Multiple lineare Regressionsanalyse

wo bei 46 % aller Transaktionen kein Wert verfügbar ist (MISSING). Bei einigen anderen Kon-trollvariablen fehlen nur wenige Daten, konkret bei CROSS (25), LEV (4), FC (10), TQ (2), RSIZE (2) und DIV (1). Hier wird auf die Substitution der fehlenden Werte durch den Mittelwert zurückgegriffen.⁸¹⁷ Sie ist die in der Forschung am häufigsten verwendete Imputationsme-thode⁸¹⁸ und ist bei einer geringen Anzahl fehlender Daten durchaus geeignet.⁸¹⁹

Um eine multiple lineare Regressionsanalyse durchführen zu können, ist die Prüfung einiger umfangreicher Voraussetzungen notwendig.⁸²⁰ Vier besondere Prämissen werden dabei nach-folgend thematisiert:

 Unabhängige Störgrößen: Die Störgrößen sollen unabhängig/unkorreliert sein (keine Autokorrelation), was insbesondere bei Zeitreihendaten auftreten kann. Getestet wer-den kann diese Voraussetzung mit Hilfe des Durbin-Watson-Tests.⁸²¹ Die Ergebnisse des Tests zeigen in der vorliegenden Stichprobe, dass diese Voraussetzung erfüllt ist (die Werte liegen in den vorliegenden Modellen bei Betrachtung des kurzfristigen Shareholder Value zwischen 1,88 und 1,92).

 Keine (Multi)Kollinearität: Darunter wird eine hohe Abhängigkeit zwischen zwei oder mehreren erklärenden Variablen verstanden, welche in Folge die Stabilität und Aussa-gekraft des Regressionskoeffizienten beeinträchtigt.⁸²² Eine Prüfung kann einerseits durch die Korrelationskoeffizienten zwischen den erklärenden Variablen geschehen, wobei ein Wert größer 0,8 ein deutliches Indiz auf Multikollinearität sein würde.⁸²³ Ein Blick in Tabelle 27 zeigt, dass die Korrelationskoeffizienten keine Hinweise auf Multi-kollinearität bieten. Alternativ kann auch der ‚Variance Inflation Factor‘ (VIF) ermittelt werden. Dieser sollte bei keiner Variable einen Wert größer 10 annehmen, wobei

817 Nachteilig an dieser einfachen Methode ist (im Vergleich zu anderen statistisch anspruchsvolleren Methoden der Imputation), dass sie die Verteilung der Variable verzerren kann, möglicherweise die Standardabwei-chung unterschätzt wird und der Zusammenhang zwischen Variablen verzerrt werden kann, weil durch diese Imputationsmethode der Korrelationskoeffizient Richtung 0 tendiert (vgl. Gelman/Hill, 2009, 532 f.).

818 Vgl. Schmitt/Mandel/Guedj, 2015, 2; Cordeiro/Machás/Neves, 2010, 282.

819 Vgl. Saunders et al., 2006, 29.

820 Eine genaue Darstellung der Voraussetzungen inkl. der möglichen Lösungsansätze bei Verletzung selbiger findet sich bspw. bei Cohen et al., 2010, 117 ff.; Fahrmeir/Kneib/Lang, 2009, 64 ff.; Schendera, 2014, 132 ff.; Allison, 2004, 119 ff.; Bortz/Schuster, 2010, 192 f.; Field, 2009, 220 f.; Hackl, 2008, 57 ff. Die Anzahl sowie die Benennung der notwendigen Voraussetzungen unterscheidet sich stark zwischen den verschie-denen AutorInnen.

821 Die Teststatistik hat einen Wert zwischen 0 und 4, wobei als Daumenregel angenommen wird, dass ein Wert zwischen 1 und 3 für unabhängige Störgrößen steht und somit die Voraussetzungen erfüllt sind (vgl. Field, 2009, 220 f.; Field/Miles/Field, 2013, 292).

822 Vgl. Bortz/Schuster, 2010, 354 f.

823 Vgl. Kennedy, 2003, 209; Hutcheson/Sofroniou, 1999, 82; Argyrous, 2011, 272.

che AutorInnen durchaus auch niedrigere Grenzwerte, zB 2 oder 5, bereits als proble-matisch ansehen.⁸²⁴ In der hier vorliegenden Analyse sind diese Werte niedrig, (Multi)Kollinearität kann ausgeschlossen werden.

 Homoskedastizität: Eine Annahme der multiplen linearen Regressionsanalyse ist, dass die Varianz der Störgröße bei sich ändernden Werten der erklärenden Variablen nicht systematisch kleiner oder größer wird.⁸²⁵ Die Existenz von Heteroskedastizität kann einerseits anhand von grafischen Darstellungen (in einem Streudiagramm) iden-tifiziert werden, anderseits bieten sich auch statistische Tests, beispielsweise der Gold-feld/Quandt-Test, der Breusch-Pagan-Test oder der White-Test an.⁸²⁶ Im vorliegenden Fall zeigen Goldfeld/Quandt-Test sowie Breusch-Pagan-Test trotz unauffälliger grafi-scher Analysen das Vorliegen von Heteroskedastizität an (Homoskedastizität wird ver-worfen).⁸²⁷ Um diese Problematik zu lösen, wird im Folgenden auf robuste Standard-fehler zurückgegriffen (White-StandardStandard-fehler).⁸²⁸ Angrist/Pischke (2009) empfehlen al-lerdings, beide Schätzer anzugeben und heranzuziehen, im konkreten Fall einen klas-sischen OLS-Schätzer sowie einen heteroskedastisch robusten Schätzer.⁸²⁹

 Normalverteilung: Die Regressionsanalyse setzt voraus, dass die Residuen der Mo-delle normalverteilt sind. Diese Voraussetzung wird wiederholt grafisch geprüft und bei-spielhaft für das Regressionsmodell 2 der kurzfristigen Ereignisstudie in Abbildung 33 dargestellt. Es wird ersichtlich, dass die Residuen nicht perfekt normalverteilt sind, aber auch keine gravierenden Abweichungen zu beobachten sind. Diaz-Bone (2013) weisen in diesem Zusammenhang darauf hin, dass eine nicht-perfekte Normalverteilung der Residuen bei Regressionsanalysen mit größeren Fallzahlen (n > 40) weniger proble-matisch ist.⁸³⁰ Da im vorliegenden Fall eine hohe Fallzahl vorliegt und die Verteilung keine extremen Abweichungen zur Normalverteilung aufweist, wird im Folgenden von einer Normalverteilung der Residuen ausgegangen.

824 Vgl. Chatterjee/Hadi, 2012, 250; Backhaus et al., 2016, 108; Wooldridge, 2009, 99; Mun, 2008, 108.

825 Vgl. Field, 2009, 220; Backhaus et al., 2016, 103.

826 Vgl. Backhaus et al., 2016, 103 f.; Hackl, 2008, 177 ff.

827 Dieses Problem kommt in der M&A-Forschung häufig vor, weswegen oftmals auf robuste Schätzer zurück gegriffen wird, siehe zB Ghosh/Petrova, 2013, 5229; Carline/Linn/Yadav, 2009, 1829 ff.; Ben-Amar/Bouje-noui/Francoeur, 2011, 486; Gleason et al., 2012, 19.

828 Vgl. Long/Ervin, 2000, 217 ff.

829 Vgl. Angrist/Pischke, 2009, 307.

830 Vgl. Diaz-Bone, 2013, 231.

Abbildung 33: Prüfung der Normalverteilungsannahme durch Dichtefunktion und Q-Q-Plot am Beispiel der standardisierten Residuen im Regressionsmodell 2

(Quelle: eigene Darstellung)

Unter gegebenen Voraussetzungen wird eine Regressionsanalyse mit mehreren Modellen durchgeführt. In allen acht Modellen ist die Zielvariable der kurzfristige Shareholder Value in Form der kumulierten abnormalen Renditen (CAR) am letzten Tag des Event Windows (-1/1) in Prozent.

In den Modellen 1 bis 3 (Tabelle 30) werden als erklärende Variable(n) zuerst der Corporate Governance-Score (CGS) alleine inkludiert und später ergänzt um alle in Kapitel 6.2.2 darge-stellten Kontrollvariablen. Field (2009) empfiehlt in einem weiteren Schritt nur jene erklärenden Variablen heranzuziehen, die einen Erklärungsbeitrag liefern.⁸³¹ Aus diesem Grund werden im Modell 3 nur jene erklärenden Variablen berücksichtigt, deren Effekte in Modell 2 bei p ≤ 0,05 signifikant sind.⁸³²

In den Modellen 4 und 5 (Tabelle 31) werden zusätzlich Interaktionen der erklärenden Vari-ablen berücksichtigt,⁸³³ die vorliegende Dissertation fokussiert dabei auf Interaktionen mit dem Corporate Governance-Score (CGS). Im Modell 5 werden wiederum nur jene erklärenden Va-riablen berücksichtigt, die im Modell 4 bei p ≤ 0,05 signifikant sind.

831 Vgl. Field, 2009, 213 f.

832 Es ist ausreichend, wenn einer der zwei Schätzer auf dem 5%-Niveau signifikant ist.

833 Eine Interaktion bezeichnet eine Wechselbeziehung (einen moderierenden Effekt) verschiedener erklären-der Variablen auf die Zielvariable (vgl. Field, 2018, 483 ff.). So hat Corporate Governance (erklärende Vari-able A) möglicherweise nur in Abhängigkeit von der Unternehmensgröße (erklärende VariVari-able B) einen Ein-fluss auf die kumulierten abnormalen Renditen (Zielvariable).

Dichte

Standardisierte Residuen

Quantile der standardisierten Residuen

Theoretical Quantiles

In den Modellen 6 bis 8 (Tabelle 32) wird nun der Corporate Governance-Score als erklärende Variable ersetzt durch die fünf Kategorien der Corporate Governance, also ‚Struktur Unterneh-mensführung (CGBS)‘, ‚Entlohnungspolitik (CGCP)‘, ‚Funktionen UnternehUnterneh-mensführung (CGBF)‘, ‚Rechte der EigentümerInnen (CGSR)‘ und ‚Vision und Strategie (CGVS)‘. Zuerst findet eine separate Betrachtung statt, dann werden alle Kontrollvariablen ergänzt und schließ-lich nur jene erklärenden Variablen mit Erklärungsbeitrag (welche zum Niveau 0,05 signifikant sind) berücksichtigt. Nachdem es in den Modellen 6-8 keine Hinweise darauf gibt, dass eine einzelne Corporate Governance-Kategorie Einfluss auf die M&A-Performance hat, wird auf eine Darstellung der Analyse von Interaktionseffekten (analog zu den Modellen 4 + 5) verzich-tet.

Modell [1] [2] [3]

Variable β OLS ROB β OLS ROB β OLS ROB

Intercept 0,575 3,621*** 3,378*** 0,924 1,872* 1,772* 0,646 1,858* 1,838*

CGS -0,007 -2,231** -2,258** -0,007 -1,605 -1,518 -0,006 -1,732* -1,644

SIZE -0,006 -2,886*** -2,620*** -0,006 -3,124*** -2,732***

DE 0,042 0,175 0,169 0,107 0,453 0,442

ES -0,075 -0,304 -0,331 -0,203 -0,875 -1,003

NL -0,436 -1,498 -1,372 -0,416 -1,470 -1,342

IT 0,057 0,193 0,183 0,038 0,132 0,127

BE -0,091 -0,249 -0,268 -0,008 -0,023 -0,025

FI -0,094 -0,255 -0,183 0,004 0,010 0,008

AT -1,325 -3,083*** -3,482*** -1,267 -2,964*** -3,390***

LU 0,180 0,358 0,312 0,407 0,829 0,720

PT -0,311 -0,574 -0,552 -0,461 -0,866 -0,826

FC 0,023 1,410 1,267

TQ -0,193 -1,493 -1,361

LEV -0,008 -1,030 -0,894

ENV 0,007 1,580 1,436

SOC -0,008 -1,480 -1,308

RSIZE -0,007 -1,567 -0,589

DIV -0,384 -2,408** -2,173** -0,324 -2,138** -2,081**

HIGH -0,160 -0,743 -0,775

SHARE -0,863 -2,052** -1,796* -1,046 -2,550** -2,328**

OTHER 0,158 0,398 0,366 -0,035 -0,091 -0,071

MISSING -0,399 -2,373** -2,409** -0,346 -2,140** -2,142**

CROSS 0,111 0,656 0,590

TL -0,155 -0,918 -0,869

β = geschätzte Regressionskoeffizienten; OLS = T-Werte und Signifikanzen mit OLS-Schätzer;

ROB = T-Werte und Signifikanzen mit heteroskedastisch robusten Schätzer

* = p ≤ 0,10 / ** = p ≤ 0,05 / *** p ≤ 0,01; signifikante Ergebnisse sind fett markiert Kontrolle

Jahreseffekte Nein Ja Ja

n 1.905 1.905 1.905

AIC 9.888,80 9.901,04 9.894,34

R² (adjust.) 0,002 0,013 0,012

StE 3,240 3,222 3,223

F 4,976** 1,730*** 1,899***

Tabelle 30: Multiple lineare Regression auf CAR (-1/1) Modelle 1-3

Modell [4] [5]

Variable β OLS ROB β OLS ROB

Intercept 0,374 0,413 0,349 1,019 2,744*** 2,566**

CGS 0,004 0,205 0,176 -0,018 -3,497*** -2,955***

SIZE -0,020 -3,596*** -2,576** -0,014 -3,151*** -2,162**

DE 0,411 0,860 0,753 0,162 0,686 0,675

ES -0,642 -1,146 -1,114 -0,210 -0,910 -1,015

NL -0,382 -0,432 -0,357 -0,289 -1,019 -0,944

IT 0,499 0,813 0,715 0,085 0,296 0,279

BE -0,198 -0,224 -0,244 0,081 0,233 0,256

FI 1,095 1,046 0,658 0,107 0,296 0,226

AT -1,935 -2,096** -2,481** -1,203 -2,833*** -3,237***

LU 0,351 0,315 0,217 0,298 0,607 0,532

PT -0,107 -0,112 -0,098 -0,171 -0,322 -0,296

FC 0,038 1,408 1,220

TQ -0,064 -0,330 -0,328

LEV 0,020 1,252 1,013

ENV 0,010 1,120 0,937

SOC -0,003 -0,366 -0,320

RSIZE 0,016 1,913* 0,885 0,018 2,205** 1,013

DIV -0,461 -1,311 -1,101

HIGH -0,785 -1,632 -1,587

SHARE -3,970 -4,210*** -3,347*** -3,770 -4,215*** -3,195***

OTHER -0,794 -0,992 -0,935 -0,789 -1,003 -0,969

MISSING -1,284 -3,643*** -3,289*** -1,254 -3,676*** -3,356***

CROSS 0,156 0,443 0,360

TL -0,158 -0,439 -0,366

CGS * SIZE 0,0003 2,560** 2,114** 0,0002 1,912* 1,500

CGS * DE -0,008 -0,759 -0,780

CGS * ES 0,011 1,084 1,135

CGS * NL 0,001 0,061 0,056

CGS * IT -0,009 -0,721 -0,639

CGS * BE 0,005 0,278 0,297

CGS * FI -0,017 -1,074 -0,735

CGS * AT 0,017 0,805 0,971

CGS * LU -0,006 -0,312 -0,237

CGS * PT -0,001 -0,083 -0,072

CGS * FC -0,001 -1,031 -0,702

CGS * TQ -0,001 -0,179 -0,154

CGS * LEV -0,001 -1,881* -1,741*

CGS * ENV -0,000 -0,248 -0,210

CGS * SOC -0,000 -0,424 -0,356

CGS * RSIZE -0,001 -3,122*** -0,892 -0,001 -3,562*** -1,017

CGS * DIV 0,002 0,301 0,273

CGS * HIGH 0,013 1,508 1,474

CGS * SHARE 0,065 3,717*** 2,959*** 0,060 3,645*** 2,780***

CGS * OTHER 0,023 1,558 1,453 0,023 1,553 1,485

CGS * MISSING 0,019 2,972*** 2,946*** 0,019 3,037*** 3,065***

CGS * CROSS -0,001 -0,211 -0,192

CGS * TL 0,001 0,177 0,159

β = geschätzte Regressionskoeffizienten; OLS = T-Werte und Signifikanzen mit OLS-Schätzer;

ROB = T-Werte und Signifikanzen mit heteroskedastisch robusten Schätzer

* = p ≤ 0,10 / ** = p ≤ 0,05 / *** p ≤ 0,01; signifikante Ergebnisse sind fett markiert Kontrolle

Jahreseffekte Ja Ja

n 1.905 1.905

AIC 9.903,43 9.872,03

R² (adjust.) 0,024 0,026

StE 3,205 3,200

F 1,792*** 2,649***

Tabelle 31: Multiple lineare Regression auf CAR (-1/1) Modelle 4-5

Modell [6] [7] [8]

Variable β OLS ROB β OLS ROB β OLS ROB

Intercept 0,731 2,935*** 2,806*** 0,979 1,920* 1,802* 0,721 1,769* 1,726*

CGBS 0,001 0,187 0,182 0,001 0,290 0,285 0,001 0,347 0,348

CGCP 0,004 1,288 1,286 0,003 0,717 0,730 0,002 0,588 0,592

CGBF -0,006 -1,757* -1,800* -0,007 -1,838* -1,756* -0,006 -1,604 -1,534 CGSR -0,001 -0,484 -0,492 -0,001 -0,311 -0,306 -0,001 -0,432 -0,429 CGVS -0,005 -1,786* -1,674* -0,005 -1,220 -1,112 -0,003 -0,922 -0,861

SIZE -0,005 -2,348** -2,163** -0,005 -2,057** -2,279**

DE 0,004 0,015 0,015 0,092 0,359 0,353

ES 0,044 0,168 0,193 -0,106 -0,423 -0,507

NL -0,459 -1,558 -1,432 -0,466 -1,624 -1,487

IT 0,050 0,170 0,160 0,030 0,101 0,096

BE -0,087 -0,236 -0,254 -0,027 -0,078 -0,086

FI -0,089 -0,234 -0,173 -0,004 -0,010 -0,007

AT -1,344 -3,079*** -3,519*** -1,283 -2,953*** -3,431***

LU 0,200 0,395 0,343 0,446 0,903 0,783

PT -0,248 -0,451 -0,434 -0,426 -0,791 -0,758

FC 0,023 1,411 1,276

TQ -0,199 -1,535 -1,393

LEV -0,008 -1,095 -0,945

ENV 0,009 1,883* 1,663*

SOC -0,007 -1,293 -1,185

RSIZE -0,007 -1,582 -0,594

DIV -0,382 -2,389** -2,157** -0,316 -2,083** -2,032**

HIGH -0,166 -0,750 -0,783

SHARE -0,889 -2,110** -1,847* -1,068 -2,590*** -2,375**

OTHER 0,136 0,341 0,315 -0,060 -0,158 -0,123

MISSING -0,386 -2,287** -2,322** -0,341 -2,106** -2,109**

CROSS 0,113 0,669 0,602

TL -0,134 -0,789 -0,755

β = geschätzte Regressionskoeffizienten; OLS = T-Werte und Signifikanzen mit OLS-Schätzer;

ROB = T-Werte und Signifikanzen mit heteroskedastisch robusten Schätzer

* = p ≤ 0,10 / ** = p ≤ 0,05 / *** p ≤ 0,01; signifikante Ergebnisse sind fett markiert Kontrolle

Jahreseffekte Nein Ja Ja

n 1.905 1.905 1.905

AIC 9.891,48 9.905,89 9.900,37

R² (adjust.) 0,003 0,013 0,011

StE 3,239 3,222 3,225

F 2,058* 1,631*** 1,708***

Tabelle 32: Multiple lineare Regression auf CAR (-1/1) Modelle 6-8

Betrachtet man die niedrigen adjustierten R² der dargestellten Modelle (zwischen 0,002 in Mo-dell 1 und 0,026 in MoMo-dell 5), so wird ersichtlich, dass nur ein sehr kleiner Teil der Varianz von CAR (-1/1) durch die gewählten Variablen erklärt werden kann. Dieser sehr niedrige Wert ist zwar in der M&A-Forschung häufig anzutreffen,⁸³⁴ deutet aber darauf hin, dass die gewählten Faktoren nur einen sehr geringen Erklärungsbeitrag liefern und es neben den gewählten Fak-toren noch weitere (noch unbekannte bzw. hier nicht berücksichtigte) Einflussgrößen gibt.

Nimmt man den Corporate Governance-Score (CGS) als alleinige erklärende Variable (Mo-dell 1), so können die Ergebnisse aus dem Kapitel 6.6.1.1 bestätigt werden: je besser die Corporate Governance eines Unternehmens, umso geringer die kumulierten abnormalen Ren-diten (CAR) rund um den Ankündigungszeitpunkt. Die Ergebnisse in Tabelle 30 zeigen dabei, dass bei einer Erhöhung der Corporate Governance um 1 Punkt⁸³⁵ die Zielvariable CAR (-1/1) um 0,007 Prozentpunkte sinkt.

Berücksichtigt man allerdings weitere erklärende Variablen (die Kontrollvariablen; Modelle 2+3), dann wird ersichtlich, dass der Corporate Governance-Score (CGS) keinen signifikanten Einfluss mehr auf die kumulierten abnormalen Renditen des Unternehmens (CAR) hat.⁸³⁶ Bei den Kontrollvariablen sind jedoch einige interessante Erkenntnisse zu beobachten. So zeigt sich ein signifikanter negativer Zusammenhang zwischen der absoluten Größe des Un-ternehmens (SIZE) und den kumulierten abnormalen Renditen des UnUn-ternehmens (CAR), dh.

je größer ein Unternehmen, desto geringer sind die kumulierten abnormalen Renditen bei An-kündigung einer M&A-Transaktion. Dieser Effekt ist in allen Modellen, bei denen die Größe berücksichtigt wurde (dh. in den Modellen 2-5 und 7-8), zu beobachten.⁸³⁷

Weiters ist festzuhalten, dass das Herkunftsland des akquirierenden Unternehmens einen Ein-fluss auf die kumulierten abnormalen Renditen (CAR) hat. Dabei fällt aber nur ein Land auf, nämlich österreichische Unternehmen, welche im Vergleich zur Referenzkategorie Frankreich einen hochsignifikant negativen Zusammenhang mit den kumulierten abnormalen Renditen (CAR) aufweisen.⁸³⁸ Alle anderen Länder weisen keinen Unterschied zur Referenzkategorie

834 Siehe bspw. Deng/Kang/Sin, 2013, 97; Zhu, 2011, 30; Gregory/McCorriston, 2005, 120; Alexandridis/Pet-mezas/Travlos, 2010, 1685; Masulis/Wang/Xie, 2007, 1866, uvam.

Golubov/Yawson/Zhang, 2015, 314 f. diskutieren ein in der M&A-Forschung durchschnittlich anzutreffendes adjustiertes R² von rund 5 % kritisch und versuchen Implikationen für die M&A-Forschung festzumachen.

835 Der Corporate Governance-Score kann einen Wert zwischen 0 und 100 einnehmen.

836 Anmerkung: Im Modell 3 ist die Corporate Governance (CGS) bei Heranziehen des OLS-Schätzers signifi-kant bei p ≤ 0,10, der heteroskedastisch robuste Schätzer ist allerdings nicht signifisignifi-kant.

837 Im Modell 3 wird sichtbar, dass bei einer Steigerung der Unternehmensgröße um 1 Mrd. Euro die Zielvariable CAR (-1/1) (unter Konstanthaltung aller anderen Variablen) um 0,006 Prozentpunkte sinkt.

838 Auf Basis der Ergebnisse im Modell 3 weisen österreichische Unternehmen (unter Konstanthaltung aller anderen Variablen) eine um 1,267 Prozentpunkte geringere M&A-Performance auf als Unternehmen der Referenzkategorie Frankreich.

auf. Auch dieses Ergebnis ist in allen analysierten Modellen, bei denen der Länderaspekt be-rücksichtigt wurde (dh. in den Modellen 2-5 und 7-8), zu beobachten.

Eine weitere nennenswerte Kontrollvariable ist der Diversifikation Dummy (DIV). Demnach weisen akquirierende Unternehmen, die in eine Branche investieren die nicht die gleiche ist wie die eigene, tendenziell geringere abnormale Renditen (CAR) auf als jene, die in Unterneh-men der gleichen Branche investieren. Dieses Ergebnis ist allerdings nicht in allen Modellen zu beobachten, weswegen es nicht überbewertet werden sollte.

Schlussendlich korreliert auch die Transaktionswährung (und zwar durchwegs in allen Model-len, bei denen diese Variable berücksichtigt wurde, dh. 2-5 und 7-8) mit den kumulierten ab-normalen Renditen (CAR). Reine Share Offer (SHARE) werden (im Vergleich zur Referenzka-tegorie Cash Offer) vom Kapitalmarkt signifikant schlechter beurteilt.⁸³⁹ Bei den Mischformen (OTHER) sind keine Unterschiede zu den Cash Offer zu beobachten. Transaktionen bei denen die Transaktionswährung unbekannt ist (MISSING) weisen ebenfalls geringere kumulierte ab-normale Renditen (CAR) auf als Cash Offer.

Analysiert man zusätzlich Interaktionen zwischen dem Corporate Governance-Score (CGS) und anderen erklärenden Variablen (Modelle 4 +5), so ergeben sich neue Erkenntnisse. Zu-erst muss der Corporate Governance-Score (CGS) neu bewertet werden. Im Modell 5 (Ana-lyse der erklärenden Variablen und Interaktionen welche im Modell 4 signifikant sind) ist der negative Einfluss auf die Zielvariable CAR signifikant bei p ≤ 0,01. Das bedeutet, dass Unter-nehmen mit einer besseren Corporate Governance geringere kumulierte abnormale Renditen (CAR) aufweisen.⁸⁴⁰

Da sich dieses Ergebnis allerdings nur unter Berücksichtigung der Interaktionseffekte zeigt, müssen ebendiese näher beobachtet werden. Dabei sind vier Aspekte nennenswert:

(1) Corporate Governance (CGS) und die Unternehmensgröße (SIZE)

In den Modellen 4 und 5 wird ein Interaktionseffekt zwischen Corporate Governance (CGS) und der Unternehmensgröße (SIZE) auf die kumulierten abnormalen Renditen (CAR) sichtbar, dh. der Einfluss von Corporate Governance auf die M&A-Performance ist abhängig von der Unternehmensgröße. Dieser Effekt wird nachfolgend auf zweierlei Art dargestellt. Zuerst findet sich in Abbildung 34 eine deskriptive Darstellung der Stichprobe, indem die kumulierten

839 Auf Basis der Ergebnisse des Regressionsmodells 3 sinkt die Zielvariable CAR (-1/1) bei Share Offer um 1,046 Prozentpunkte gegenüber Cash Offer.

840 Auf Basis des Regressionsmodells 5 geht eine Steigerung des Corporate Governance-Scores (CGS) um 1 Punkt (unter Konstanthaltung aller anderen Variablen) mit einer Reduzierung von CAR (-1/1) um 0,018 Prozentpunkte einher.

abnormalen Renditen nach Corporate Governance-Performance (gute vs. schlechte Corpo-rate Governance; kategorisiert auf Basis des Medians) sowie nach Unternehmensgröße (kleine vs. große Unternehmen; kategorisiert auf Basis des Medians) abgebildet werden.

Abbildung 34: Interaktionseffekt Corporate Governance (CGS) und Unternehmensgröße (SIZE); deskriptive Darstellung auf Basis der Stichprobe (Quelle: eigene Darstellung)

In Abbildung 35 hingegen wird der Interaktionseffekt auf Basis der Ergebnisse aus dem Re-gressionsmodell 5⁸⁴¹ dargestellt. Dabei wird der Erwartungswert der Zielvariable CAR (-1/1) abgebildet, wenn im Regressionsmodell für die interessierten Variablen (Corporate Gover-nance bzw. Unternehmensgröße) Werte eingesetzt werden, konkret jeweils das 1., 2. und 3.

Quartil.⁸⁴² Die anderen Kontrollvariablen werden dabei konstant gehalten (kontrolliert).

Die erste Darstellung ist somit deskriptiver Natur, zeigt das reale Gesamtbild der Stichprobe und hat den Vorteil, dass Annahmen des Regressionsmodells dieses Ergebnis nicht beeinflus-sen. Die zweite Darstellung hingegen zeigt den Effekt im Regressionsmodell und stellt somit die Ergebnisse der Interaktion kontrolliert um die anderen Kontrollvariablen des jeweiligen Mo-dells dar.

841 Das Regressionsmodell 5 wird ausgewählt, da es die höchste Modellgüte aufweist. Siehe diesbezüglich etwas später in diesem Kapitel.

842 Für die Darstellung herangezogene Werte: CGS (27,11/48,04/67,07); SIZE (-6,89/0,00/21,06).

-0,10 0,00 0,10 0,20 0,30 0,40 0,50 0,60 0,70 0,80

Schlechte Corporate Governance

Gute

Corporate Governance

CAR (-1/1) in Prozent

Kleine Unternehmen Große Unternehmen

Abbildung 35: Interaktionseffekt Corporate Governance (CGS) und Unternehmensgröße (SIZE); Darstellung auf Basis des Regressionsmodells 5 (Quelle: eigene Darstellung)

In beiden Darstellungsformen wird ersichtlich, dass eine Verbesserung der Corporate Gover-nance bei kleineren Unternehmen stärker negative Auswirkungen auf die M&A-Performance hat. Vergleicht man die zwei gewählten Darstellungsformen des Interaktionseffektes (deskrip-tive Darstellung in Abbildung 34 und Darstellung auf Basis des Regressionsmodells 5 in Ab-bildung 35) so zeigt sich im Wesentlichen, dass der Effekt unter Konstanthaltung der anderen Kontrollvariablen nicht ganz so stark ausfällt wie bei der deskriptiven Darstellung.

(2) Corporate Governance (CGS) und die relative Deal-Größe (RSIZE)

Betrachtet man die Modelle 4 und 5, so ist zu erkennen, dass es möglicherweise eine Interak-tion aus Corporate Governance (CGS) und der relativen Deal-Größe (RSIZE) auf die kumu-lierten abnormalen Renditen (CAR) gibt. Interessanterweise sind die T-Werte bei den OLS-Schätzern hochsignifikant, weisen p-Werte kleiner 0,01 auf, während die T-Werte bei den ro-busten Schätzern p-Werte > 0,10 aufzeigen und somit nicht signifikant sind. Ein Blick auf die deskriptive Darstellung dieses Interaktionseffektes auf Basis der Stichprobe, sichtbar in Abbil-dung 36, kann hier weiterhelfen. Wiederum werden die kumulierten abnormalen Renditen (CAR) abhängig von der Corporate Governance-Performance (gute vs. schlechte Corporate Governance; kategorisiert auf Basis des Medians) sowie der relativen Deal-Größe (relativ kleine Transaktionen vs. relativ große Transaktionen; kategorisiert auf Basis des Medians) dargestellt.

-0,30 -0,20 -0,10 0,00 0,10 0,20 0,30 0,40 0,50 0,60 0,70

Schlechte Corporate Governance

Mittlere Corporate Governance

Gute Corporate Governance

CAR (-1/1) in Prozent

Kleines Unternehmen Mittelgroßes Unternehmen Großes Unternehmen

Abbildung 36: Interaktionseffekt Corporate Governance (CGS) und relative Deal-Größe (RSIZE); deskriptive Darstellung auf Basis der Stichprobe (Quelle: eigene Darstellung)

In Abbildung 37 wird der Interaktionseffekt wiederum auf Basis des Regressionsmodells 5 dar-gestellt, wobei der Erwartungswert der Zielvariable CAR (-1/1) abgebildet wird, wenn für die interessierten Kontrollvariablen (Corporate Governance bzw. relative Deal-Größe) Werte an-genommen werden, wobei hier wiederum das 1., 2. und 3. Quartil⁸⁴³ herangezogen werden.

Alle anderen Kontrollvariablen werden dabei konstant gehalten (kontrolliert).

Bei Betrachtung der Stichprobe (Abbildung 36) wird gut der Haupteffekt der relativen Transak-tionsgröße (RSIZE) auf CAR sichtbar, dass also relativ große Deals erfolgreicher sind als re-lativ kleine Transaktionen. Auch der Haupteffekt von Corporate Governance auf CAR wird sichtbar, dass also ein hoher Corporate Governance-Score (CGS) mit einer niedrigeren M&A-Performance einhergeht. Grafisch ist allerdings praktisch kein Interaktionseffekt zwischen der Corporate Governance und der relativen Deal-Größe auf die kumulierten abnormalen Rendi-ten (CAR) zu beobachRendi-ten. Etwas differenzierter verhält es sich allerdings bei Betrachtung des Interaktionseffektes auf Basis des Regressionsmodells 5 (Abbildung 37), also unter Kontrol-lierung aller anderen Variablen im Modell. Dabei wird sichtbar, dass der negative Einfluss von guter Corporate Governance auf CAR stärker bei relativ großen Transaktionen zum Tragen kommt.

843 Für die Darstellung herangezogene Werte: CGS (27,11/48,04/67,07); RSIZE (-0,78/0,00/3,15).

-0,10 0,00 0,10 0,20 0,30 0,40 0,50 0,60

Schlechte Corporate Governance

Gute

Corporate Governance

CAR (-1/1) in Prozent

Relativ kleine Transaktionen Relativ große Transaktionen

Abbildung 37: Interaktionseffekt Corporate Governance (CGS) und relative Deal-Größe (RSIZE); Darstellung auf Basis des Regressionsmodells 5 (Quelle: eigene Darstellung)

(3) Corporate Governance (CGS) und die Transaktionswährung (CASH, SHARE, OTHER, MISSING)

In den Modellen 4 und 5 sind außerdem interessante Interaktionseffekte zwischen Corporate Governance (CGS) und den verschiedenen Ausprägungen der Transaktionswährung zu be-obachten. So wird ein hochsignifikanter Interaktionseffekt zwischen Corporate Governance (CGS) und der Bezahlung mit Aktien (SHARE) sowie ein hochsignifikanter Interaktionseffekt zwischen Corporate Governance (CGS) und fehlender Informationen zur Transaktionswäh-rung (MISSING) auf die kumulierten abnormalen Renditen (CAR) sichtbar.

Ein Blick in die dazu passende grafische Darstellung deskriptiver Natur auf Basis der Stich-probe in Abbildung 38 gibt hier weitere Aufschlüsse. Dabei werden wiederum die kumulierten abnormalen Renditen abhängig von der Corporate Governance-Performance (gute vs.

schlechte Corporate Governance; kategorisiert auf Basis des Medians) sowie der Ausprägung der Transaktionswährung (handelt es sich um eine Transaktion die ausschließlich mit Geld (CASH), ausschließlich mit Aktien (SHARE), einer Kombination daraus bzw. anderen seltene-ren Methoden (OTHER) bezahlt wird oder gibt es keine öffentlich verfügbare Information dazu (MISSING)) dargestellt.

-0,40 -0,30 -0,20 -0,10 0,00 0,10 0,20 0,30 0,40 0,50 0,60

Schlechte Corporate Governance

Mittlere Corporate Governance

Gute Corporate Governance

CAR (-1/1) in Prozent

Relativ kleine Transaktion Mittelgroße Transaktion Relativ große Transaktion

Im Dokument Der Einfluss der Corporate Governance auf die Performance von Mergers & Acquisitions / eingereicht von Mag. Thomas Michael Brunner-Kirchmair (Seite 187-200)