Appendix 1 Toelichting regressieanalyse

• De scores voor basisprofiel en de variaties op het basisprofiel verkrijgen we met behulp van regressieanalyses.
• In het regressie model is de te verklaren variabele (de variabele die gemodelleerd wordt) de score S_ijingevuld door respondent i op een vraag j in de enquête. De verklarende variabelen (model variabelen) D_v,izijn 17 dummy variabelen die de 17 variaties V representeren: De variabele D_v,iis 0 wanneer de respondent i niet scoort op de betreffende variatie V en deze variabele D_v,iis 1 wanneer de respondent i wel scoort op de betreffende variatie V. Bijvoorbeeld de dummy variabele D_{MKB, i} is gelijk aan 1 indien de respondent i de enquête heeft ingevuld vanuit het perspectief van een niet-beursgenoteerd (for profit) MKB bedrijf met een balanstotaal ≤ 100 miljoen euro. In alle andere gevallen heeft deze dummy variabele de waarde 0.
• In tabel A1 zijn de 17 variaties en het basisprofiel op een rij gezet.

Regressiemodel

• Het volgende regressiemodel wordt geschat voor de score S_ijgegeven door respondent i op vraag j in de enquête
• S_ij= α + β_GB,jD_GB,i+ β_MKB,jD_MKB,i+ β_FAM,jD_FAM,i+β_CORP,jD_CORP,i+β_ZORG,jD_ZORG,i+ + β_OW,jD_OW,i+ +β_ONP,jD_ONP,i+β_CULT,jD_CULT,i+β_VZ,jD_VZ,i+β_{AC, j}D_AC,i+β_{SECR, j}D_SECR,i+β_{IA, j}D_IA,i+ β_RvB,jD_RvB,i+ β_ERV,jD_ERV,i++β_JONG,jD_JONG,i+ β_{VR, j}D_VR,i+ β_{1TR, j}D_1TR,i+ _i,j

• Voor elke vraag j schatten we de 17 beta’s β_V,jvoor elke variatie V met behulp van een regressiemodel.

• Met het regressiemodel verkrijgen we de ‘zuivere’ verschillen tussen de variaties en het basisprofiel. Voorwaarde is wel dat de correlaties tussen de 17 dummy variabele niet te hoog mogen zijn, zeker wanneer het aantal variabelen relatief hoog is ten opzichte van het aantal observaties/enquêtes.

Interpretatie regressie resultaten

• De coëfficiënten α en βV in het regressiemodel interpreteren we als volgt:

- De constante α geeft de score wanneer alle dummy variabelen 0 zijn, wat gebeurt voor het basisprofiel.

- De βV coëfficiënten geven de variaties in de score S aan voor de 17 variaties.Bijvoorbeeld: de score voor een jonge commissaris bij een MKB is volgens het regressiemodel: S = α + βMKB + βJONG.

Voorbeeld

• Met de geschatte coëfficiënten α en βV kunnen we de scores voor alle variatie profielen eenvoudig berekenen. In onderstaande tabel geven we een voorbeeld voor de scores met betrekking tot de stelling ‘de rvc heeft inzicht in de effecten van het klimaat op de organisatie’.

In het basisprofiel is de score voor de huidige situatie met betrekking tot de stelling “de rvc heeft inzicht in de effecten van het klimaat op de organisatie” gelijk aan 3.2 (dit is de geschatte coëfficiënt α). Variaties op het basisprofiel, kunnen we met α en β_Vberekenen. De geschatte score voor bijvoorbeeld de geschatte score voor een rvc voorzitter bij een GB bedrijf is dan gelijk aan 3.2 - 0.3 + 0.4 = 3.3.

Invloed van variaties zijn bijna ‘zuiver’ te bepalen

• We kunnen de ‘zuivere’ (of netto)invloeden van de 17 variaties bepalen. Bijvoorbeeld wanneer we gemiddelde scores van beursgenoteerde bedrijven vergelijken met die van niet-beursgenoteerde bedrijven, is het de vraag of de verschillen toe te schrijven zijn aan het niet beursgenoteerd zijn of dat het ligt aan de gemiddeld kleinere omvang van de niet-beursgenoteerde bedrijven. De geschatte regressie coëfficiënten β_V representeren nagenoeg de ‘zuivere’ effecten.Voorwaarde is wel dat de variaties niet te veel met elkaar gecorreleerd zijn. Aan deze voorwaarde is voldaan.