Appendix 1 Toelichting regressieanalyse

• De scores voor basisprofiel en de variaties op het basisprofiel verkrijgen we met behulp van regressieanalyses.
• In het regressiemodel is de te verklaren variabele (de variabele die gemodelleerd wordt) de score Sij ingevuld door respondent i op een vraag j in de enquête. Deze score Sij = 1 wanneer de respondent volstrekt oneens is met de stelling, = 2 bij oneens, = 3 bij deel oneens/deel eens, = 4 bij eens, = 5 bij volstrekt mee eens.
• De verklarende variabelen (model variabelen) Dv,i zijn 17 dummy variabelen die de 17 variaties V representeren. De variabele Dv,i is 0 wanneer de respondent i niet scoort op de betreffende variatie V en deze variabele Dv,i is 1 wanneer de respondent i wel scoort op de betreffende variatie V. Bijvoorbeeld de dummy variabele DMKB, 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.

1. Het volgende regressiemodel schatten we voor de score Sij gegeven door respondent i op vraag j in de enquête.
   
   Sij = α + βGB,jDGB,i + βMKB,jDMKB,i + βFam,jDFam,i + βCorp,jDCorp,i + βZorg,jDZorg,i + βOW,jDOW,i + βNP,jDNP,i + βVZ,jDVZ,i + βViceVZ,jDViceVZ,i + βELD,jDELD,i + βAUD,jDAUD,i + βRvB,jDRvB,i + βSecr,jDSecr,i + βIA,jDIA,i + βERV,jDERV,i + βJong,jDJong,i + βVR,jDVR,i + i,j
   
2. Voor elke vraag j schatten we de 17 bovengenoemde beta’s βV,j met behulp van een regressiemodel.
3. Met het regressiemodel verkrijgen we de ‘zuivere’ verschillen tussen de variaties en het basisprofiel. Voorwaarde is wel dat de correlaties tussen de 17 dummy variabelen niet te hoog mogen zijn (zeker wanneer het aantal variabelen van 17 relatief hoog is ten opzichte van het aantal respondenten van 160).
4. De absolute waarden van de correlatiecoëfficiënten in de correlatiematrix voor de 17 variaties blijven in absolute waarde beperkt tot 0.30 of minder. Volgens een vuistregel is dit een veilig bereik om de β’s zuiver te kunnen interpreteren. In twee gevallen is een hogere correlatiecoëfficiënt tussen de variaties aanwezig: (1) een correlatiecoëfficiënt van 0.36 tussen de dummy variabelen DJong en DERV en (2) een correlatiecoëfficiënt van 0.34 tussen de dummy variabelen DJong en DSecr.

De coëfficiënten α en β_V 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 β_V coëfficiënten geven de variaties in de score S aan voor de 17 variaties. Bijvoorbeeld: de score voor een jonge commissaris bij een MKB-bedrijf is volgens het regressiemodel: S = α+ β_MKB + β_Jong.

Met de geschatte coëfficiënten α en βV berekenen we eenvoudig de scores voor alle variatie profielen. In de onderstaande tabel geven we een voorbeeld voor de score S met betrekking tot de stelling ‘ik heb zicht op de rol van de vice-voorzitter’.

In het basisprofiel is de score S voor de huidige situatie met betrekking tot de stelling 'Ik heb zicht op de rol van de vicevoorzitter' gelijk aan 4.1 (dit is de geschatte coëfficiënt α). Variaties op het basisprofiel, kunnen we met α en βV berekenen. De geschatte score voor bijvoorbeeld een voorzitter rvc bij een GB bedrijf is dan gelijk aan 4.1(α) + 0.0(βGB) + 0.5(βVZ)= 4.6. In een vergelijkbare schatting is de score voor een vrouwelijke rvc commissaris gelijk aan 4.1(α) – 0.4 (βVR)= 3.7 en voor een lid DIR is de score 4.1(α) – 0.8(βRVB)= 3.3.

• 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. In dit geval kan de zuivere relatie niet worden vastgesteld.
  Met behulp van een regressieanalyse (en nagenoeg onafhankelijke variaties en een complete set aan variaties) kunnen de “zuivere” relaties wel worden vastgesteld door deze te “controleren” voor “concurrerende” variabelen. De geschatte regressie coëfficiënten βV representeren dan nagenoeg de “zuivere” effecten.