Validitet

Validitet angår hvorvidt funnene av en studie faktisk måler det en ønsker å måle (Saunders, Lewis & Thornhill, 2009). Validitet er å anse som det mest generelle begrepet blant

reliabilitet og validitet, ettersom høy reliabilitet er en forutsetning for høy validitet (Ringdal, 2013). Ringdal (2013) argumenterer videre for at reliabilitet er et rent empirisk mål, mens validitet krever en mer teoretisk vinkling i vurderingen. Basert på en litteraturgjennomgang ser validitet ut til å måles på en rekke ulike måter, avhengig av forskningsdesign, metode og datagrunnlag. Vi velger her å basere oss på Saunders, Lewis og Thornhills (2009)

kategorisering, som til dels i likhet med Greener (2008) og Ringdal (2013), deler validitet i to hovedkategorier: Intern validitet og ekstern validitet.

Intern validitet

Intern validitet relaterer til etablering av årsakssammenhenger; enkelt forklart om faktor X er årsaken til at faktor Y skjer (Greener, 2008; Sauders, Lewis & Thornhills, 2009; Ringdal, 2013). Når vi gjennomfører regresjoner er det derfor viktig å forsikre seg om hvorvidt sammenhengen mellom to variabler er som følge av kausalitet, eller om det helt enkelt er en korrelasjon. I regresjoner som baseres på en tidsforsinket ytelsesvariabel kan vi være ganske sikre på at kausaliteten i modellen ikke er motsatt. I modellene som ikke tar utgangspunkt i tidsforsinkede ytelsesvariabler, så kan modellene lide at simultanitetsproblemer

(Wooldridge, 2014), altså at det er vanskelig å avgjøre om selskaper som er gode på risikokommunikasjon yter bedre, eller om selskaper som yter bedre er gode på

risikokommunikasjon. Eller for derivater; om selskaper som benytter derivater yter bedre, eller om bedreytende selskaper benytter derivater. I modellene med tidsforsinkede

ytelsesvariabler kan vi være rimelig sikre på retningen av kausaliteten, og at disse modellene gir gode estimater.

Allayannis og Weston (2001) tester for potensiell reversert kausalitet ved bruk av en reversert kausalitetstest. Dersom høy selskapsverdi leder selskapene inn i å drive risikostyring, vil reversert kausalitet tilsi at selskaper som driver sikring av risiko neste periode har høyere selskapsverdi denne perioden, og at selskaper som ikke driver sikring av risiko denne perioden og selskaper som slutter å sikre risiko neste periode har lavere

selskapsverdi denne perioden (Allayannis & Weston, 2001). De tester disse

sammenhengene, og finner at korrelasjonen mellom sikring av risiko og selskapsverdi ikke stammer fra reversert kausalitet. Vi kunne her gjennomført tester i likhet med Allayannis og Weston for å teste om det foreligger reversert kausalitet i våre modeller. Allayannis og Weston opererer imidlertid med et datagrunnlag bestående av 4320

selskapsårsobservasjoner, med god spredning mellom derivatbrukere og ikke-derivatbrukere.

Vårt datagrunnlag er derfor for lite til å teste alle disse reverserte kausalitetsbekymringene (den minste kausalitetstesten vil da kun bestå av 11 observasjoner). Med bakgrunn i Allayannis og Westons funn, antar vi derfor at denne empirien er overførbart til vårt datagrunnlag. For å videre sikre at det ikke foreligger multikollinearitet mellom de uavhengige variablene som kan svekke resultatene, gjennomfører vi også

korrelasjonsanalyser for å sikre at alle våre gitte variabler kan inkluderes i modellen samtidig (se seksjon 4.4). Dette styrker validiteten i modellene våre.

En annen bekymring angående den interne validiteten er hvorvidt vi inkluderer alle relevante uavhengige variabler og kontrollvariabler i modellene våre. Utelatelse av modererende variabler kan ha implikasjoner for validiteten i kausalitetsutsagnet. For å ta høyde for denne utfordringen har vi i utstrakt omfang gjort stor nytte av eksisterende litteratur for å

identifisere og gjøre rede for alle kjente, relevante variabler som kan ha en modererende effekt på selskapsverdi og lønnsomhet. Med det sagt, er det to variabler, som nevnt i seksjon 3.3, vi ikke får testet effekten av som følge av begrensninger i datagrunnlaget (kredittrating og industriell/geografisk diversifikasjon). Med basis i at anerkjent, empirisk forskning også har utelatt disse variablene, antar vi at dette ikke vil ha implikasjoner for den interne validiteten i studien.

Ekstern validitet

Ekstern validitet omhandler hvorvidt funn i forskning er generaliserbare (Sauders, Lewis &

Thornhills, 2009). Det settes her spørsmålstegn ved hvorvidt funn er overførbare til andre settinger. Det er en rekke vurderinger som kan gjøres for å avgjøre hvorvidt forskning er

eksternt valid. I vår studie er det i hvert fall én sentral bekymring som kan svekke den eksterne validiteten. Denne bekymringen bygger på utvalget. Totalt består vårt datasett av 447 observasjoner for årene 2006-2014, fra 66 selskaper. Datasettet består kun av

børsnoterte selskaper, noe som kan skape tvil i forhold til generaliserbarheten til ikke-børsnoterte selskaper. Denne begrensningen er for vår studie ikke-eliminerbar, ettersom det kun er børsnoterte selskaper som utformer og offentliggjør omfattende årsrapporter. Vi benytter imidlertid mange målevariabler, både avhengige og uavhengige, samt tar

utgangspunkt i selskaper i alle sektorer på Oslo børs. For å minimere usikkerhet knyttet til resultatene gjennomfører vi også robusthetstester, samt kjører sentrale regresjoner med totalt fire avhengige variabler. Vi antar derfor at vår studie tilfredsstiller kravet om ekstern

validitet.

4 Metode og empiriske forutsetninger

Vi har nå drøftet vårt forskningsdesign, datagrunnlaget og datagrunnlagets kvalitet. I dette hovedkapittelet presenterer vi en statistisk metode som beskriver sammenhengen fra minst en årsaksvariabel X til virkningsvariabelen Y, som gir oss mulighet til teste våre hypoteser. I noen tilfeller oppstår det et behov for å endre hvordan denne regresjonsmetoden brukes for å oppnå robuste estimatorer. Vi skal derfor se på ulike måter å tilpasse modellen til vårt datagrunnlag. Basert på dette teoretiske grunnlaget, spesifiserer vi i seksjon 4.2 våre regresjonsmodeller, der vi analyserer effekten og signifikansnivået til hver enkelt variabel.

Etter at de endelige modellspesifikasjonene er satt, tester vi modellene for å finne optimal regresjonsmetode, før vi i seksjon 4.4 kontrollerer om modellene holder de empiriske forutsetningene bak en forventningsrett regresjonsmodell.