Finns det ett samband mellan andelen kvinnor i styrelsen och aktiens avkastning?

Finns det ett samband mellan andelen kvinnor i styrelsen och aktiens avkastning? En studie på Stockholmsbörsen Kandidatuppsats Nationalekonomiska institutionen Ekonomihögskolan vid Lunds universitet NEKH02 25 maj 2016 Författare: Carl Hemmingson Handledare: Anne-Marie Pålsson

Sammanfattning Syftet med studien är att undersöka om det råder ett signifikant samband mellan andelen kvinnor i bolagsstyrelsen och aktieavkastningen för bolag noterade på Stockholmsbörsen. Tidsperioden för studien sträcker sig från år 2000 till och med år 2015 och inkluderar 35 stycken industribolag noterade på Stockholmsbörsen. I studien utförs två stycken OLSregressioner, en baseras på single-index-modellen och en på Fama & Frenchs trefaktormodell. Resultatet i studien visar att det inte finns något signifikant fastställt samband mellan andelen kvinnor i styrelsen hos bolag noterade på Stockholmsbörsen och bolagens aktieavkastning. Resultatet tyder på att det inte finns ekonomiska incitament ur ett avkastningsperspektiv att vilja ha en högre andel kvinnliga styrelseledamöter på Stockholmsbörsen än vad som finns idag. Nyckelord: Kvinnor i styrelser, Aktiers avkastning, Stockholmsbörsen, Single-indexmodellen, Fama & Frenchs trefaktormodell

Innehållsförteckning 1. Introduktion... 1 2. Tidigare forskning... 4 3. Teori... 6 3.1. Styrelsens funktion... 6 3.2. Kvinnligt styrelsearbete... 6 3.3. Single-Index-Modellen... 7 3.4. Fama & Frenchs trefaktormodell (FF3M)... 7 4. Data och metod... 9 4.1. Olika val... 9 4.1.1. Sektor... 9 4.1.2. Bolag... 10 4.1.3. Tidsperiod... 10 4.1.4. Jämförelseindex... 11 4.1.5. Riskfri ränta... 11 4.2. Undersökningsmetod... 11 4.3. Variabler... 13 4.3.1. Beroende variabel... 13 4.3.2. Oberoende variabler... 14 4.4. Regressionspremisser... 17 4.5. Reliabilitet och validitet... 18 5. Resultat och analys... 20 5.1. Test för normalitet... 20 5.2. Test för heteroskedasticitet... 21 5.2. Test för autokorrelation... 22 5.3. Test för multikollinearitet... 23 5.4. Test för stationäritet... 24 5.5. Regressionsresultat för single-index-modellen... 25 5.6. Regressionsresultat för Fama och Frenchs trefaktormodell... 27 5.7. Analys... 28 6. Slutsats... 30 Referenslista... 31 Appendix... 36

1. Introduktion Avkastningen hos en aktie beror på aktiekursen vid två olika tillfällen samt eventuell utdelning under tiden mellan tillfällena (Bodie et al. 2014). Den fundamentala orsaken till varför en aktiekurs förändras beror på utbud och efterfrågan. Det är hela grunden till hur en aktie prissätts på marknaden. En aktie är inte mer värd än vad någon är beredd att betala för den. De faktorer som i sin tur påverkar utbud och efterfrågan är många. Det är underliggande faktorer som konjunktur och det makroekonomiska läget, så som räntan i ett land, och mer företagsspecifika, exempelvis finansiella nyckeltal och framtidsutsikten för ett bolag (Nasdaq OMX Nordic, 2016). Utöver dessa företagsspecifika faktorer kan en del av ett bolags framgång, således aktiekurs, förklaras av hur välfungerande och effektivt styrelsen sköter sina förpliktelser och åtaganden så som att rösta om finansiella samt operativa beslut (Kim, Nofsinger & Mohr, 2010). De svenska börsstyrelserna har länge varit och är fortfarande dominerade av män, men andelen kvinnor i styrelserna i bolagen noterade på Stockholmsbörsen har ökat de senaste åren, samtidigt som frågan om jämställdhet i bolagsstyrelser alltmer hamnat på agendan. Enligt Folksams jämställdhetsindex år 2005 var andelen kvinnor 17 % i styrelserna i bolagen noterade på Stockholmsbörsen. En mätning tio år senare visar att andelen var betydligt högre. Enligt en undersökning av andra AP-fonden (2015) uppgick andelen kvinnor i styrelser till 27,9 % för bolagen på Stockholmsbörsen. I båda studierna ingick samtliga bolag noterade på OMXS Large, Mid och Small Cap. Även om det hänt mycket på tio års tid, är det fortfarande långt kvar tills det blir helt jämställt i börsbolagens styrelser. I ett försök att öka den kvinnliga representationen i noterade bolags styrelser presenterade regeringen i juni 2015 ett mål att andelen kvinnor i ett börsbolags styrelse ska uppgå till minst 40 % i slutet av år 2016, annars kommer det bli aktuellt att lägga fram en kvoteringslag år 2017 (Regeringskansliet, 2015). Ute i Europa finns det redan flertalet länder som infört kvoteringslagar. Först ut var Norge som år 2003 lagstiftade om att minst 40 % av vardera kön skall ingå i de större bolagsstyrelserna (Ahern & Dittmar, 2012). De politiska incitamenten för att öka andelen kvinnor i bolagsstyrelser är uppenbarligen starka och ämnet är aktuellt i dagsläget, men huruvida det finns ekonomiska incitament att vilja ha mer jämställda bolagsstyrelser är inte helt klarlagt. Det har genomförts ett antal studier som undersökt hur ökad jämställdhet i bolagsstyrelser påverkar olika ekonomiska variabler, så som finansiella nyckeltal, och utfallen är varierande. Studier genomförda på tvärsnittsdata 1

indikerar ett positivt samband på aktiekurser och högre lönsamhet med en högre andel kvinnor i styrelsen, medan studier som bygger på paneldata över tid inte visar något eller ett visst negativt samband (Dobbin & Jung, 2011). En majoritet av studierna har fokuserat på hur andelen kvinnor i bolagsstyrelser påverkar företagsspecifika variabler, exempelvis olika lönsamhetsmått, och få studier har undersökt om det finns ett samband mellan aktieavkastning och andelen kvinnor i bolagsstyrelser. I och med den eventuella kvoteringslagen kvotering kan vi förvänta oss en ökning av andelen kvinnor i de svenska börsbolagens styrelser och det är därför intressant att undersöka om det finns ett samband mellan andelen kvinnor i styrelsen hos bolag noterade på Stockholmsbörsen och bolagens aktieavkastning. Syftet med studien är att undersöka om det råder ett signifikant samband mellan andelen kvinnor i bolagsstyrelsen och aktieavkastningen för bolag noterade på Stockholmsbörsen. I studien används tillgångsprissättningsmodellerna single-index-modellen och Fama & Frenchs trefaktormodell, empirisk data samt ekonometriska metoder för att uppfylla syftet. Utifrån syftet formuleras följande två hypoteser: H 0 : Det finns inget signifikant samband mellan andelen kvinnor i en bolagsstyrelse och bolagens aktieavkastning på Stockholmsbörsen H 1 : Det finns ett signifikant samband mellan andelen kvinnor i en bolagsstyrelse och bolagens aktieavkastning på Stockholmsbörsen I utformandet av studien genomförs ett antal avgränsningar. Studien behandlar enbart industribolag noterade på Stockholmsbörsens listor OMXS Large Cap, OMXS Mid Cap samt OMXS Small Cap. Definitionen för vad som är ett industribolag utgår från sektorindelningssystemet GICS. Studien omfattar 35 stycken bolag. Orsaken till att andra noterade industribolag i Sverige ej inkluderas är att de ofta är relativt nystartade och de bolagen generellt sett har en låg andel kvinnor i bolagsstyrelserna. Ett kriterium för urvalet av bolag är att de var noterade på Stockholmsbörsen 1 den sista december 1999 och fortfarande var det den första januari 2016. Undersökningsperioden sträcker sig från 2000-01-01 till 2015-12-31 och ytterligare ett kriterium för valet av bolag är att inget av bolagen bytt namn under den givna tidsperioden. Studien tar inte hänsyn till det totala antalet styrelseledamöter 1 Med Stockholmsbörsen menas börslistorna OMXS Large Cap, Mid Cap och Small Cap 2

och inte heller antalet kvinnliga ledamöter utan enbart andelen kvinnliga styrelseledamöter. Avgränsningen, både antalet bolag och den angivna tidsperioden, bör ge tillräckligt med data för att studien ska kunna ge tillförlitliga resultat. Studien är uppbyggd utifrån följande disposition. Efter studiens introduktion återges ett urval av den tidigare forskning som genomförts inom ämnesområdet och dess resultat. Teorikapitlet inleds med att beskriva vad en styrelsers uppgifter är och hur kvinnligt styrelsearbete skiljer sig från manligt. Vidare redovisas de ekonomiska modeller som används i studien för att beskriva aktiers avkastning; single-index-modellen och Fama & Frenchs trefaktormodell. I data och metod-kapitlet ges en förklaring till vilken data som används, de val som görs i studien och hur undersökningsmetoden är utformad. Vidare beskrivs de variabler som ingår och hur regressionerna är utformade. Kapitlet avslutas med en diskussion om studiens reliabilitet och validitet. I kapitel 5 redogörs för de tester som genomförs, regressionernas resultat och en analys av utfallet. I det sista kapitlet diskuteras studiens resultat och implikationen av detta. Avslutningsvis formuleras förslag på vidare forskning inom ämnet. 3

2. Tidigare forskning Antalet studier som behandlar andelen kvinnor i börsstyrelser och bolagens prestation är många. Däremot är det få studier som har jämfört om det finns ett samband mellan andelen kvinnor och aktieavkastning. En studie som dock behandlar aktieavkastning och andelen kvinnor i styrelsen genomfördes av Flam och Winberg (2009). Studien omfattade 29 bolag på Stockholmsbörsen över en period på nio år och i studien testades om det fanns ett samband mellan aktieavkastning och andel kvinnor i styrelsen. Detta testades med hjälp av regressionsanalys och modellerna CAPM respektive Fama & Frenchs trefaktormodell. Flam och Winberg fann inget signifikant samband. Det har genomförts ett flertal studier som undersökt om det finns något samband mellan olika finansiella nyckeltal, främst ROE (Return on equity), ROA (Return on assets) samt Tobin s Q (marknadsvärdet hos ett bolag dividerat med återanskaffningsvärdet av bolagets tillgångar) (Bodie et al. 2014) och andelen kvinnor i bolagsstyrelser. Utfallen för studierna har varit olika där vissa fastställt ett positivt samband, andra ett negativt och flertalet inte har funnit något samband alls. Med andra ord finns det inget tydligt svar på hur andelen kvinnor i bolagsstyrelser påverkar bolagets prestation eller aktiekurs. Två studier som utförts på den norska marknaden har båda visat på ett negativt samband. Böhren och Ström genomförde en paneldatastudie år 2010 på 203 noterade norska bolag för en tidsperiod mellan 1989 och 2002. De testade om det fanns något samband mellan andelen kvinnor i de 203 bolagen och bolagens ROE, ROS (Return on Sales) och bolagens Tobin s Q. De eventuella sambanden testades med regressionsanalys och de fann att det existerade ett negativt samband mellan andelen kvinnor i styrelsen och de tre nyckeltalen. En annan studie på 248 noterade norska bolag för tidsperioden 2001 2009 av Ahern och Dittmar (2012) gav samma resultat för sambandet mellan Tobin s Q och andelen kvinnor i styrelser. 2006 genomfördes en skandinavisk studie på de 500 största bolagen i Sverige, Norge och Danmark av Nordic Innovation Centre. Undersökningen gick ut på att se om det fanns något samband mellan andelen kvinnor och ROA och marknadsvärdet under år 2005. Metoden som användes i studien var regressionsanalys och inget samband kunde fastställas. 4

Flertalet studier har dock funnit en positiv korrelation mellan andelen kvinnor i styrelsen och finansiella nyckeltal, bland annat en av de största studierna som genomfördes av Smith, Smith och Verner (2006). I studien undersöktes om det fanns ett samband mellan andelen kvinnor i styrelsen och i högsta ledningen och ett flertal finansiella nyckeltal, bland annat bruttoresultat, nettoomsättning och vinst efter skatt. I studien ingick de 2500 största danska bolagen mellan åren 1993 och 2001. Forskarna fann en positiv korrelation med bolagens resultat. En annan studie, av Carter, Simkins och Simpson (2003), fann en positiv korrelation mellan andelen kvinnor i styrelsen och finansiella nyckeltal. En nackdel med flera av de studier som genomförts är att de undersökt en kort tidsperiod eller enbart ett enskilt år. Dock har många av dem varit omfattande vad gäller mängden bolag i studierna. Forskarna har också i stor utsträckning enbart fokuserat på hur bolagen presterat, inte hur aktierna presterat på marknaden, vilket är mer intressant ur ett investerarperspektiv. 5

3. Teori 3.1. Styrelsens funktion Styrelsens roll varierar mycket beroende på bolagets storlek och för små bolag är styrelsens primära funktion att uppfylla lagens krav, medan för andra företag kan det vara en väl sammansatt styrelse som medför att företaget blir en vinnare på börsen. Styrelsen agerar som aktieägarnas ombud att styra företaget. En styrelse är inte involverad i de dagliga uppgifterna utan hanterar de stora besluten och lämnar resten till ledande befattningshavare i företaget. Styrelsens primära funktioner kan sammanfattas i följande punkter: Styrelsen skall tillsätta, utvärdera och vid behov även avsätta den högsta ledningen, med posten som VD som den viktigaste att ta i beaktning Styrelsen skall rösta om stora operativa beslut, exempelvis om stora investeringar och förvärv Styrelsen skall rösta om finansiella beslut, exempelvis om emission av aktier och obligationer, utdelningar och aktieåterköp Styrelsen skall bistå med expertråd till ledningen Styrelsen skall se till att företagets verksamhet och finansiella ställning rapporteras på ett korrekt sätt till aktieägarna (Kim, Nofsinger & Mohr, 2010) 3.2. Kvinnligt styrelsearbete I en omfattande studie av Adams och Ferriera (2009) undersöktes hur kvinnliga styrelseledamöter påverkar styrelsearbetet och bolagets aktiekurs. Studien visar hur kvinnliga styrelseledamöter förändrar styrelsers sätt att arbete. Forskarna kom fram till att kvinnliga styrelseledamöter ägnar mer tid åt att övervaka bolaget och de har högre närvaro på mötena än manliga styrelseledamöter. Ytterligare en effekt var att ju mer diversifierad styrelsen var desto högre närvaro hade även de manliga styrelseledamöterna. Studiens resultat är dock att ju mer diversifierad styrelse, desto sämre presterar företaget. En potentiell orsak är att det blir för mycket styrelseövervakning. Samtidigt visar studien också att en mer diversifierad styrelse kan ha en positiv påverkan på bolaget om aktieägarna har liten makt. 6

3.3. Single-Index-Modellen Single-index-modellen är en tillgångsprissättningsmodell för att mäta både risken och avkastningen för en tillgång. Modellen innehåller endast en makroekonomisk faktor som påverkar avkastningen och den faktorn representeras av marknadens riskpremie. Riskpremien är ett mått som definieras som avkastningen för marknaden, r M, minus den riskfria räntan, r f. Modellen ser ut som följande: R "# = α " + β " R )(#) + e "# där i=1,2, n (Formel 3.1.) R it Överavkastning för tillgång i, beräknas som avkastningen minus den riskfria räntan, R it = r it r f(t) α i Intercept, förväntad överavkastning för tillgång i då marknadens överavkastning är noll β i Betavärde för tillgången i och lutningskoefficient för marknadens överavkastning R M(t) Marknadens överavkastning, benämns också som marknadens riskpremie och beräknas r M(t) r f(t) e it slumpterm, även benämnd residual (Bodie et al. 2014) 3.4. Fama & Frenchs trefaktormodell (FF3M) Modellen är en multifaktormodell och en utvidgning av Capital Asset Pricing Model (CAPM). Det som kännetecknar en multifaktormodell är att det finns minst två faktorer som används för att förklara en tillgångs avkastning (Bodie et al. 2014). Utöver marknadspremien inkluderas variabler för företagets storlek samt book-to-market-värde (aktiekurs/eget kapital) i modellen. Anledningen till detta är att Fama och French har påvisat att små företag har både högre volatilitet och högre avkastning än större företag samt att det finns en skillnad på avkastningen för företag med låga respektive höga book-to-market-förhållanden. De variabler som ytterligare inkluderas är SMB (Small-Minus-Big) och HML (High-Minus-Low). Fama & Frenchs trefaktormodell förklarar variationen mellan olika bolags avkastningar på ett effektivare sätt än CAPM (Fama & French 1993). 7

Funktionen för modellen är följande: r "# r /(#) = α " + β ") r )(#) r /(#) + β "0)1 SMB # + β "5)6 HML # + e "# (Formel 3.2.) där i = 1,2, n (r it r f(t) ) Avkastningen för tillgång i minus den riskfria räntan, dvs. överavkastningen för tillgången i SMB t avkastningen för en portfölj med små bolag minus avkastningen för en portfölj med stora bolag HML t avkastningen för en portfölj av aktier med hög market-to-book-ratio minus en portfölj med lågt ratio. (r M(t) r f(t) ) marknadens riskpremie, marknadens överavkastning β i lutningsparameter för respektive faktor α i den del av avkastningen som inte förklaras av riskpremien, SMB eller HML e it slumpterm (Fama & French, 2004) 8

4. Data och metod Studien genomförs med kvantitativ metod. Då studien är kvantitativ passar en deduktiv ansats bäst, vilket innebär att utifrån en teoretisk referensram formuleras hypoteser, som sedan testas mot verkligheten med hjälp av observationer (Halvorsen, 1992). I studien används enbart sekundärdata. Sekundärdata refererar till data som i förhand redan har samlats in. Det är data som finns tillgänglig sedan tidigare och som inte är speciellt inhämtad för ändamålet (Jacobsen, 2002). Data är hämtad från databasen Thomson Reuters Datastream 5.1, Riksbankens hemsida, Fondbolagens förenings hemsida, utgåvor av Styrelser och revisorer i Sveriges börsföretag mellan år 2000 och 2014, årsredovisningar samt från Kenneth R. Frenchs hemsida. 4.1. Olika val 4.1.1. Sektor Studien genomförs på bolag noterade på Stockholmsbörsen (bolag som är noterade på någon av börslistorna OMXS Large Cap, OMXS Mid Cap och OMXS Small Cap) som tillhör sektorn industrivaror och tjänster enligt indelningssystemet Global Industry Capital International. Sektorn industrivaror och tjänster är en av de tio sektorer som ingår i branschklassificeringssystemet Global Industry Classification Standard, mer känt som GICS. Systemet är framtaget av Morgan Stanley Capital International samt av Standard & Poor s och delar in noterade bolag i olika sektorer och branscher (Standard & Poor s, 2006). Industrivaror och tjänster innehåller bolag som producerar varor som används i konstruktion och tillverkning. Sektorn innefattar bland annat företag som sysslar med flyg, försvar, bygg, industrimaskiner, produktion och konstruktion av varor. I sin helhet är sektorn väldigt konjunkturkänslig och dess utveckling är starkt korrelerad med hur marknaden i det stora hela utvecklas (Investopedia, 2016). Valet att enbart fokusera på en sektor bygger på att sektorn i helhet genomgår samma typer av sektorspecifika chocker och det leder till att det ingår färre störningsvariabler i bolagsdata. Valet att genomföra en studie på just den specifika sektorn bygger på att sektorn är en av de största sett till marknadsvärde på Stockholmsbörsen i dagsläget (Nasdaq, 2016) och att många av bolagen som hör till den sektorn har varit noterade en längre tid vilket underlättar insamlingen av data. Industrisektorn har ungefär samma andel kvinnor i styrelserna som Stockholmsbörsen i helhet (Lauffs, 2016) och är starkt korrelerad med marknaden. Se bilaga 9

1 i appendix för korrelationstabell mellan industriindex och marknadsindex. Valet att inte inkludera fler industribolag från andra svenska börslistor bygger på att det finns lite data för dessa och många av de bolagen är nystartade vilket försvårar datainsamlingen. Valet av sektor anses på grund av ovanstående beskrivning representera marknaden på ett bra sätt och urvalet är representativt för populationen. 4.1.2. Bolag Vid val av bolag är kriterierna att bolagen var börsnoterade den sista december år 1999 och fortfarande var det den första januari 2016. Ytterligare ett kriterium är att bolaget ej bytt namn under den givna perioden för att förenkla datainsamlingen. Urvalet som ingår i studien utgörs av 35 stycken bolag som uppfyllde kriterierna. Totalt innehåller industrisektorn 74 bolag och Stockholmsbörsen, populationen, innehåller totalt 308 bolag (Nasdaq, 2016). De bolag som ingår i studien är fördelade på följande vis: Tabell 4.1. Uppdelning av bolag Börslista Antal bolag Andel av urval Large cap 14 40,0 % Mid cap 9 25,7 % Small cap 12 34,3 % En fullständig förteckning över de bolag som studien omfattar finns i bilaga 2 i appendix. Ett problem är att 35 bolag utgör en relativt liten del, cirka 11 %, av den totala populationen, hela Stockholmsbörsen. Vidare skiljer sig också uppdelningen för bolagen i urvalet mot den sanna populationen då bolagen i studien är centraliserade till Large cap. I populationen utgör Large cap minst antal bolag vilket är tvärt emot urvalet i studien (Börsdata, 2016). Orsaken till att studien inkluderar flest bolag från Large cap är helt enkelt att dessa bolag har normalt sätt har varit noterade en längre tid och i större grad uppfyller kriterierna. Det finns alltså en differens i uppdelningen från urvalet och den sanna populationen. Det innebär att eventuell data för populationen som hade varit relevant att inkludera utelämnas. 4.1.3. Tidsperiod Tidsperioden i studien sträcker sig från 1 januari 2000 till och med 31 december 2015. Tidsperioden är vald av ett flertal anledningar. För det första har många liknande studier 10

gjorts på kortare tidsperioder och därför är det önskvärt att ha en mer omfattade tidsperiod där det varit både högkonjunktur och lågkonjunktur i ekonomin. Ytterligare en anledning till valet av en lång tidsperiod är att effekten av förändringar i styrelsesammansättning på styrelsearbetet är fördröjd tidsmässigt och förmodligen inte sker direkt (Daunfeldt & Rudholm, 2012). Därför kan det ta tid innan förändringar i styrelsearbetet märks på grund av förändringar i styrelsesammansättningen. 4.1.4. Jämförelseindex Eftersom utdelningarnas påverkan på avkastning tas i beaktande kan ej ett vanligt prisindex användas som jämförelseindex utan det krävs ett avkastningsindex som utgår från att utdelningarna återinvesteras. Med motiveringen väljs ett avkastningsindex som marknadsoch jämförelseindex. Studiens jämförelseindex är SIX Return Index (SIXRX). Indexet inkluderar samtliga bolag på Stockholmsbörsen och speglar utvecklingen på den svenska aktiemarknaden. Indexet är förmögenhetsviktat vilket innebär att indexet är viktat för hur stort marknadsvärde varje ingående bolag har (SIX Financial Information, 2012). Större bolag utgör på så vis en större del av indexet än mindre. Årsavkastningen för respektive år för SIXRX hämtas från Fondbolagens förenings hemsida (som i sin tur hämtat data från SIX Financial Information). 4.1.5. Riskfri ränta En investering är sällan helt riskfri, men en tillgång som brukar klassas som riskfri är statsskuldsväxlar (Bodie et al. 2014). Eftersom studien fokuserar på den svenska marknaden används räntan på en 30-dagars svensk statsskuldsväxel (SSVX) som den riskfria räntan. En 30-dagars statsskuldsväxel är ett löpande skuldebrev som svenska staten ger ut för att finansiera sitt kortfristiga lånebehov (Sveriges Riksbank, 2015). De data som används är årsdata och räntan utgörs av den genomsnittliga effektiva räntan per år. Data för statsskuldväxeln hämtas in från Riksbankens hemsida. 4.2. Undersökningsmetod Studien grundas på paneldata och innehåller tvärsnittsdata för de olika bolagen samt tidsseriedata. Data som används är balanserad då inga observationer saknas under tidsperioden (Dougherty, 2011). Innhämtad data bearbetas i Microsoft Excel. 11

I en regressionsanalys är det svårt att avgöra vilken variabel som påverkar vilken, hur orsakverkan-sambandet ser ut, utan det går snarare att se att det finns ett samband mellan dem (Bryman & Bell, 2011). För att undersöka om det finns ett samband mellan andelen kvinnor och aktiens avkastning genomförs två stycken regressioner. Programmet Eviews 8 används för att konfigurera regressionerna. Den ena regressionen har sitt ursprung i single-index-modellen och den andra regressionen bygger på Fama & Frenchs trefaktormodell. Valet att använda single-index-modellen som en grundmodell för en av regressionerna bygger på att den är enkel och lättförståelig, samtidigt som den empiriskt sett är gångbar för att beskriva aktiers avkastning (Bodie et al. 2014). Regressionen som grundas på single-index-modellen inkluderar den beroende variabeln överavkastning och de oberoende variablerna marknadspremien samt andelen kvinnor. Vidare inkluderas också sex stycken dummyvariabler för observationerna med störst residualer. En längre utläggning om dummyvariablerna finns i avsnitt 5.1. Med liknande resonemang väljs Fama & Frenchs trefaktormodell då den empiriskt sätt förklarar aktiers avkastning med hög förklaringsgrad (Fama & French, 2004). Regressionen som används specificeras på samma sätt som den för single-index-modellen med undantag för att de oberoende variablerna SMB och HML har inkluderats. Båda regressionerna är estimerade utifrån additiv specifikation och samtliga enheter är i heltal där 1 = 100 % och således är koefficientstorlekarna enhetsberoende. Regressionerna som används i studien är specificerade enligt följande: R "# = α " + β 9 R )(#) + β : Andel_kvinnor( 1) "# + D 9 D G + e "# R "# = α " + β 9 R )(#) + β : Andel_kvinnor( 1) "# + β H SMB # + β I HML # + D 9 D G + e "# Båda regressionerna skattas med OLS och fixed effects i tvärsnittsdata med kommandot Cross-section: Fixed. Med effekten appliceras bolagsspecifika dummyvariabler. Eftersom urvalet av bolag inte är slumpmässigt är det den effekten som är bäst anpassad för data. Genom att använda fixed effects korrigeras regressionerna för icke-observerad heterogenitet i tvärsnittsdata när den heterogeniteten mellan bolag är konstant över tiden. Utan denna korrigering skulle OLS-estimatorn inte längre vara effektivast och omitted variable bias skulle finnas (Dougherty, 2011). Genom att använda med Cross-section: Fixed får samtliga bolag individuella intercept. Detta medför att interceptet i regressionen kommer 12

vara medelvärdet av bolagens individuella skärningspunkter (Startz, 2013). Fixed effects i tidsseriedata används inte på grund av att marknadspremien, SMB och HML är ickebolagsspecifika, alltså konstanta över bolagen men ej över tid. 4.3. Variabler Nedan följer en beskrivning av de variabler som inkluderas i regressionerna och hur de är konfigurerade. 4.3.1. Beroende variabel Den beroende variabeln i båda regressionerna är aktiernas överavkastning, R it. Variabeln är beräknad genom att ta årsavkastningen och subtrahera den årliga riskfria räntan. R "# = r "# r /(#) (Formel 4.1.) För att beräkna årsavkastningarna för samtliga aktier hämtas avkastningsdata från Datastream 5.1. med funktionen Total Return Index RI. Funktionen tar hänsyn till utdelningar och genererar ett avkastningsindex för varje individuell aktie. Genom att inkludera utdelningar beaktas den totala avkastningen som aktier genererar, inte bara den avkastning som baseras på prisförändringar. Eftersom data som hämtas är ett avkastningsindex måste man omvandla den för att få fram den årliga avkastningen. Avkastningen för samtliga aktier är beräknas med följande formel för Holding-Period Return: HPR = P ",# P ",#L9 + utdelning P ",#L9 (Formel 4.2.) där HPR avkastningen för tillgången i för den givna perioden P i,t aktiekursen vid tidpunkt t P i,t-1 aktiekursen vid tidpunkt t 1 (Bodie et al. 2014) I studien är det inte priser vid tillfällena som används för att beräkna avkastningen utan nivåerna för ett avkastningsindex för varje aktie, därför behöver inte en separat utdelning 13

adderas utan den ingår redan i avkastningsindex. Avkastningen per år för bolagen är således prisförändringen för varje aktie plus den eventuella utdelningen och dess utveckling från utbetalningsdagen till slutet på året. Därefter subtraheras den riskfria räntan för att generera R it. 4.3.2. Oberoende variabler Marknadens riskpremie, R M(t) Riskpremien inkluderas som oberoende variabel i både single-index-modellen och Fama & Frenchs trefaktormodell. Riskpremien beräknas årsvis för hela undersökningsperioden. Genom att subtrahera den riskfria räntan från årsavkastningen för studiens jämförelseindex SIXRX, beräknas marknadens riskpremie för samtliga år: R )(#) = r )(#) r /(#) (Formel 4.3.) Andelen kvinnor Variabeln andelen kvinnor är uttrycks i procent och beräknas genom att dividera antalet kvinnor med det totala antalet styrelseledamöter i varje styrelse. Beräkningen görs årsvis för samtliga bolag. Antalet kvinnliga och totala antalet styrelseledamöter för samtliga år och bolag hämtas från publikationer av Styrelser och revisorer i Sveriges börsföretag för åren 2000 2014 och från bolagens årsredovisningar för år 2015. Data som ingår utgår endast från de styrelsemedlemmar som blivit valda på bolagsstämman. Det innebär att suppleanter eller de anställdas representerar ej inkluderas i data. Genom att exkludera suppleanter garderar jag mig mot tillfälliga posttillsättningar som är kortare än ett år och således inte registreras i källan för data. Att även exkludera de anställdas representanter utförs då deras primära mål är att representera de anställda och inte föra aktieägarnas talan. Värt att ta i beaktande är dock att även suppleanter samt de anställdas representanter fortfarande kan ha påverkat styrelsebesluten. Data för andelen kvinnor i samtliga bolagsstyrelser år för år finns bifogat i bilaga 3 i appendix. I valet av tidsperiod belystes att effekten av förändringar av styrelsesammansättning på styrelsearbetet förmodligen är tidsförskjuten och inte direkt. Med hänvisning till denna tidsförskjutning leder det till att den kan ta tid innan ändringar i andelen kvinnor i styrelser 14

förändrar hur styrelsen arbetar och därför kan det ta tid innan ett eventuellt samband mellan andelen kvinnor och aktiens avkastning visar sig. För att kunna urskilja vid vilken tidsförskjutning det eventuella sambandet mellan avkastning och andelen kvinnor är som starkast genomförs tre regressioner, som grundas på Fama & Frenchs trefaktormodell, där variabeln andelen kvinnor laggas ett, två respektive tre år för att se om modellen kan specificeras bättre än grundmodellen där variabeln ej är laggad. Övriga variabler laggas ej utan följer specificeringen för modellen. För att välja den modell som passar bäst utgår jag från modellvalskriteriet Akaike Information Criterion (AIC). Genom att utgå från den modell med lägst AIC väljs den modellen som är bäst anpassad för de observationer som undersöks (Akaike, 1987). De olika typer av regressioner som testas och jämförs finns bifogade i bilaga 4 i appendix. Den regression som är bäst anpassad enligt AIC är när variabeln andel kvinnor är laggad ett år. Med hänvisning till det laggas variabeln med ett år i båda regressionerna. Även om valet att lagga variabeln andelen kvinnor medför att modellerna specificeras bättre finns det även en nackdel att göra så då antalet observationer i studien minskar från 560 till 525. Ett problem är att data för andelen kvinnor i styrelser är väldigt homogen och det är låg variation mellan bolagen. Styrelserna tenderar att likna varandra till andelen kvinnor under tidsperiodens gång. En följd av det är att i studien inkluderas det få bolag med väldigt låg andel kvinnor i styrelsen och väldigt få bolag som samtidigt har en hög andel kvinnor. SMB I Fama & Frenchs trefaktormodell inkluderas SMB som oberoende variabel. SMB är ett mått som visar den genomsnittliga avkastningen av tre småbolagsportföljer på marknaden minus den genomsnittliga avkastningen för tre storbolagsportföljer. Data som används är årsdata. Storbolag definieras som de bolagen med högst börsvärde, i detta fall 90 % av alla bolag sorterat efter börsvärde. Småbolag är de resterande 10 % vid samma tidpunkt. Data för SMB och även HML grundas i att marknaden delas in i sex olika portföljer utifrån marknadsstorlek och book-to-market-ratio. 15

Tabell 4.2. Indelning av portföljer Market cap 70:e Book-to-market percentilen Small Value Big Value 30:e Book-to-market percentilen Small Natural Big Natural Small Growth Big Grow SMB beräknas på följande vis: (French, 2016) SMB = 1/3 (Small Value + Small Neutral + Small Growth) 1/3 (Big Value + Big Neutral + Big Growth) (Formel 4.4.) HML HML beräknas som den genomsnittliga avkastningen för två värdeportföljer, portföljer med hög book-to-market-ratio, minus två tillväxtportföljer, portföljer med låg book-to-marketratio. Indelningen för HML visas i tabellen ovan. HML beräknas på följande vis: (French, 2016) HML = 1/2 (Small Value + Big Value) 1/2 (Small Growth + Big Growth) (Formel 4.5.) Data för SMB och HML hämtas från Kenneth R. Frenchs hemsida. Marknaden som data för SMB och HML består är 16 europeiska länder där Sverige bland annat är ett av dem. Det innebär att marknaden måtten är beräknade på, skiljer sig från den marknad studien utgår ifrån, den svenska. Ytterligare ett problem är att det inte nämns vilket urval de europeiska bolagen består av och på så vis går det ej att kontrollera att data stämmer. Även om det finns oklarheter kring de bolag som data är inhämtat ifrån anser jag att data är pålitlig då Kenneth French trots allt är medskapare till modellen. De data som French har använt för att konfigurera bolagsportföljerna och variablerna HML och SMB är hämtad ifrån Bloomberg vilket är en etablerad databas. 16

4.4. Regressionspremisser De två regressioner som genomförs är så kallade multipla regressionsmodeller av typen Ordinary Least Squares (OLS). Det som kännetecknar en multipel regressionsmodell är att det ingår två eller flera oberoende variabler som förklarar den beroende variabeln. Modell: Y " = β 9 + β : X :" + + β S X S" + e " (Formel 4.6.) Där Y i beroende variabel X ki oberoende variabler β 1 intercept β 2,,β k riktningskoefficienter e i slumpterm (Dougherty, 2011) OLS är en ekonometrisk modell för att estimera de okända parametrarna β 1 samt β 2 i en enkel linjär regressionsmodell. Metoden syftar till att skatta estimaten för β 1 och β 2 på så vis att residualerna, summan av de kvadrerade slumptermerna, minimeras. Med hjälp av OLS kommer avståndet mellan den estimerade regressionslinjen och de faktiska observationerna vara så liten som möjligt (Gujarati & Porter, 2009). OLS-estimatorn är den bäst avsedda estimatorn, den är effektivast, då den genererar estimatorer med minimal varians som både är linjära samt väntevärdesriktiga (Westerlund, 2005). OLS-estimatorn är så kallad BLUE (best linear unbiased estimator) om den uppfyller antagandena i Gauss-Markovs teorem (Dougherty, 2011). Gauss-Markovs teorem: 1. Beroende variabeln kan skrivas som en linjär funktion k 1 stycken förklarande variabler, ett intercept samt en slumpterm. Y " = β 9 + β : X :" + + β S X S" + e " 2. Slumptermens förväntade värde är lika med noll. E e " = 0 3. Slumptermen e i är homoskedastisk vilket innebär att den har samma varians för alla i. Var e " = σ : 17

4. Slumptermen e i är inte autokorrelerad vilket innebär att kovariansen mellan e i och e j är 0 för alla i j. Cov e ", e Z = 0 om i j 5. De oberoende variablerna är inte slumpmässiga och ingen av dem kan beskrivas som en exakt linjär kombination av de andra förklarande variablerna. 6. Slumptermen, e i, är normalfördelad. (Westerlund, 2005) N(0, σ : ) 4.5. Reliabilitet och validitet För en kvantitativ studie krävs det att vissa krav uppfylls för att den skall vara tillförlitlig och trovärdig. Det är det som reliabilitet innebär. Viktiga aspekter för reliabiliteten av en studie är att den är replikerbar, att samma resultat fås om exakt samma undersökning genomförs ytterligare en gång. När samma resultat fås har undersökningen hög reliabilitet (Bryman & Bell, 2011). Med validitet menas mätinstrumentens förmåga att mäta det som avses att mätas, att det som mätts är relevant och att det som mäts hos urvalet också gäller hela populationen. Validitet brukar delas upp i två delkomponenter, intern respektive extern. Intern validitet handlar om att mäta det man tror sig mäta och huruvida de slutsatser som dragits är trovärdiga eller ej. Extern validitet är i den omfattning som ett resultat från ett begränsat område också är generaliserbart i ett större sammanhang (Jacobsen, 2002). De båda begreppen reliabilitet och validitet är nära relaterade och en undersökning som inte är reliabel kan inte heller vara valid (Halvorsen, 1992). De modeller som används innehåller relativt få faktorer som skall förklara avkastningen och även om de empiriskt sett har hög förklaringsgrad utelämnas många av de faktorer som har ett samband med aktiers avkastning. Därav är inte modellvalet felfritt för att beskriva aktiers avkastning i så hög grad som möjligt, men eftersom studien inte fokuserar på hur väl avkastningen kan beskrivas av modellerna utan snarare om det finns ett samband med andelen kvinnor i bolagsstyrelser passar modellerna bra till studiens syfte. 18

Trots att urvalet utgör en relativt liten del av populationen, att modellerna utelämnar en del faktorer som har ett samband med avkastning och att data för styrelser är väldigt homogen bedömer jag att studien kommer kunna ge tillförlitliga resultat. De data som hämtas och används i studien kommer från etablerade och trovärdiga källor och bedömningen är att de data som studien bygger på är pålitlig och korrekt. Därför anser jag att studien är reliabel. Det som sänker reliabiliteten en aning för regressionen som grundas på Fama & Frenchs trefaktormodell är att måtten SMB och HML inte är grundade på samma population. Då jag försökt vara så tydlig som möjligt med att beskriva metoden bedömer jag att studien är replikerbar. Med ansats i att sektorn industri är liknande marknaden i helhet, både sett till korrelationen och med andelen kvinnor i styrelsen, anser jag att studiens resultat kommer vara generaliserbart i en bredare kontext och är därför externt valid. 19

5. Resultat och analys För att veta att regressionerna genererar korrekta resultat måste Gauss-Markovs teorem uppfyllas för att OLS-estimatorn skall vara BLUE. Därför genomförs antal tester och antaganden som presenteras nedan. Dessa tester utförs i Eviews 8. I studien används signifikansnivån 5 % som gräns för signifikant eller ej för statistiska tester och i regressioner. 5.1. Test för normalitet Om inte slumptermen är normalfördelad bryter det mot det sjätte antagandet Gauss-Markovs teorem. För att testa för normalitet utförs två stycken Jarque-Bera-test, en för respektive regression. Hypoteserna för testerna är följande: H 0 = e i är normalfördelad H 1 = e i är inte normalfördelad Båda testen visar att data inte är normalfördelad. Detta då p-värdena är mindre än 5 % vilket medför att nollhypotesen om att data är normalfördelad förkastas. Tabell 5.1. Normalitetstest 1 Jarque-Bera-Test Regression 1 Regression 2 P-värde 0,000** 0,000** Jarque-Bera-statistik 22 265 24 092 Signifikansnivåer: * p<0.05, ** p<0.01 Inom finansiell modellering är det ofta ett fåtal extrema residualer, så kallade extremvärden, som medför att antagandet om normalfördelning bryts. En lösning för att komma närmre normalfördelningen är att applicera dummyvariabler på de extremvärdena med störst residualer. Att använda sig av dummyvariabler för extremvärden har en fördel att data närmar sig normalfördelningen och således genererar mer korrekta skattningar för standardavvikelse, t-statistik och p-värde, men det finns även en nackdel med en sådan korrigering. Eftersom observationer med högst residualer exkluderas, dvs. där det är som störst skillnad mellan modell och observerat värde, kommer standardavvikelserna för estimatorerna i modellen att minska och på så vis förbättras förklaringsgraden, det justerade R 2 -värdet (Brooks, 2008). 20

Dummyvariabler appliceras för de sex största residualerna i absoluta mått. Valet att använda just sex stycken dummyvariabler bygger på att det rekommenderas av Brooks (2008) för det antalet observationer som studien innefattar. Genom att använda dummyvariabler sorteras extremvärdenas effekter från den regressionen och deras effekt fångas upp i koefficienterna för dummyvariablerna. Dummyvariabler för följande observationer används: CTT Systems 2005, Consilium 2014, Trention 2009, Hexagon 2009, SAS 2013 och Haldex 2010. Eftersom studien i första hand undersöker huruvida det existerar ett samband och inte hur väl en modell förklarar ett skeende används dummyvariabler för ett antal extremvärden. Även om regressionerna inte är normalfördelade efter appliceringen av dummyvariabler är de betydligt närmre det än tidigare. Tabell 5.2. Normalitetstest 2 Jarque-Bera-Test Regression 1 Regression 2 P-värde 0,001** 0,000** Jarque-Bera-statistik 13,88 15,88 Signifikansnivåer: * p<0.05, ** p<0.01 Om urvalet är tillräckligt stort är effekten att bryta mot antagandet om normalfördelning praktiskt taget obetydlig (Brooks, 2008). Enligt den centrala gränsvärdessatsen kommer distributionen av ett stickprov approximativt vara normalfördelad när storleken på stickprovet överstiger 30 stycken observationer (Dougherty, 2011). Eftersom studien innehåller så pass många observationer görs antagandet att regressionerna kan skattas utifrån att de är normalfördelade och således uppfyller Gauss-Markovs sjätte antagande. 5.2. Test för heteroskedasticitet Heteroskedasticitet bryter mot det tredje antagandet i Gauss-Markovs teorem. En effekt av heteroskedasticitet är att standardavvikelserna för regressionskoefficienterna kommer att bli felaktiga (Dougherty, 2011). På grund av heteroskedasticitet blir inferensen inte pålitlig och risken ökar för att man får felaktiga resultat (Westerlund, 2005). Eviews saknar test för heteroskedasticitet i paneldata, men det går att utföra manuella Breusch-Pagan-Godfrey-test. Ursprungsregressionen genomförs och kvadraten av residualerna sparas som en ny variabel. Därefter genomförs en ny regression med kvadraten av residualerna som beroende variabel och samma oberoende variabler som i den tidigare regressionen. Om F-testet är signifikant, 21

under 5 %, är data heteroskedastisk (Forssbaek, 2016). Två stycken test genomförs, en för varje regression. Hypoteserna ställs upp enligt följande: H 0 = e i är homoskedastisk H 1 = e i är heteroskedastisk Tabell 5.3. Heteroskedasticitetstest 1 Tabell 5.4. Heteroskedasticitetstest 2 Metod: Panel Least Squares Metod: Panel Least Squares Beroende variabel: (RESID1) 2 Beroende variabel: (RESID2) 2 Oberoende variabler: Intercept R M(t) Andel kvinnor(-1) Prob(F-statistic): 0,0044** Signifikansnivåer: * F<0.05, ** F<0.01 Oberoende variabler: Intercept R M(t) SMB HML Andel kvinnor(-1) Prob(F-statistic): 0,0041** Båda testerna ger ett F-värde som är lägre än gränsvärdet på 5 %. Det innebär att nollhypotesen förkastas i båda fallen och data är därför heteroskedastisk. Ett sätt att korrigera för heteroskedasticitet är att använda sig av robusta standardavvikelser vilket innebär att om heteroskedasticitet finns blir standardavvikelserna större. På så vis krävs det mer bevis för att nollhypotesen skall förkastas (Brooks, 2008). Regressionerna korrigeras med hjälp av kommandot White cross-section. Kommandot medför att robusta standardavvikelser beräknas vilket motverkar effekten som uppkommer på grund av heteroskedasticitet (Eviews, 2013). 5.2. Test för autokorrelation Autokorrelation innebär att det existerar kovarians mellan slumptermerna, alltså att de är beroende av varandra, Cov(u ", u Z ) 0. Autokorrelation uppkommer vanligtvis i tidsseriedata (Westerlund, 2005). Förekomsten av autokorrelation bryter mot det fjärde antagandet i Gauss- Markovs teorem. Autokorrelationen går att testa med hjälp av Durbin-Watsons test. I Eviews utförs detta test automatiskt då man genomför en OLS-regression för paneldata. Hypoteserna för Durbin-Watsons test är följande: 22

H 0 = e i är inte autokorrelerad H 1 = e i är autokorrelerad Om Durbin-Watson-statistiken är ungefär 2 så kan inte nollhypotesen förkastas och autokorrelation saknas. I båda regressionerna är DW-statistiken nära 2. I regressionerna är den 1,89 respektive 1,91 vilket innebär att det finns väldigt svag positiv autokorrelation i båda. Eftersom de är nära 2 kan nollhypotesen inte förkastas i något av testen. 5.3. Test för multikollinearitet Multikollinearitet uppkommer om två eller flera av de oberoende variablerna är starkt beroende av varandra på ett systematiskt sätt. Sådana variabler är kollineara (Gujarati & Porter, 2010). Alla regressioner lider av multikollinearitet till någon grad, om inte alla oberoende variabler är helt icke-korrelerade. Närvaron av multikollinearitet bryter mot det femte antagandet i Gauss-Markovs teorem och om flera variabler beror på varandra kan det vara svårt att separera effekterna av de enskilda regressionsparametrarna (Dougherty, 2011). Om korrelationen mellan de oberoende variablerna är över 0,8 bör åtgärder vidtas (Westerlund, 2005). En metod för att upptäcka multikollinearitet är att mäta korrelationen mellan de oberoende variablerna. För att se i vilken grad data är multikollinear utförs en korrelationstabell mellan samtliga oberoende variabler. Tabellen visar att inga av de oberoende variablerna överskrider korrelationsgränsen på 0,8. Därför görs ingen korrigering för den multikollinearitet som finns. Tabell 5.5. Korrelationstabell mellan oberoende variabler Korrelation mellan oberoende variabler R M SMB HML Andel kvinnor(-1) R M 1 0,6204-0,0738 0,1457 SMB 0,6204 1 0,2799-0,0990 HML -0,0738 0,2799 1-0,4407 Andel kvinnor(-1) 0,1457-0,0990-0,4407 1 23

5.4. Test för stationäritet Stationäritet innebär att slumpvariabelns medelvärde och varians är konstanta över tiden. Dessutom ska kovariansen endast bero på tidsavståndet när man undersöker två olika värden och inte de tidpunkter då de observerades. Uppfylls inte kriterierna är slumpvariabeln ickestationär. Effekter av icke-stationäritet är att det justerade R 2 -värdet, DW- och t-statistiken kommer vara missvisande när en OLS-regression genomförs. Har en variabel en enhetsrot är den icke-stationär och har den inte en enhetsrot är den stationär (Westerlund, 2005). Samtliga variabler som ingår i regressionerna testas med fyra stycken test för icke-stationäritet. Följande tester redovisas nedan. I testen är hypoteserna följande: H 0 = data är icke-stationär (enhetsrot) H 1 = data är stationär (ingen enhetsrot) Tabell 5.6. Enhetsrotstest för variabler Panel Unit root test: Summary Exogenous: Individual effects Automatic selection of lags Newey-West automatic bandwith selection and Bartlett kernel Typ av test Levin, Lin & Im, Pesaran and ADF Fisher PP Fischer Variabler Chu Shin W-stat Chi Square Chi Square R it 0,000** 0,000** 0,000** 0,000** R M(t) 0,000** 0,000** 0,000** 0,000** SMB 0,000** 0,000** 0,000** 0,000** HML 0,000** 0,001** 0,1414 0,999 Andel kvinnor(-1) 0,000** 0,006** 0,002* 0,111 Signifikansnivåer: * p<0.05, ** p<0.01 Genom att applicera individual effects inkluderas individuella fixed effects (Eviews, 2013). Utifrån tabellen kan man se att överavkastningen för aktierna, marknadspremien och SMB förkastar nollhypotsen i samtliga tester vilket innebär att variablerna är stationära. För de två resterande variablerna förkastar inte alla tester nollhypotesen. Eftersom tre av fyra test talar för att variabeln andelen kvinnor är stationär klassar jag den som stationär och gör inga korrigeringar. HML är stationär enligt två tester men icke-stationär i två tester. Då studien 24

utgår från Fama & French trefaktormodell som är konfigurerad på ett specifikt sätt väljer jag att inte använda differensen för HML som oberoende variabel utan väljer att betrakta den som stationär. 5.5. Regressionsresultat för single-index-modellen I tabellen nedanför presenteras vilken metod regressionen är skattas med, vilka effekter som används och hur många observationer som ingår. Vidare anges intercept och koefficienter för de oberoende variablerna riskpremie och andelen kvinnor (laggad ett år), regressionens förklaringsgrad, samt Durbin-Watson-statistik. Tabell 5.7. Regressionsresultat 1 Beroende variabel: Avkastning minus riskfri ränta, R it Antal perioder: 15 Metod: Panel Least Squares with Cross-section: Fixed (dummy Antal bolag: 35 variables) Totalt antal observationer: White-cross section standard error and covariance 525 Variabel Koefficient Standardavvikelse t-statistik P-värde Intercept, α i 0,085 0,053 1,590 0,1125 R M(t) 1,086 0,102 10,637 0,000** Andel kvinnor(-1) it -0,249 0,219-1,135 0,257 D CTT-05 D CON-14 D TREN-09 D HEX-09 D SAS-13 D HAL-10 4,538 2,182 1,460 0,996 0,991 0,960 0,114 0,087 0,145 0,088 0,098 0,103 39,660 25,070 10,076 11,326 10,130 9,367 0,000** 0,000** 0,000** 0,000** 0,000** 0,000** Adjusted R 2 0,618 Durbin-Watson-statistik 1,893 Signifikansnivåer: * p<0.05, ** p<0.01 25

I tabellen kan man se att endast variablerna riskpremie och dummyvariablerna har signifikanta samband med avkastningen då deras probabilitetsvärden understiger den valda signifikansgränsen på 5 %. I regressionen är variablerna andelen kvinnor och interceptet inte signifikanta. I och med att variabeln andel kvinnor har ett p-värde på 25,7 % innebär det att nollhypotesen förkastas ej och enligt regressionen finns det såldes inget signifikant samband mellan andelen kvinnor i styrelsen och bolagens aktieavkastning. För att mäta förklaringsgraden av regressionen, hur mycket av beroende variabelns variation som kan förklaras av regressionen, används det justerade R 2 -värdet. Anledningen till att det måttet är att förklaringsgraden mellan två regressioner jämförs där den ena inkluderar fler oberoende variabler. Det justerade R 2 -värdet tar antalet oberoende variabler i beaktande, medan det icke-justerade R 2 -värdet inte gör det. R 2 -värdet stiger nämligen så länge fler förklarande variabler adderas (Dougherty, 2011). I regressionen uppgår det justerade R 2 - värdet till 61,8 %. DW-statistiken är relativt nära 2 vilket innebär att det saknas autokorrelation. 26

5.6. Regressionsresultat för Fama och Frenchs trefaktormodell Tabell 5.8. Regressionsresultat 2 Beroende variabel: Avkastning minus riskfri ränta, R it Antal perioder: 15 Metod: Panel Least Squares with Cross-section: Fixed (dummy Antal bolag: 35 variables) Totalt antal observationer: White-cross section standard error and covariance 525 Variabel Koefficient Standardavvikelse t-statistik P-värde Intercept, α i 0,0126 0,0370 0,342 0,733 R M(t) SMB t HML t Andel kvinnor(-1) it D CTT-05 D CON-14 D TREN-09 D HEX-09 D SAS-13 D HAL-10 0,972 0,590 0,200 0,103 0,295 0,196 9,429 2,001 1,024 0,000** 0,046* 0,306 0,021 0,151 0,138 0,890 4,567 0,113 40,487 0,000** 2,245 0,087 24,807 0,000** 1,440 0,143 10,058 0,000** 1,006 0,089 11,315 0,000** 0,977 0,098 10,000 0,000** 0,946 0,107 8,900 0,000** Adjusted R 2 0,625 Durbin-Watson-statistik 1,908 Signifikansnivåer: * p<0.05, ** p<0.01 Precis som i den tidigare regressionen är riskpremien signifikant, dock är betavärdet aningen lägre. Även dummyvariablerna för extremvärdena är signifikanta. Av de variabler som adderats i Fama & French-regression kan det endast påvisas att SMB har ett signifikant samband med avkastningen. HML kan ej konstateras ha ett signifikant samband då dess p- värde överskrider 5 %. Andelen kvinnor har ej heller i denna regression ett signifikant samband med bolagens aktieavkastning vilket innebär att även i detta fall förkastas ej nollhypotesen. 27