selittä-mään selittävien muuttujien muutoksella. Toisessa muutosperusteisessa mallissa M13 tutkittiin mallin mahdollista viivästettyä vaikutusta.
Mallien M12 ja M13 perusteella selittävillä muuttujilla ei havaittu tilastolli-sesti merkitsevää yhteyttä osakkeen hinnan muutokseen. Mallissa M12 muuttu-jista vain kontrollimuuttuja ROE:lla havaittiin tilastollisesti merkitsevä yhteys osakkeen hinnan muutokseen. Molemmissa malleissa selitysaste jäi kuitenkin heikoksi (M12= 11,7% M13 7,34%), minkä perusteella malleista ei voida tehdä luotettavia johtopäätöksiä.
Vaikka tutkimus osin vahvisti aikaisempaa tutkimusta liikearvon arvorele-vanttiudesta, ei liikearvoa tai sen alaskirjausta voi pitää kuitenkaan erityisen te-hokkaana osakkeen hinnan selittäjänä. Markkinoiden seuratessa yrityksen rapor-tointia, voi olla aiheellista kysyä, onko tieto tulevaisuuden tuottojen alentumi-sesta mahdollisesti ollut havaittavissa kenties aiemmin jo muista yritykseen liit-tyvistä tunnusluvuista, jolloin liikearvon korjattu arvio on mahdollisesti jo lei-vottu hintaan ennen alaskirjausilmoituksen antamista? Tätä osin tukee se, että tuottojen ja kirjanpitoarvon regressiokertoimet olivat liikearvoa kuvaavia muut-tujia korkeammat.
Tutkimuksen tulosten yleistämiseen ja soveltamiseen liittyy rajoituksia. Ai-neiston estimoinnin ja vastemuuttujan muunnoksen jälkeen aineistossa oli ha-vaittavissa edelleen heteroskedastisuutta. Tutkimusaineisto koostui yhteensä 911 havainnosta kymmenen vuoden ajalta, joten heteroskedastisuuden ei nähdä johtuvan liian pienestä otoskoosta. Tutkimusaineistoon sisältyy kuitenkin eriko-koisia yhtiöitä, joiden välillä voi esiintyä suurta vaihtelua tunnusluvuissa. Hete-roskedastisuutta voisi mahdollisesti häiventää lohkomalla aineistoa toimialakoh-taisesti tai yrityskoon mukaan. Osakeperusteisesta mallista johdetut muutospe-rusteiset muuttujat voivat olla liian pitkälle muokattuja, jonka vuoksi yhteyttä osakkeen hintaan ei yksinkertaisesti ole.
Tilikaudella suoritetun alaskirjauksen yhteys tilinpäätöshetken markkina-arvoon voi olla periodina myös liian pitkä. Random walk-teorian mukaisesti osak-keen arvon heijastaessa aina sen hetken informaatiota, tulisi liikearvon alaskir-jauksen arvorelevanssia ja alaskirjausinformaation hyödynnettävyyttä tutkia ly-hyellä aikavälillä, 1-3 päivää alaskirjausilmoituksen jälkeen tarkempien johto-päätösten tekemiseksi.
Tutkimuksen tulos vahvistaa osin aikaisempia tutkimuksia liikearvon ar-vorelevanssista. Liikearvon nettomäärän ja osakkeen hinnan positiivinen yhteys kertoo, että liikearvo kuvastaa tulevaisuuden tuottoerien odotuksia, joita sijoitta-jat huomioivat hinnoittelupäätöksessä. Alaskirjauksen ja osakkeen hinnan teyttä ei voitu täysin vahvistaa, mutta tutkimus antoi viitteitä mahdollisesta yh-teydestä markkina-arvoon. Tutkimuksessa ei saatu näyttö liikearvon alaskirjauk-sen mahdollisesta viivästetystä vaikutuksesta.
Voi olla, että Schatt (2016) mukaisesti alaskirjauksen arvorelevanssiin vai-kuttavat alaskirjauksesta annettavan tiedon sisältö ja sijoittajien odotukset mah-dollisesta alaskirjauksesta. Mikäli alaskirjausilmoitus ei tuo uutta tietoa markki-noille, tai mikäli alaskirjaus on odotettu, eivät sijoittajat korvaa arviotaan yhtiön arvosta. Tätä vahvistaisiva myös aikaisemmat havainnot (esim. Hayn & Hughes 2016; Sapkauskiene 2016: Li & Sloan 2017) siitä, että alaskirjauksia suoritettaisiin myös jäljessä, minkä myötä alaskirjauksesta annettu tieto olisi ollut jo aiemmin havaittavissa muista tietolähteistä.
Oletukset liikearvon nykyisestä käsittelystä ja alaskirjauksesta annetun tie-don laadusta, luotettavuudesta ja relevanttiudesta ovat ongelmallisia, eikä kaik-kia mahdollisia muuttujia voida täysin operationalisoida tutkimuksessa. Tutki-mus kuitenkin tarjoaa todisteita siitä, että IFRS-standardien mukainen käsittely heijastuu yhtiön markkina-arvoon, minkä perusteella monien tilinpäätöstietojen voidaan olettaa antavan jossain määrin relevanttia tietoa sijoittajalle.
LÄHTEET
AbuGhazaleh, N. M., Al-Hares, O., & Roberts, C., 2011. Accounting discretion in goodwill impairments: UK evidence. Journal of International Financial Management & Accounting 22(3), 165-204.
Ball, Ray. 2006. International Financial Reporting Standards (IFRS): pros and cons for investors. Accounting and Business Research, 36:sup1, 5-27
Ball, Ray. 2016. IFRS – 10 years later. Accounting and Business Research, 46:5 545-571
Ball, R. & Brown, P. 1968. An Empirical evaluation of accounting income num-bers. Journal of Accounting Research 6:2, 159–178.
Barth, M., Beaver, W., & Landsman, W.2001. The relevance of the value relevance literature for financial accounting standard setting: another view. Journal of accounting and economics, 31(1-3), 77-104.
Beatty, A., & Weber, J. 2006. Accounting discretion in fair value estimates: An examination of SFAS 142 goodwill impairments. Journal of Accounting Re-search, 44(2), 257-288.
Bugeja, M., & Gallery, N. 2006. Is older goodwill value relevant? Accounting and Finance, 46(4), 519.
Camodeca, R., Almici, A., & Bernardi, M. 2013. Goodwill impairment testing un-der IFRS before and after the financial crisis: evidence from the UK large listed companies. Problems and perspectives in management, 11(3), 17-23.
Dahmash, F., Durand, R., & Watson, J. 2009. The value relevance and reliability of reported goodwill and identifiable intangible assets. The British Account-ing Review 41(2), 120-137.
Fama, E. 1970. Efficient Capital Markets: A Review of Theory and Empirical Work. Journal of Finance 25:2, 383-417.
Fernandes, J., Gonçalves, C., Guerreiro, C., & Pereira, L. 2016. Impairment losses:
causes and impacts. Revista Brasileira de Gestão de Negócios, 18(60), 305-318.
Finanssivalvonta, Raportti IFRS-valvonnasta toimintavuodelta 2013. [viitattu 22.4.2019 ]. https://www.finanssivalvonta.fi/tiedotteet-ja-julkaisut/verk- kouutiset/2014/raportti-ifrs-valvonnasta-2013-rahoitusinstrumenttistan-dardien-noudattamisen-valvonta-laajaa/
Glaum, M., Schmidt, P., Street, D. & Vogel, S., 2012. Compliance with IFRS 3- and IAS 36-required disclosures across 17 European countries: company- and country-level determinants. Accounting and Business Research, 43(3), 163-204.
Hall, S. C., 2002. Goodwill reporting. Journal of Financial Service Professionals, 56(1), 10-12.
Hamberg, M., Paananen, M., & Novak, J. 2011. The adoption of IFRS 3: The effects of managerial discretion and stock market reactions. European Accounting Review, 20(2), 263-288.
Harrington, J. P., Nunes, C. & Roland, G., 2010. Goodwill impairment study.
Morristown, N.J.: Financial Executives Research Foundation.
Hayn, C., & Hughes, P., 2006. Leading Indicators of Goodwill Impairment.
Journal of Accounting, Auditing and Finance, Vol. 21, Issue 3, 223-265
Henning, S., Lewis, B., & Shaw, W. 2000. Valuation of the components of pur-chased goodwill. Journal of Accounting Research, 38(2), 375-386.
IASB, 2010. Conceptual Framework for Financial Reporting 2010. [viitattu 30.30.
2019]. https://library.croneri.co.uk/cch_uk/iast/miscconceptualfram-201009
IASB, 2015. Post-implementation Review of IFRS 3 Business Combinations. [vii-tattu 19.6.2018]. https://www.ifrs.org/-/media/project/pir-ifrs-3/pub-lished-documents/pir-ifrs-3-report-feedback-statement.pdf
IFRS Foundation 2016. IFRS: Konsolidoitu versio : 1.1.2016 voimassa olevat vaa-timukset. Helsinki: ST-Akatemia
Jennings, R., Robinson, J., Thompson, R. B., & Duvall, L. 1996. The relation be-tween accounting goodwill numbers and equity values. Journal of Business Finance & Accounting, 23(4), 513-533.
Jennings, R., LeClere, M., & Thompson, R. 2001. Goodwill amortization and the usefulness of earnings. Financial Analysts Journal, 57(5), 20-28.
Volume 23 No. 4 , 513-534.
Johnson, L., and K. Petrone. 1998. Is goodwill an asset? Accounting Horizons 12, 293–303.
Jokivuori, P., & Hietala, R. 2015. Määrällisiä tarinoita: Monimuuttujamenetel-mien käyttö ja tulkinta. Jyväskylä: Docendo.
Kargin, S., 2013. The impact of IFRS on the value relevance of accounting infor-mation: Evidence from Turkish firms. International Journal of Economics and Finance 5(4), 71.
Kauppalehti 8.6.2016. Pörssiyhtiöiden liikearvoissa piilee riskejä [viitattu 28.5.2018]. https://www.kauppalehti.fi/uutiset/porssiyhtioiden-liik-earvoissa-piilee-riskeja/WCwHqeJX
Khanagha, J. 2011. Value relevance of accounting information in the United Arab Emirates. International Journal of Economics and Financial Issues, 1(2), 33-45
Lapointe-Antunes, P., Cormier, D., & Magnan, M. 2009. Value relevance and timeliness of transitional goodwill-impairment losses: Evidence from Can-ada. The International Journal of Accounting, 44(1), 56-78.
Li, K. K., & Sloan, R. G., 2017. Has goodwill accounting gone bad? Review of Ac-counting Studies 22(2), 964-1003.
Metsämuuronen, J. 2011. Tutkimuksen tekemisen perusteet
ihmistieteissä. Gummerus ja Booky.fi. Jyväskylän yliopisto, e-kirja, opiske-lijalaitos, https://jykdok.linneanet.fi/vwebv/holdingsInfo?bibId=1183030.
Mueller, D., & Supina, D. 2002. Goodwill capital. Small Business Economics, 19(3), 233-253.
Nethercott, L., & Hanlon, D. 2002. When is goodwill not goodwill? the account-ing and taxation implications. Australian Accountaccount-ing Review, 12(1), 55-63.
Ohlson, J. 1995. Earnings, book values, and dividends in equity valuation. Con-temporary accounting research, 11(2), 661-687.
Paananen, M. 2008. Fair value accounting for goodwill under IFRS: An explora-tory study of the comparability in France, Germany, and the United King-dom.
Pajunen, K., & Saastamoinen, J. 2013. Do auditors perceive that there exists earn-ings management in goodwill accounting under IFRS? Finnish evidence.
Managerial Auditing Journal, 28(3), 245-260.
Pajunen, K., Saastamoinen, J., & Ojala, H. 2013. Financial analysts’ perceptions of goodwill accounting under IFRS. Working paper.
Perera, R. A. A. S., & Thrikawala, S. S. 2010. An Empirical Study Of The Relevance Of Accounting Information On Investor’ Decisions.
Ramanna, K., & Watts, R. L. 2012. Evidence on the use of unverifiable estimates
Ramanna, K., & Watts, R. L. 2012. Evidence on the use of unverifiable estimates