5. Empirische Analyse

Ähnlich hierzu Atteslander, P. (2010), S. 57; Kromrey, H./Roose, J./Strübing, J. (2016), S. 65.

Für eine weitere Betrachtungsweise der quartalsweisen Berichterstattungspraxis findet im Rahmen der deskriptiven Analysen zudem eine differenziertere Einteilung statt. Siehe hierfür auch Abschnitt 5.4.2.1.3.

Ähnlich Döring, N./Bortz, J. (2016), S. 210. Siehe für eine ausführliche Diskussion von Analysen mit Paneldaten Abschnitt 5.3.3.3.2.2.

Für weitere Ausführungen zu Bildung und Prüfung von Hypothesen sei auf Abschnitt 5.3.3.1 verwiesen.

Es sei an dieser Stelle jedoch angemerkt, dass nicht der Anspruch erhoben wird, alle diesem Forschungsgebiet zuzuschreibenden Aspekte und Argumente mit einzubeziehen.

Falls das Geschäftsjahr eines Unternehmens dem Kalenderjahr entspricht, muss das Unternehmen streng genommen vor dem 30. September 2015 in den Prime Standard eingetreten sein, um erst- und gleichzeitig auch letztmalig zur Erstellung und Veröffentlichung eines Quartalsfinanzberichts verpflichtet gewesen zu sein.

Siehe für die historische Entwicklung und die normativen Grundlagen Abschnitt 2.​4 sowie für die Stichprobenzusammensetzung die Ausführungen in Abschnitt 5.3.1.1. Der Fokus dieser Ausführungen liegt auf den Berichtspflichten seit der Schaffung des Prime Standard. Die bis dato geltenden Regelungen der Quartalsberichterstattung in gewissen Handelssegmenten bzw. Indizes sei hier nochmal hervorgehoben. Siehe hierzu auch explizit Abschnitt 2.​4.​1.​2.

Siehe zur Informationsfunktion der Zwischenberichterstattung Abschnitt 2.​3.​2.​2.​1.

Vgl. Deutsche Börse AG (Hrsg.) (2019), S. 18 f./23. Bei den in diese Untersuchung einbezogenen Unternehmen des Prime Standard handelt es sich um die größten – gemessen anhand der Marktkapitalisierung und des Orderbuchumsatzes – börsennotierten Unternehmen in Deutschland handelt. Siehe Deutsche Börse AG (Hrsg.) (2019), S. 23.

Siehe hierzu auch  Kapitel 4.

Zum Vorhergehenden ähnlich Brown, N. C. (2005), S. 10 f. Eine ähnliche Argumentation findet sich auch bei Sieber, T. (2011), S. 165, der dies jedoch aus spieltheoretischer Sicht betrachtet.

Siehe für das Vorhergehende ähnlich Brown, N. C. (2005), S. 12. Ähnlich auch Kampmann, H. (2005), S. 307.

Für eine vergleichende Argumentation siehe m. w. N. bspw. Barth, D. (2009), S. 108; Eisenschmidt, K. (2012), S. 213; Wenzel, J. (2005), S. 447. Vgl. auch Wagenhofer, A./Ewert, R. (2015), S. 378. Botosan, C. A. (1997), S. 327, begründet anhand der unterschiedlichen Berichtspraxen einzelner Branchen ihre Entscheidung, sich nur auf eine Branche zu konzentrieren.

So bspw. Ahr, E.-M./Loitz, R./Seidel, B. (2017), S. 1455; Pellens, B. et al. (2017b), S. 7.

Siehe hierfür die Ausführungen in Abschnitt 3.​1.​3 sowie Kapitel 4. Für weitere empirische Forschungsarbeiten, die einen Zusammenhang feststellen können, sei bspw. auf Meek, G. K./Roberts, C. B./Gray, S. J. (1995), S. 555/566; Seo, H. (2017), zusammenfassend S. 30 f.; Sieber, T. (2011), S. 276, verwiesen. Teilweise bestätigt auch bei Wenzel, J. (2005), S. 459. Demgegenüber kann kein Zusammenhang bei Barth, D. (2009), zusammenfassend S. 189, sowie Eisenschmidt, K. (2012), S. 229, nachgewiesen werden.

Siehe hierfür auch Abschnitt 2.​3.​1.

Vgl. m. w. N. bspw. Bridts, C. (1990), S. 77/80; Gantzhorn, A. (2015), S. 47; Kajüter, P./Klassmann, F./Nienhaus, M. (2019), S. 251 sowie zum Anlegerschutz sowie dem Ziel der Zwischenberichterstattung im Allgemeinen Abschnitt 2.​3.​2.​1. Die Wichtigkeit der Zwischenberichterstattung herausstellend, siehe auch Abschnitt 2.​2.​2.​2.

Vgl. hierfür Henes, F. (1995), S. 78 sowie die Ausführungen in den Abschnitten 2.3.2.1, 3.2.2 und 5.3.2.3.1.

So auch Kiehne, N. (2012), S. 31 m. w. N sowie die Ausführungen in Abschnitt 2.​3.​2.​2.​2.

Auch Gluch, N./Muschallik, M./Schmidt, A. (2019), S. 193; Pellens, B. et al. (2017b), S. 7, sehen die Notwendigkeit in der Untersuchung der Reaktion von Kapitalmarktteilnehmern. Berninger, M./Schiereck, D. (2016), S. 560, betonen ebenfalls, dass die neue Freiheit sinnvoll genutzt werden sollte, um eine Bestrafung durch den Kapitalmarkt zu vermeiden.

Vgl. Federspieler, C. (1999), S. 47; Qandil, J. S. (2014), S. 60 f.

Vgl. Healy, P. M./Palepu, K. G. (2001), S. 430; Qandil, J. S. (2014), S. 57/61 f. sowie ähnlich Rauch, K. (2019), S. 70.

Siehe hierzu auch die Ausführungen in Abschnitt 3.​2.​3.

Vgl. auch Abschnitt 3.​2.​4.

Hierzu Abschnitt 3.​2.​4.

Vgl. die Ausführungen in Abschnitt 2.​4.​2.​2.​1.

Vgl. hierfür auch die Ausführungen in Abschnitt 3.​2.​5. Dieser Anspruch scheint umso mehr geboten, da sich die Zwischenberichterstattung an den Bedürfnissen eines average prudent investors orientieren sollte. Siehe hierzu auch Abschnitt 2.​3.​1.

Vgl. die Abschnitte 2.3.1 und 5.3.2.3.

Siehe für das Vorhergehende die Ausführungen in Abschnitt 3.​2.​6.

Vgl. hierfür auch Abschnitt 4.​2.​1.

Siehe hierfür insbesondere die Ausführungen in Abschnitt 2.​3.​2.​2 und v. a. Fn. 210 in Abschnitt 2.​3.​2.​2.​2. Zudem sei bspw. auf Böhmer, T./Muschallik, M./Steinius-Gaukel, J. (2019); Menacher, J./Schütt, H. H./Sellhorn, T. (2017) verwiesen. Pellens, B. et al. (2017a), S. VI, halten ein verändertes Informationsverhalten der Anleger fest.

Hinsichtlich des in der nachfolgenden Hypothese verwendeten Ausdrucks der impliziten Risikoprämie sei auf die Ausführungen in Abschnitt 5.3.2.3 verwiesen.

Siehe § 53 BörsO FWB sowie für weitere Ausführungen Abschnitt 2.​4.​1.​4 und 2.​4.​2.

Für Vergleichszwecke werden zum gegebenen Zeitpunkt auch die entsprechenden Quartalsberichte aus dem Jahr 2015 herangezogen (Q1/2015 und Q3/2015).

Eine ähnliche Auffassung findet sich auch bei Gluch, N./Muschallik, M./Schmidt, A. (2019), S. 183. Für ergänzende Ausführungen zum Untersuchungszeitraum unter Berücksichtigung der vorliegenden Datenstruktur sei auf Fn. 70 in Abschnitt 4.​4 verwiesen.

Siehe für den Abruf der Zusammensetzung des Prime Standard der Deutschen Börse zu den genannten Zeitpunkten den nachfolgenden Link: https://​www.​dax-indices.​com/​ressourcen (Stand: 01.05.2020).

Die vorliegende Datenstruktur wird auch als unbalanciertes Panel bezeichnet, da nicht alle Unternehmen über den gesamten Untersuchungszeitraum hinweg vertreten sind. Vgl. hierfür auch Schröder, A. (2009), S. 316 sowie für detailliertere Ausführungen Abschnitt 5.3.3.3.2.2.

Die Branchenklassifizierung der Unternehmen erfolgt anhand der Klassifizierung der Deutschen Börse AG. Als Unternehmen der Banken-, Finanz- und Versicherungsbranche werden somit Unternehmen definiert, die einem der Sektoren Banks, Financial Services oder Insurance zugeordnet werden können. Siehe hierfür auch Deutsche Börse AG (Hrsg.) (2019), S. 63.

Eine ähnliche Vorgehensweise wählen bspw. auch Eckerth, S./Nienhaus, M./Schirmacher, H. (2018), S. 282; Ernstberger, J. et al. (2017), S. 40; Kajüter, P./Klassmann, F./Nienhaus, M. (2019), S. 258 sowie Nallareddy, S./Pozen, R./Rajgopal, S. (2017), S. 9.

Ähnlich auch Ernstberger, J. et al. (2017), S. 40; Hitz, J.-M./Moritz, F. (2019), S. 13. Für die normativen Regelungen in den USA sei auf die Ausführungen in Abschnitt 2.​4.​1.​1 verwiesen.

Siehe für die Veröffentlichungsfrist § 53 Abs. 5 + 6 BörsO FWB.

Neben den hier aufgeführten Ausschlussgründen wird darüber hinaus auch geprüft, ob Quartalsberichte nach den nationalen Rechnungslegungsvorschriften aufgestellt werden. Sofern dies zuträfe, würden die dazugehörigen Unternehmensbeobachtungen ausgeschlossen werden. Hierdurch wäre sichergestellt, dass nur Quartalsfinanzberichte gem. IFRS in die nachfolgende Analyse einbezogen werden und somit die identischen Anforderungen an die Inhalte eines jeden Quartalsfinanzberichts vorausgesetzt werden können. Da alle bis dahin noch in der Stichprobe enthaltenen Unternehmen ihre Quartalsfinanzberichte (verpflichtend aufgrund ihrer Konzernstruktur oder freiwillig) gem. IFRS aufstellen, muss kein weiteres Unternehmen ausgeschlossen werden.

Die Voraussetzungen bzw. Anforderungen der einzelnen Modelle werden im Rahmen von Abschnitt 5.3.2.3 ausführlich erläutert.

Eine zusammenfassende Übersicht der Variablen für die Untersuchung der Forschungsfrage 2 und deren Herkunft kann Tab. 5.10 entnommen werden. Da im Rahmen der bivariaten Analysen hinsichtlich Forschungsfrage 1 lediglich die Variable der Quartalsberichtsart (\(DISCL\_QUARTERLY\)) sowie die Branchenzugehörigkeit (\(INDUSTRY\)) näher untersucht werden, wird hierfür auf eine übersichtliche Darstellung verzichtet.

Vgl. § 53 Abs. 5 BörsO FWB.

Da dieser Entscheidungsprozess ausführlich im Rahmen der Ermittlung der impliziten Risikoprämien in Abschnitt 5.3.2.3.6.1 beschrieben wird, wird auf eine weitere Ausführung an dieser Stelle verzichtet.

Siehe hierfür auch Abschnitt 5.3.2.4.

Ähnlich Bortz, J./Schuster, C. (2010), S. 9 sowie überblicksartig für grundlegende Ausführungen zur Operationalisierung im Rahmen der empirischen Forschung. Für detaillierte Ausführungen sei auf Kapitel 8 in Döring/Bortz (2016) verwiesen. Siehe Döring, N./Bortz, J. (2016), S. 221–289.

Siehe ausführlich Abschnitt 2.​4.​2.​2.

Siehe Eisenschmidt, K. (2016a), S. 421; Eisenschmidt, K. (2016b), S. 471; Gluch, N./Muschallik, M./Schmidt, A. (2019), S. 185; Kajüter, P./Eckerth, S./Jeurissen, S. (2020), S. 174; Pellens, B. et al. (2017b), S. 3.

Hierzu Gluch, N./Muschallik, M./Schmidt, A. (2019), S. 186; Kajüter, P./Eckerth, S./Jeurissen, S. (2020), S. 174; Pellens, B. et al. (2017b), S. 4; Tausch-Nebel, L./Weber, S.C./Vaagt, S. (2017), S. 164.

Vgl. hierzu auch Eisenschmidt, K. (2016a), S. 421 f.; Kajüter, P./Eckerth, S./Jeurissen, S. (2020), S. 174.

Für die Forschungsfragen und Hypothesen sei auf Abschnitt 5.2 verwiesen.

Siehe Atteslander, P. (2010), S. 208–210 und ähnlich Kromrey, H./Roose, J./Strübing, J. (2016), S. 318. Für die eigene Untersuchung sei auf Abschnitt 5.2 und 5.3.1 verwiesen.

Vgl. Atteslander, P. (2010), S. 203; Kromrey, H./Roose, J./Strübing, J. (2016), S. 320.

Hierzu Atteslander, P. (2010), S. 211 sowie die Abschnitte 5.4 und 5.5.

So auch Atteslander, P. (2010), S. 296; Diekmann, A. (2008), S. 247. Die Ergebnisse der Beurteilung des vorliegenden Kategorisierungssystem finden sich in Abschnitt 5.4.2.1.2.

Vgl. Diekmann, A. (2008), S. 249; Döring, N./Bortz, J. (2016), S. 442.

Siehe bspw. Atteslander, P. (2010), S. 206. Ähnlich auch Früh, W. (2017), S. 179; Mayring, P. (2015), S. 124. Kolb, S. (2004), S. 337 f., bezieht sich unter Verweis auf weitere Fachliteratur auf drei Typen der Reliabilität: Die Intrakoderreliabilität, die Interkoderreliabilität sowie die instrumentelle Reliabilität, wobei bei Letzterer die Übereinstimmung zwischen Forscher und Kodierteam noch weiter geprüft wird.

Vgl. Atteslander, P. (2010), S. 206; Kolb, S. (2004), S. 337.

Siehe Kolb, S. (2004), S. 337 m. w. N. Mayring, P. (2015), S. 124, führt aus, dass im Rahmen der Interkoderreliabilität letztlich das Kriterium der Objektivität gemessen wird. Es finden sich auch Untersuchungen, die auf eine Einbeziehung einer weiteren Person in den Datenerhebungsprozess verzichten und somit die Interkoderreliabilität nicht gemessen werden kann. Siehe hierfür bspw. Barth, D. (2009); Eisenschmidt, K. (2012); Pechtl, H. (2000); Rauch, K. (2019). Argumente für die Entscheidung der alleinigen Kodierung sind u. a., dass ein einheitliches Bewertungsschema gewährleistet sein soll und damit zusammenhängend keine abweichenden Ergebnisse durch kognitive Unterschiede zwischen den Kodierern provoziert werden. Siehe hierfür Barth, D. (2009), S. 126 f.; Pechtl, H. (2000), S. 149.

Vgl. Holsti, O. R. (1963); Holsti, O. R. (1969).

Vgl. Krippendorff, K. (2019), wobei diese Maßzahl bereits im Jahr 1970 entwickelt wurde. Siehe Krippendorff, K. (2019), S. 291.

Eine entsprechende Vorgehensweise findet sich bei Rauch, K. (2019), S. 177. Ähnlich auch Günzer, E. (2016), S. 215 f.

Ähnlich Günzer, E. (2016), S. 21; Krippendorff, K. (2004), S. 422 m. w. N.

Hierzu Holsti, O. R. (1963), S. 49; Holsti, O. R. (1969), S. 140.

Vgl. Döring, N./Bortz, J. (2016), S. 445; Rössler, P. (2017), S. 216 f.; Stier, W. (1999), S. 56.

Siehe Rössler, P. (2017), S. 216 f. Diekmann, A. (2008), S. 256, bezeichnet die Validität gar als Hauptziel.

Eine entsprechende Vorgehensweise findet sich bei Gluch, N./Muschallik, M./Schmidt, A. (2019), S. 186; Kajüter, P./Eckerth, S./Jeurissen, S. (2020), S. 174; Pellens, B. et al. (2017b), S. 4; Tausch-Nebel, L./Weber, S.C./Vaagt, S. (2017), S. 166.

Siehe hierzu Abschnitt 5.3.1.1 sowie insbesondere Fn. 59 in Abschnitt 5.3.1.1.

Vgl. § 53 Abs. 6 BörsO FWB; § 115 Abs. 2 Nr. 1 + 2, Abs. 3 + 4 bzw. § 117 Nr. 2 WpHG; IAS 34 und DRS 16. Siehe auch die detaillierten Ausführungen in Abschnitt 2.​4.​2.​2.

Siehe § 115 Abs. 4 WpHG; IAS 34.14 f.; DRS 16.35. Für die Rolle der Wesentlichkeit siehe auch die Ausführungen in Abschnitt 2.​4.​2.​2.​2.

Ähnliche Überlegungen finden sich auch bei Eisenschmidt, K. (2016a), S. 421. Auch Kraus, S./Rahe, I. (2017), Tz. 133, betonen, dass die Angaben bei Wesentlichkeit zu tätigen sind und daher nicht alle in IAS 34.15B und IAS 34.16 A aufgeführten Vorgänge obligatorisch zu berichten sind.

Vgl. auch DRS 16.35 a)-c). Sofern keine wesentlichen Veränderungen der im letzten Konzernlagebericht bzw. im letzten Zwischenlagebericht abgegeben wesentlichen Prognosen vorliegen, ist zumindest dies als Negativvermerk anzugeben. Siehe DRS 16.45. Auch Gluch, N./Muschallik, M./Schmidt, A. (2019), S. 187, sowie Pellens, B. et al. (2017b), S. 4 f., betrachten zu Analysezwecken den Wirtschafts-, Prognose- sowie Risiko- und Chancenbericht, da weitere Berichtsbestandteile nicht zwingend zu veröffentlichen sind.

Die Suche erfolgt mithilfe der folgenden Suchbegriffe: „Bilanzierungsmethode(n)“, „Bewertungsmethode(n)“, „Rechnungslegungsmethode(n)“, „Vermögenslage“, „Finanzlage“, „Ertragslage“, „Wirtschaftsbericht“, „Chance(n)“, „Risiko“, „Risiken“, „Prognose(n)“.

Da dies ausschließlich der Auswertung zu deskriptiven Zwecken dient, wird hierfür keine weitere Variable definiert.

Siehe auch Kirchhoff Consult AG/Warth & Klein Grant Thornton AG/Deutsche Schutzvereinigung für Wertpapierbesitz e. V. (Hrsg.) (2016), S. 6, die die Bilanz sowie die GuV als wesentliche Zwischenabschlusstabellen bezeichnen.

Vgl. Botosan, C. A. (2006), S. 32; Junc, L. (2010), S. 170; Sach, A. (1993), S. 113.

Für die Bestimmung auf indirektem Weg sei stellvertretend auf Junc, L. (2010), S. 171–174 verwiesen. Argumentativ wird hierfür zumeist dargelegt, dass eine umfangreichere oder auch häufigere Berichterstattung einen positiven Einfluss auf die Informationsasymmetrien – respektive Eigenkapitalkosten – besitzt. Vgl. Eisenschmidt, K. (2016a), S. 422 i.V.m. Botosan, C. A. (2004), S. 290.

Siehe auch Daske, H./Wiesenbach, K. (2005a), S. 184 sowie die Ausführungen in Abschnitt 3.​2.​2.

So Claus, J./Thomas, J. (2001), S. 1629; Ross, S. A./Westerfield, R. W./Jordan, B. D. (2018), S. 394.

Für einen kurzen Überblick sei bspw. auf Daske, H. (2006), S. 337 f.; Daske, H./Wiesenbach, K. (2005a), S. 184 f. sowie Qandil, J. S. (2014), S. 182 f. verwiesen.

Vgl. hierfür die nachfolgenden Ausführungen.

Siehe hierfür u. a. Daske, H. (2006), S. 337; Daske, H./Wiesenbach, K. (2005a), S. 183. Ausführlicher zu den Modellen vgl. Fama, E. F./French, K. R. (1993); Pratt, S. P./Grabowski, R. J. (2014), S. 189–201; Sach, A. (1993), S. 115–120; Spremann, K. (1996), S. 533–556; Steiner, M./Bruns, C./Stöckl, S. (2017), S. 22–35.

Hierzu Daske, H./Wiesenbach, K. (2005a), S. 184; Elton, E. J. (1999), S. 1199.

Die Autoren Fama/French (1997) bewerten diese Verfahren als „[…] unavoidably imprecise“ und auch Elton (1999) gelangt zu dem Ergebnis, dass die Verwendung realisierter statt erwarteter Renditen fragwürdig ist. Vgl. Elton, E. J. (1999), S. 1199; Fama, E. F./French, K. R. (1997), S. 153. Siehe außerdem Ballwieser, W. (2005), S. 321; Qandil, J. S. (2014), S. 182.

Ähnlich auch Ballwieser, W. (2005), S. 322; Daske, H./Gebhardt, G. (2006a), S. 537.

Vgl. Daske, H./Wiesenbach, K. (2005a), S. 184/186; Daske, H./Wiesenbach, K. (2005b), S. 229; Gebhardt, W. R./Lee, C. M. C./ Swaminathan, B. (2001), S. 140.

Vgl. Daske, H./Wiesenbach, K. (2005b), S. 230. Für eine simultane Schätzung für ein Portfolio von Unternehmen siehe Easton, P. D. (2004), S. 81–83.

Siehe Daske, H./Wiesenbach, K. (2005b), S. 230. Für die Verwendung von mindestens vier Modellen sei stellvertretend auf Blanco, B./Garcia Lara, J. M./Tribo, J. A. (2015); Elzahar, H. et al. (2015); Hail, L./Leuz, C. (2009); Mazzi, F. et al. (2017); Nölte, U. (2008) verwiesen.

Siehe für eine entsprechende Vorgehensweise bspw. Blanco, B./Garcia Lara, J. M./Tribo, J. A. (2015), S. 377; Daske, H./Hail, L./Leuz, C./Verdi, R. (2008), S. 1097; Dhaliwal, D. et al. (2014), S. 334.

Vgl. für eine entsprechende Vorgehensweise Sieber, T. (2011), S. 315. Siehe auch allgemein Günzer, E. (2015), S. 282.

Aus Vereinfachungsgründen wird hier und im Folgenden auf die Verwendung von Erwartungswertoperatoren verzichtet sowie eine intertemporale Konstanz des Eigenkapitalkostensatzes angenommen. Siehe ähnlich Nölte, U. (2008), S. 186; Qandil, J. S. (2014), S. 186; Reese, R. (2007), S. 62.

Hierunter werden immer die Schätzungen pro Aktie verstanden. Siehe u. a. Gordon, J. R./Gordon, M. J. (1997), S. 53. Zudem sei an dieser Stelle angemerkt, dass die Begriffe (Analysten-)Schätzung sowie (Analysten-)Prognose im weiteren Verlauf äquivalent verwendet werden.

Vgl. Daske, H./Wiesenbach, K. (2005b), S. 229; Junc, L. (2010), S. 174; Nölte, U. (2008), S. 186; Qandil, J. S. (2014), S. 184.

Der risikofreie Zinssatz entspricht der Rendite einer Staatsanleihe mit einer Restlaufzeit von zehn Jahren zum jeweiligen Bewertungsstichtag. Vgl. hierfür auch Claus, J./Thomas, J. (2001), S. 1641; Gebhardt, W. R./Lee, C. M. C./ Swaminathan, B. (2001), S. 145 sowie Reese, R. (2007), S. 5 f. Sofern keine Staatsanleihe mit einer Restlaufzeit von exakt zehn Jahren vorliegt, wird auf die Staatsanleihe zurückgegriffen, die die ähnlichste Restlaufzeit besitzt (dies führt zu einer maximalen Abweichung von fünf Monaten). Siehe für den Abruf der Renditen bei der Deutschen Bundesbank zum benötigten Zeitpunkt den nachfolgenden Link: https://www.bundesbank.de/de/service/bundeswertpapiere/kurse-und-renditen (Stand: 01.05.2020). Für die vorliegende Untersuchung liegt in diesem Zusammenhang auch eine Besonderheit vor, da hinsichtlich zweier Bewertungsstichtage auf negative Renditen von Staatsanleihen zurückgegriffen wird, was so – nach bestem Wissen der Autorin – bisher nicht vorlag. Dies betrifft die Renditen der zehnjährigen Staatsanleihen zum 31.05.2016 sowie zum 30.06.2016.

Vgl. z. B. Claus, J./Thomas, J. (2001), S. 1629; Daske, H./Wiesenbach, K. (2005b), S. 229; Gebhardt, W. R./Lee, C. M. C./ Swaminathan, B. (2001), S. 140; Gordon, J. R./Gordon, M. J. (1997), S. 53; Junc, L. (2010), S. 175; Nölte, U. (2008), S. 186; Qandil, J. S. (2014), S. 185.

Siehe Biermann, S. (2018), S. 21; Daske, H./Wiesenbach, K. (2005b), S. 229; Qandil, J. S. (2014), S. 185 f. sowie Reese, R. (2007), S. 62.

Hierzu auch Kothari, S. P. (2001), S. 174; Qandil, J. S. (2014), S. 186.

Vgl. Daske, H./Wiesenbach, K. (2005a), S. 185; Schmidt, R. H./Terberger, E. (2006), S. 200–203.

So Nölte, U. (2008), S. 188; Qandil, J. S. (2014), S. 186.

Zu erwähnen sei an dieser Stelle, dass dem Modell nach Gordon/Gordon (1997) ein Modell nach Gordon/Shapiro (1956) voransteht, das das Grundmodell nach Williams (1938) ebenfalls weiterentwickelt. Vgl. Gordon, M. J./Shapiro, E. (1956). Da jedoch auch dieser Ansatz Defizite aufweist, wird im Rahmen dieses Forschungsprojektes auf die Verwendung und Erläuterung dieses Modells verzichtet. Siehe hierfür auch Nölte, U. (2008), S. 189 m. w. N.

Siehe Gordon, J. R./Gordon, M. J. (1997), hier insbesondere S. 53 sowie darüber hinaus Junc, L. (2010), S. 175 f.

Siehe Gordon, J. R./Gordon, M. J. (1997), S. 54 sowie hierzu auch Qandil, J. S. (2014), S. 187 und Reese, R. (2007), S. 63.

So auch Qandil, J. S. (2014), S. 187 sowie Reese, R. (2007), S. 63.

Für diese und alle nachfolgenden Ausführungen zu den verwendeten Inputgrößen sei auf die übersichtliche Gesamtdarstellung in Tab. A 7 im Anhang verwiesen.

Siehe für die Datenherkunft im Allgemein auch Abschnitt 5.3.1.2 sowie Tab. A 7 dieser Arbeit. Für die Prognosen wird der jeweilige Mittelwert der Konsensusschätzungen herangezogen. Ähnlich auch Gebhardt, W. R./Lee, C. M. C./ Swaminathan, B. (2001), S. 143.

Für lediglich zwei Unternehmensbeobachtungen liegen nur zwei Gewinnprognosen vor. Die restlichen Unternehmensbeobachtungen weisen mindestens drei Gewinnprognosen vor.

Hierbei wird der Median der Konsensusschätzungen herangezogen.

Siehe auch Claus, J./Thomas, J. (2001), S. 1638; Daske, H./Wiesenbach, K. (2005a), S. 195; Gebhardt, W. R./Lee, C. M. C./ Swaminathan, B. (2001), S. 143; Reese, R. (2007), S. 67.

Siehe auch Nölte, U. (2008), S. 190; Qandil, J. S. (2014), S. 188.

Vgl. Daske, H./Wiesenbach, K. (2005a), S. 195; Daske, H./Gebhardt, G./Klein, S. (2005), S. 144; Nienhaus, M. (2015), S. 132; Nölte, U. (2008), S. 190; Qandil, J. S. (2014), S. 188. Gebhardt/Lee/Swaminathan verwenden in ihrem Modell statt der absoluten Gewinnänderung die relative Gewinnänderung. Siehe Gebhardt, W. R./Lee, C. M. C./ Swaminathan, B. (2001), S. 143 sowie kritisch hierzu Daske, H./Wiesenbach, K. (2005a), S. 195.

So auch Junc, L. (2010), 177; Nölte, U. (2008), S. 190 f.; Qandil, J. S. (2014), S. 188. Im Rahmen der vorliegenden Untersuchung liegen für nur eine Unternehmensbeobachtung lediglich zwei Dividendenprognosen vor. Für die restlichen Unternehmensbeobachtungen sind mindestens drei Dividendenprognosen verfügbar.

Hierzu auch Junc, L. (2010), 177 sowie ähnlich Qandil, J. S. (2014), S. 188. Dieses Vorgehen kann auch als Zukunftsapproximation verstanden werden. Würde man die zuletzt bekannten Dividenden sowie den dazugehörigen Gewinn heranziehen, spräche man von einer Vergangenheitsapproximation. Siehe hierfür auch Qandil, J. S. (2014), S. 188. Einer Vergangenheitsapproximation folgen bspw. Gebhardt, W. R./Lee, C. M. C./ Swaminathan, B. (2001), S. 144 sowie ähnlich Hail, L./Leuz, C. (2009), S. 451.

Für eine entsprechende Vorgehensweise siehe Nölte, U. (2008), S. 232. Daske/Wiesenbach (2005a) fordern drei Analysten pro Unternehmen. Siehe hierfür Daske, H./Wiesenbach, K. (2005a), S. 201. Die Anzahl der Analysten wird zu jedem Bewertungsstichtag der Datenbank Thomson Reuters Datastream entnommen.

Siehe auch Botosan, C. A./Plumlee, M. A. (2005), S. 25; Nölte, U. (2008), S. 186 f.; Qandil, J. S. (2014), S. 188.

Siehe Biermann, S. (2018), S. 21; Daske, H./Wiesenbach, K. (2005b), S. 229; Reese, R. (2007), S. 64.

So auch Claus, J./Thomas, J. (2001), S. 1635 sowie Gebhardt, W. R./Lee, C. M. C./ Swaminathan, B. (2001), S. 140 f.

Im Folgenden werden die Begriffe Clean-Surplus-Relation sowie Clean-Surplus-Prinzip synonym verwendet. Für weitere Ausführungen zum Clean-Surplus-Prinzip sei auf Wagenhofer, A./Ewert, R. (2015), S. 124–126 sowie Reese, R. (2007), S. 66 verwiesen.

Ähnlich Claus, J./Thomas, J. (2001), S. 1635; Reese, R. (2007), S. 65.

Siehe Preinreich, G. A. D. (1936); Preinreich, G. A. D. (1937); Preinreich, G. A. D. (1938).

Siehe hierfür die Ausführungen in Abschnitt 5.3.2.3.3.

Vgl. Claus, J./Thomas, J. (2001), S. 1638. Alternativ lässt sich dieser aus der Division des Werts des Eigenkapitals mit der Anzahl ausstehender Aktien zum entsprechenden Geschäftsjahresende ermitteln. So auch Qandil, J. S. (2014), S. 191.

So auch Daske, H./Gebhardt, G./Klein, S. (2005), S. 143; Nölte, U. (2008), S. 195; Qandil, J. S. (2014), S. 193.

Vgl. hierzu Gebhardt, W. R./Lee, C. M. C./ Swaminathan, B. (2001), S. 141–143. Gebhardt/Lee/Swaminathan (2001) nehmen auch eine Variation des Zeitpunktes für die Bestimmung des Endwertes auf \(T = 6, 9, 15, 18, 21\) vor, wobei sehr ähnliche Ergebnisse erhalten werden. Siehe Gebhardt, W. R./Lee, C. M. C./ Swaminathan, B. (2001), S. 143.

Vgl. Gebhardt, W. R./Lee, C. M. C./ Swaminathan, B. (2001), S. 141 f. Siehe für weitere Ausführungen hierzu sowie kritischen Äußerungen hinsichtlich der Annahmen des Konvergenzprozesses Reese, R. (2007), S. 68.

Siehe Gebhardt, W. R./Lee, C. M. C./ Swaminathan, B. (2001), S. 143 sowie für die Brancheneinteilung Fama, E. F./French, K. R. (1997).

Siehe hierfür die Ausführungen in Abschnitt 5.3.2.3.3. Es sei angemerkt, dass Gebhardt/Lee/Swaminathan (2001) für die Ermittlung fehlender Dividendenprognosen eine weitere Annahme treffen und negative Gewinnprognosen nicht verwenden. Stattdessen werden diese durch die Berechnung von \(0,06*Bilanzsumme\) ersetzt. Die Ausschüttungsquote wird zudem auf einen Bereich zwischen Null und Eins eingeschränkt. Vgl. Gebhardt, W. R./Lee, C. M. C./ Swaminathan, B. (2001), S. 144 sowie für eine entsprechende Vorgehensweise Gode, D./Mohanram, P. (2003), S. 408.

Vgl. Abschnitt 5.3.2.3.4.1.

Vgl. die Ausführungen in Abschnitt 5.3.2.3.3.

Ähnlich Daske, H./Wiesenbach, K. (2005a), S. 188 sowie für das Grundmodell ausführlich Ohlson, J. A./Juettner-Nauroth, B. E. (2005). Das Working Paper dieser Autoren, auf dem die nachstehend vorgestellten Modelle beruhen, stammt bereits aus dem Jahr 2000, weshalb diese Modelle dem final veröffentlichten Paper von Ohlson/Juettner-Nauroth (2005) zeitlich vorgelagert sind. Vgl. für das Working Paper Ohlson, J. A./Juettner-Nauroth, B. E. (2000).

So Daske, H./Wiesenbach, K. (2005a), S. 189; Qandil, J. S. (2014), S. 196. Jedoch unterstellt bspw. Reese die Clean-Surplus-Relation für eine eingänglichere Darstellung. Siehe Reese, R. (2007), S. 73. Für weitere Ausführungen zur Clean-Surplus-Relation sei auf Abschnitt 5.3.2.3.4 verwiesen.

Siehe bspw. Nölte, U. (2008), S. 196; Reese, R. (2007), S. 72.

Vgl. Daske, H./Wiesenbach, K. (2005a), S. 189; Nölte, U. (2008), S. 196 f.

So Gode, D./Mohanram, P. (2003), S. 403. Dieser Vorgehensweise folgen u. a. Daske, H. et al. (2008), S. 1136 f.; Reese, R. (2007), S. 73.

So Gode, D./Mohanram, P. (2003), S. 408. Der gleichen Vorgehensweise folgen auch Nölte, U. (2008), S. 199; Qandil, J. S. (2014), S. 198; Reese, R. (2007), S. 74.

Siehe Easton, P. D. (2004), S. 77–81 sowie ergänzend Qandil, J. S. (2014), S. 198.

Vgl. Easton, P. D. (2004), S. 81. Ähnlich auch Qandil, J. S. (2014), S. 199.

Siehe auch Botosan, C. A./Plumlee, M. A. (2005), S. 25; Nölte, U. (2008), S. 186 f.; Qandil, J. S. (2014), S. 188.

Ähnlich siehe Nienhaus, M. (2015), S. 126; Qandil, J. S. (2014), S. 212.

So auch Daske, H./Wiesenbach, K. (2005a), S. 201 sowie Gebhardt, W. R./Lee, C. M. C./ Swaminathan, B. (2001), S. 140 f.

So auch Healy, P. M./Palepu, K. G. (2001), S. 416; Qandil, J. S. (2014), S. 54.

Vgl. hierfür auch die Ausführungen in Abschnitt 5.3.2.3.1.

Siehe Biermann, S. (2018), S. 44; Daske, H./Wiesenbach, K. (2005a), S. 201; Qandil, J. S. (2014), S. 212.

Siehe hierfür ausführlich Abschnitt 2.​3.​2 dieser Arbeit.

Vgl. für eine Verarbeitungsdauer von sechs Monaten bspw. Gebhardt, W. R./Lee, C. M. C./ Swaminathan, B. (2001), S. 145; Häußler, M. (2008), S. 103; Nölte, U. (2008), S. 193; Paterno, M. (2009), S. 192; Qandil, J. S. (2014), S. 212 f. Darüber hinaus finden sich Arbeiten mit einer Verarbeitungsdauer von nur drei Monaten (Nienhaus, M. (2015), S. 126) bzw. vier Monaten (Claus, J./Thomas, J. (2001), S. 1637). Für eine Verarbeitungsdauer von zehn Monaten sei auf Hail, L./Leuz, C. (2009), S. 433 verwiesen.

Siehe für die Veröffentlichungsfrist § 53 Abs. 5 BörsO FWB. Für eine Darstellung der Veröffentlichungspraxis im Zusammenhang mit der Festlegung des Bewertungsstichtags in Bezug auf Forschungsfrage 2 sei auf Abb. A 1 im Anhang verwiesen.

Vgl. auch Claus, J./Thomas, J. (2001), S. 1637; Gebhardt, W. R./Lee, C. M. C./ Swaminathan, B. (2001), S. 143; Reese, R. (2007), S. 98 sowie durch einen eigens durchgeführten Abgleich bestätigt.

Siehe für empirische Arbeiten, die sich auf einen Detailprognosezeitraum von vier Jahren festlegen bspw. Botosan, C. A./Plumlee, M. A. (2005), S. 29 f.; Botosan, C. A./Plumlee, M. A./Wen, H. (2011), S. 1097; Guay, W./Kothari, S. P./Shu, S. (2011), S. 131; Junc, L. (2010), 176; Nölte, U. (2008), S. 190; Qandil, J. S. (2014), S. 187.

Die Bewertungsstichtage wurden bereits im vorherigen Abschnitt 5.3.2.3.6.1 hergeleitet.

Vgl. für eine entsprechende Vorgehensweise Qandil, J. S. (2014), S. 187 und ähnlich Daske, H. et al. (2008), S. 1138.

Die Berechnung erfolgt auf täglicher Basis; die Ergebnisse werden kaufmännisch auf zwei Nachkommastellen gerundet.

Zum Zweck der Verdeutlichung und einfachen Darstellung erfolgt hier eine Abbildung auf monatlicher Basis, die Ergebnisse der Verkürzungen folgen jedoch aus der Berechnung auf täglicher Basis.

Siehe für eine vergleichbare Vorgehensweise z. B. Junc, L. (2010), 176 f.; Nölte, U. (2008), S. 189–191; Qandil, J. S. (2014), S. 187 f.

Für die Herangehensweise von Claus/Thomas (2001) siehe Claus, J./Thomas, J. (2001), S. 1642 i.V. m. S. 1640 f. Als Beispiele für weitere empirische Arbeiten, die dieser Vorgehensweise folgen siehe bspw. Guay, W./Kothari, S. P./Shu, S. (2011), S. 131.

Ähnlich Gode, D./Mohanram, P. (2003), S. 399. Für eine entsprechende Vorgehensweise hinsichtlich der Detailprognosephase sei u. a. auch auf Daske, H./Gebhardt, G./Klein, S. (2005), S. 6 und Nölte, U. (2008), S. 195 verwiesen.

Für eine entsprechende Vorgehensweise sei bspw. auf Biermann, S. (2018), S. 38; Reese, R. (2007), S. 69 verwiesen.

Darüber hinaus werden solche Unternehmen, für die keine Eigenkapitalrenditen der letzten fünf Geschäftsjahre vorhanden sind, von der Ermittlung des Branchenmedians ausgeschlossen, jedoch im weiteren Verlauf der linearen Interpolation wieder berücksichtigt.

Vgl. für eine entsprechende Vorgehensweise Biermann, S. (2018), S. 38 f. sowie Liu, J./Nissim, D./Thomas, J. (2002), S. 146.

Mit diesem Problem sehen sich bereits Nölte (2008) sowie Qandil (2014) konfrontiert, weshalb diese auf die Glättung des erwarteten kurzfristigen Gewinnwachstums gem. Gode/Mohanram (2003) verzichten. Siehe Nölte, U. (2008), S. 199; Qandil, J. S. (2014), S. 197 f. Da für die vorliegende Stichprobe für deutlich mehr als zwei Drittel der Unternehmensbeobachtungen \(g_{lf}^{FA}\) vorhanden ist und eine Glättung als sinnvoll erachtet wird, wird dem Ansatz nach Gode/Mohanram (2003) daher gefolgt.

Für eine kritische Auseinandersetzung bzw. einen detaillierten Modellvergleich sei bspw. auf Ballwieser, W. (2005), S. 329–335; Daske, H./Gebhardt, G. (2006a), S. 546–548; Daske, H./Wiesenbach, K. (2005a), S. 207–212; Nölte, U. (2008), S. 202–206; Reese, R. (2007), S. 76–93 verwiesen.

Siehe auch Qandil, J. S. (2014), S. 200; Reese, R. (2007), S. 94. Für Ausführungen zur Informationseffizienz sei auf Abschnitt 3.​2.​1 und hier insbesondere auf Fn. 88 in Abschnitt 3.​2.​1 verwiesen.

Siehe Claus, J./Thomas, J. (2001), S. 1635 sowie die Literaturverweise in Fn. 192 in Abschnitt 5.3.2.3.4.

Ähnlich auch Ballwieser, W. (2005), S. 330. Als Beispiel sei hier die Regelung der IFRS zur Neubewertung von Sachanlagen gem. IAS 16.31 zu nennen, im Rahmen dessen Wertsteigerungen erfolgsneutral gem. IAS 16.39 behandelt werden. Den Verstoß gegen die Clean-Surplus-Relation behandeln Chen, F./Jorgensen, D./Yoo, Y. (2004).

Siehe Hail, L./Leuz, C. (2006), S. 492; Nölte, U. (2008), S. 204.

Vgl. hierzu Nölte, U. (2008), S. 205. Die Subjektivität der Analystenprognosen betont auch Reese, R. (2007), S. 96.

Vgl. Easton, P. (2006), S. 376; Healy, P. M./Palepu, K. G. (2001), S. 417.

Hierzu Qandil, J. S. (2014), S. 201. Für die Vorgehensweise im Zusammenhang mit der Ziel-Eigenkapitalrendite sei auf Abschnitt 5.3.2.3.4.2 verwiesen.

Für die in diesem Forschungsprojekt angewandten spezifizierten Modelle sei auf die zuvor vorgestellten fünf Modelle in den Abschnitten 5.3.2.3.3 bis 5.3.2.3.5.2 hingewiesen.

Eine ähnliche Vorgehensweise findet sich in Qandil, J. S. (2014), S. 202. Für die Identifizierung der Risikomaße sei auf Abschnitt 5.3.2.4 verwiesen.

Vgl. Botosan, C. A. (2006), S. 32; Junc, L. (2010), S. 170.

So Claus, J./Thomas, J. (2001), S. 1629; Ross, S. A./Westerfield, R. W./Jordan, B. D. (2018), S. 394 sowie die Ausführungen in Abschnitt 3.​2.​2.

Vgl. Daske, H./Wiesenbach, K. (2005a), S. 184; Daske, H./Wiesenbach, K. (2005b), S. 229.

Siehe für die vorgenommenen Modellspezifikationen Abschnitt 5.3.2.3.6.

Elzahar, H. et al. (2015), S. 101, wählt eine entsprechende Vorgehensweise. Dahingegen setzt Nölte, U. (2008), S. 234, nicht voraus, dass für die einbezogenen Unternehmen Ergebnisse für alle Modelle erhalten werden müssen.

Da keine analytische Berechnung möglich ist, müssen drei der fünf Modelle durch eine iterative Nullstellensuche mithilfe der Solver-Funktion in Microsoft Excel gelöst werden. Dies betrifft die Modelle nach Gordon/Gordon (1997), Claus/Thomas (2001) sowie Gebhardt/Lee/Swaminathan (2004).

Hierfür sei auch auf die Ausführungen in Abschnitt 5.3.2.3.1 verwiesen.

Eine übersichtliche Darstellung findet sich in Tab. 5.10.

Mit Ausnahme der Streuung der Analystenschätzungen sowie der Kontrolle der Branche und des Quartals werden alle Variablen der Datenbank Bloomberg entnommen. Die Streuung der Analystenschätzungen stammt aus der Datenbank Thomson Reuters Datastream, die Branchenzugehörigkeit wird entsprechend der Zuordnung der Deutsche Börse AG vorgenommen.

Siehe Häußler, M. (2008), S. 82 und ähnlich Qandil, J. S. (2014), S. 170.

Siehe Häußler, M. (2008), S. 86; Nienhaus, M. (2015), S. 132.

Vgl. Gebhardt, W. R./Lee, C. M. C./ Swaminathan, B. (2001), S. 145 f.; Häußler, M. (2008), S. 86; Nölte, U. (2008), S. 230 m. w. N; Qandil, J. S. (2014), S. 172.

Hierzu auch Qandil, J. S. (2014), S. 172 sowie die theoretischen Ausführungen in Abschnitt 3.​2.​4.

Empirische Evidenz liefern bspw. Botosan, C. A./Plumlee, M. A. (2005), S. 24; Hail, L./Leuz, C. (2006), S. 500; Nölte, U. (2008), S. 230.

Eine ähnliche Vorgehensweise wählen auch Botosan, C. A./Plumlee, M. A. (2002), S. 24; Nienhaus, M. (2015), S. 132; Nölte, U. (2008), S. 230; Qandil, J. S. (2014), S. 172.

Siehe für den theoretischen Zusammenhang Modigliani, F./Miller, M. H. (1958) sowie auf empirischer Ebene stellvertretend Botosan, C. A./Plumlee, M. A. (2005), S. 43; Daske, H./Gebhardt, G./Klein, S. (2005), S. 169; Fu, R./Kraft, A./Zhang, H. (2012), S. 146.

Vgl. Dhaliwal, D. /Lee, H. S. G./Neamtiu, M. (2011), S. 156 m. w. N.; Nienhaus, M. (2015), S. 133; Qandil, J. S. (2014), S. 178.

Siehe stellvertretend Daske, H./Gebhardt, G./Klein, S. (2005), S. 169; Nölte, U. (2008), S. 246; Reese, R. (2007), S. 118 f.

Siehe Gode, D./Mohanram, P. (2003), S. 404 sowie die Ausführungen in Abschnitt 5.3.2.3.1. Für empirische Arbeiten, die das systematische Risiko berücksichtigen, sei bspw. auf Blanco, B./Garcia Lara, J. M./Tribo, J. A. (2015), S. 377; Gode, D./Mohanram, P. (2003), S. 404; Häußler, M. (2008), S. 84; Hail, L./Leuz, C. (2006), S. 498; Qandil, J. S. (2014), S. 174 f verwiesen.

Siehe Blanco, B./Garcia Lara, J. M./Tribo, J. A. (2015), S. 377; Botosan, C. A./Plumlee, M. A. (2005), S. 35 f.; Dhaliwal, D. et al. (2014), S. 337 f.; Fu, R./Kraft, A./Zhang, H. (2012), S. 140; Gode, D./Mohanram, P. (2003), S. 406; Nienhaus, M. (2015), S. 133.

Hierzu bspw. Botosan, C. A./Plumlee, M. A. (2005), S. 43; Dhaliwal, D. et al. (2014), S. 343.

Siehe hierzu auch die Ausführungen in Abschnitt 5.3.2.3.

Ähnlich siehe stellvertretend auch Gebhardt, W. R./Lee, C. M. C./ Swaminathan, B. (2001), S. 146 f.; Gode, D./Mohanram, P. (2003), S. 404.

Für einen positiven Zusammenhang sei auf Cook, K. A./Moser, W. J./ Omer, T. C. (2017), S. 1123; Gode, D./Mohanram, P. (2003), S. 416 verwiesen, ein negativer Zusammenhang findet sich bspw. bei Gebhardt, W. R./Lee, C. M. C./ Swaminathan, B. (2001), S. 165.

Dies wird mit dem Symbol + /- im Rahmen der Regressionsanalysen gekennzeichnet.

Ebenfalls zeitliche sowie branchenspezifische Effekte berücksichtigen bspw. Dhaliwal, D. et al. (2014), S. 343; Daske, H. et al. (2008), S. 1107; Hail, L./Leuz, C. (2009), S. 438; Mazzi, F. et al. (2017), S. 292.

Siehe Backhaus, K. et al. (2018), S. 15–20; Döring, N./Bortz, J. (2016), S. 657 überblicksartig sowie ausführlich S. 677–764.

So Auer, L. v. (2016), S. 116; Döring, N./Bortz, J. (2016), S. 659. Der klassische Signifikanztest wird daher auch als Nullhypothesen-Signifikanztest bezeichnet. Vgl. Döring, N./Bortz, J. (2016), S. 659.

Siehe Auer, L. v. (2016), S. 116; Auer, B./Rottmann, H. (2015), S. 354; Döring, N./Bortz, J. (2016), S. 660.

Vgl. Döring, N./Bortz, J. (2016), S. 667. Für die Durchführung statistischer Signifikanztests mithilfe von Statistikprogrammen ist zu berücksichtigen, dass diese meist standardmäßig Ergebnisse für einen zweiseitigen Signifikanztest ausgeben. Diese sind im Fall einer gerichteten Hypothese entsprechend anzupassen und das Resultat ist zu halbieren. Siehe Backhaus, K. et al. (2018), S. 87; Döring, N./Bortz, J. (2016), S. 667 f.

Siehe Auer, B./Rottmann, H. (2015), S. 354 f.; Hartung, J. (2009), S. 133.

So Auer, B./Rottmann, H. (2015), S. 355. Wird eine Nullhypothese fälschlicherweise abgelehnt, spricht man auch von einem Fehler 1. Art bzw. von einem α-Fehler. Wird die Nullhypothese fälschlicherweise nicht abgelehnt, spricht man von einem Fehler 2. Art bzw. von einem β-Fehler. Siehe Auer, B./Rottmann, H. (2015), S. 354 f.; Hartung, J. (2009), S. 133.

Vgl. Auer, B./Rottmann, H. (2015), S. 355; Eckstein, P. P. (2019), S. 275. Diesem Vorgehen wird im Rahmen der vorliegenden Untersuchung ebenfalls gefolgt. Siehe hierfür auch die weiteren Ausführungen.

Ein empirisches Signifikanzniveau α* kann auch als p-Wert bezeichnet werden. So Eckstein, P. P. (2019), S. 275.

Siehe Eckstein, P. P. (2019), S. 275 f. Grundlage für einen Signifikanztest ist eine Teststatistik, auf deren Basis das empirische Signifikanzniveau bestimmt werden kann. Häufig wird hierfür die t-Statistik herangezogen. Siehe im Zusammenhang mit der Durchführung eines Signifikanztests bspw. Auer, B./Rottmann, H. (2015), S. 353–367; Backhaus, K. et al. (2018), S. 87.

Ähnlich Cleff, T. (2015), S. 29 sowie Homburg, C. et al. (2008), S. 154. Auf die theoretische Ausgestaltung univariater Analysen wird an dieser Stelle verzichtet und stattdessen – sofern angebracht – an geeigneter Stelle in Abschnitt 5.4.2.1 nachgeholt.

Vor dem Hintergrund des Ziels der vorliegenden Forschungsfrage ist insbesondere die Variable \(DISCL\_QUARTERLY\) von besonderem Interesse und wird daher näher betrachtet. In Vorbereitung auf die bivariaten Analysen findet darüber hinaus auch eine Einzelbetrachtung der Variable \(INDUSTRY\) statt. Diese zwei Variablen weisen ein nominales Skalenniveau vor. Durch nominalskalierte Variablen, die das geringste Skalenniveau vorweisen, werden qualitative Merkmalsausprägungen klassifiziert. Ein typisches Beispiel hierfür ist das Geschlecht. Vgl. hierfür auch Backhaus, K. et al. (2018), S. 11.

Siehe auch Cleff, T. (2015), S. 29; Homburg, C. et al. (2008), S. 154; Kosfeld, R./Eckey, H. F./Türck, M. (2016), S. 175.

Vgl. z. B. Backhaus, K. et al. (2018), S. 338. Für die Bildung der Untersuchungshypothesen sei auf Abschnitt 5.2 verwiesen.

Vgl. Homburg, C. et al. (2008), S. 154. Dies ist jedoch nicht mit Sicherheit möglich, weshalb eine Fehlerwahrscheinlichkeit berücksichtigt werden muss. Siehe hierfür Homburg, C. et al. (2008), S. 154 sowie die Ausführungen in Abschnitt 5.3.3.1.

Neben dem Begriff Kontingenztabelle findet auch der Begriff Kreuztabelle synonym Anwendung. Siehe hierfür Auer, B./Rottmann, H. (2015), S. 82; Cleff, T. (2015), S. 74.

Vgl. Backhaus, K. et al. (2018), S. 342 i.V. m. S. 347. Anstelle des Begriffs Zusammenhang kann auch von Assoziation gesprochen werden. Siehe Bortz, J./Schuster, C. (2010), S. 153.

Siehe hierfür Bortz, J./Schuster, C. (2010), S. 153; Döring, N./Bortz, J. (2016), S. 680 f. Sofern die Variablen ordinales Skalenniveau vorweisen, kann darüber hinaus sodann auch die Richtung des Zusammenhangs bestimmt werden. Siehe hierfür Bortz, J./Schuster, C. (2010), S. 153; Döring, N./Bortz, J. (2016), S. 680 f.

Vgl. Cleff, T. (2015), S. 74; Döring, N./Bortz, J. (2016), S. 680.

So auch Auer, B./Rottmann, H. (2015), S. 82; Backhaus, K. et al. (2018), S. 343; Cleff, T. (2015), S. 74.

Siehe bspw. Auer, B./Rottmann, H. (2015), S. 396; Backhaus, K. et al. (2018), S. 347 f.; Bortz, J./Schuster, C. (2010), S. 137 f.; Büning, H./Trenkler, G. (1994), S. 220–222. Der im Folgenden dargestellte χ²-Unabhängigkeitstest basiert auf der Annahme einer hinreichend großen Stichprobe. Bei Stichprobenumfängen n < 20 sollte ein exakter Test nach Fisher angewandt werden, bei Stichprobenumfängen mit 20 ≤ n < 60 sollte die nach Yates korrigierte Teststatistik angewandt werden. Der exakte Test nach Fisher ist zudem auch anzuwenden, wenn stark asymmetrische Randverteilungen vorliegen, wie im Folgenden noch dargestellt wird. Näheres findet sich auch bei Backhaus, K. et al. (2018), S. 349 f. sowie Hartung, J. (2009), S. 414–418.

Sog. χ²-Methoden werden typischerweise zur Analyse von Häufigkeiten nominalskalierter Variablen eingesetzt. Man spricht in diesem Zusammenhang daher auch von Nominaldatenverfahren. Vgl. Bortz, J./Schuster, C. (2010), S. 137.

So Backhaus, K. et al. (2018), S. 348; Cleff, T. (2015), S. 78 f.

Vgl. Auer, B./Rottmann, H. (2015), S. 397; Cleff, T. (2015), S. 77.

Siehe ähnlich Backhaus, K. et al. (2018), S. 348; Cleff, T. (2015), S. 77 sowie Bortz, J./Schuster, C. (2010), S. 139 f.

Vgl. Backhaus, K. et al. (2018), S. 348; Cleff, T. (2015), S. 79.

Siehe ähnlich Backhaus, K. et al. (2018), S. 348; Büning, H./Trenkler, G. (1994), S. 222; Cleff, T. (2015), S. 79.

Unter Freiheitsgraden (\(df\)) versteht man die Anzahl der Werte, die frei variierbar sind. Siehe Bortz, J./Schuster, C. (2010), S. 581. Die Freiheitsgrade im Rahmen des χ²-Unabhängigkeitstest ergeben sich aus der Anzahl an Zeilen und Spalten mit: \(df = \left( {K - 1} \right)*\left( {J - 1} \right)\). Vgl. Backhaus, K. et al. (2018), S. 349 sowie Bortz, J./Schuster, C. (2010), S. 140.

Hierfür auch Backhaus, K. et al. (2018), S. 349 sowie Bortz, J./Schuster, C. (2010), S. 138.

Siehe Leonhart, R. (2017), S. 232. Ähnlich auch Bortz, J./Schuster, C. (2010), S. 141, wobei die Voraussetzungen teilweise restriktiver sind, da generell keine Zelle eine erwartete Häufigkeit von kleiner fünf vorweisen sollte. Der exakte Test nach Fisher wird auch als Fisher-Yates-Test bezeichnet.

Siehe Backhaus, K. et al. (2018), S. 350; Bortz, J./Schuster, C. (2010), S. 141; Leonhart, R. (2017), S. 232 sowie ausführlicher S. 235 f. zu besagtem Test. Der exakte Test nach Fisher wird auch als Fisher-Yates-Test bezeichnet.

Siehe hierfür auch Backhaus, K. et al. (2018), S. 351; Cleff, T. (2015), S. 74 i.V. m. S. 80/83–85; Döring, N./Bortz, J. (2016), S. 681. Ein weiteres mögliches Zusammenhangsmaß ist der sog. \(\phi\)-Koeffizient, der jedoch nur für Untersuchungen zweier dichotomer Merkmale herangezogen werden sollte. Vgl. Cleff, T. (2015), S. 80–83 sowie ähnlich Backhaus, K. et al. 2018), S. 350 f. Da \(\phi\) sowie \(V\) identische Ergebnisse liefern, sofern eine der Variablen binär ist (im vorliegenden Fall die Variable \(DISCL\_QUARTERLY\)), könnte grundsätzlich auch \(\phi\) herangezogen werden. Siehe auch Backhaus, K. et al. (2018), S. 351. Hierauf wird im weiteren Verlauf dieser Untersuchung jedoch verzichtet.

Siehe bspw. Bortz, J./Schuster, C. (2010), S. 180; Cleff, T. (2015), S. 83.

So Auer, B./Rottmann, H. (2015), S. 105; Cleff, T. (2015), S. 83. Je größer die Kontingenztabelle ist, desto näher liegt der Wert bei Eins. Siehe Bortz, J./Schuster, C. (2010), S. 180; Cleff, T. (2015), S. 83.

Diese Kategorisierung folgt dem Vorschlag von Cleff (2015), gleichwohl der Autor darauf hinweist, dass in der Literatur keine Einigkeit über die Kategorisierung vorherrscht. Siehe Cleff, T. (2015), S. 85.

Da zur Beantwortung der zweiten Forschungsfrage und demgemäß zur Prüfung der zugrundeliegenden Hypothese insbesondere multivariate Analyseverfahren herangezogen werden, wird auf eine Darstellung der uni- sowie bivariaten Analysen verzichtet. Stattdessen finden sich Ausführungen direkt in Abschnitt 5.5.2.1.

Für die Bildung der thematisierten Hypothese sei auf Abschnitt 5.2 verwiesen.

Vgl. Backhaus, K. et al. (2018), S. 15–20; Döring, N./Bortz, J. (2016), S. 677.

Die Variablen \(DISCL\_QUARTERLY\), \(INDUSTRY\) sowie \(QUARTER\_YEAR\) weisen – wie bereits für zwei dieser Variablen in Abschnitt 5.3.3.2 beschrieben – nominales Skalenniveau auf; den restlichen Variablen liegt ein metrisches Skalenniveau zugrunde. Das metrische Skalenniveau kann weiter differenziert werden in die Intervall- sowie die Ratioskala. Die Intervallskala ist durch gleichgroße Abschnitte ohne natürlichen Nullpunkt definiert, wohingegen die Ratioskala eine Skala mit gleichgroßen Abschnitten und natürlichem Nullpunkt ist. Beispiele für eine Intervall- bzw. Ratioskala sind die Celsius-Skala bzw. physikalische Merkmale wie bspw. das Gewicht. Die Ratioskala stellt das höchste Messniveau dar. Generell gilt, je höher das Skalenniveau ist, desto größer ist der Informationsgehalt der Daten. Siehe Backhaus, K. et al. (2018), S. 11 f.

Vgl. Backhaus, K. et al. (2018), S. 15 f. sowie Döring, N./Bortz, J. (2016), S. 677 f. Die abhängige Variable ist die Risikoprämie, auf die der Einfluss der Testvariablen – die Art der Quartalsberichterstattung – untersucht wird. Es werden weitere Kontrollvariablen mit in das Modell aufgenommen, die ebenfalls Einfluss auf die Höhe der Risikoprämie haben könnten. So wird der Einfluss der Testvariablen auf die abhängige Variable unter Kontrolle weiterer relevanter Variablen untersucht. Die Testvariable sowie die weiteren Kontrollvariablen bilden die unabhängigen Variablen. Weitere Bezeichnungen sind Regressoren, exogene oder auch erklärende Variablen. Die abhängige Variable kann auch als Regressand sowie als endogene bzw. erklärte Variable bezeichnet werden. Siehe Backhaus, K. et al. (2018), S. 61; Kronthaler, F. (2016), S. 232. Im Rahmen dieser Arbeit werden die oben genannten Begriffe jeweils synonym verwendet.

Dummy-Variablen können nur die Werte 0 oder 1 annehmen und sind daher binäre Variablen. Grundsätzlich gilt, dass eine nominalskalierte Variable mit n Merkmalsausprägungen durch n-1 Dummy-Variablen dargestellt werden kann, um nicht das Problem einer linearen Abhängigkeit zu erhalten. Siehe auch die Ausführungen in Backhaus, K. et al. (2018), S. 16 f. und Stier, W. (1999), S. 241 f.

Vgl. Backhaus, K. et al. (2018), S. 16 f. sowie Stier, W. (1999), S. 241 f. Dies gilt jedoch nur für die unabhängigen Variablen. So Backhaus, K. et al. (2018), S. 17.

Für eine Übersicht über die Messung bzw. Definition der Variablen sei auf Tab. 5.10 dieser Arbeit verwiesen.

Siehe Backhaus, K. et al. (2018), S. 61; Fahrmeir, L. et al. (2016), S. 451. Für die Bildung der Hypothesen sei auf Abschnitt 5.2 verwiesen. Zudem finden sich weitere allgemeine Ausführungen zu Hypothesen sowie deren Prüfung in Abschnitt 5.3.3.1.

Vgl. Giesselmann, M./Windzio, M. (2012), S. 19; Schröder, A. (2009), S. 316.

So auch Baltagi, B. (2015), S. 187; Cameron, A. C./Trivedi, P. K. (2010), S. 236; Giesselmann, M./Windzio, M. (2012), S. 25 f.; Schröder, A. (2009), S. 316. Es handelt sich um ein balanciertes Panel, wenn für jede Untersuchungseinheit gleich viele Beobachtungen vorliegen. Siehe Cameron, A. C./Trivedi, P. K. (2010), S. 236; Schröder, A. (2009), S. 316; Wooldridge, J. M. (2020), S. 447.

Ähnlich Giesselmann, M./Windzio, M. (2012), S. 73; Wooldridge, J. M. (2010), S. 403.

Vgl. für die Unterscheidung in Längsschnitt- sowie Querschnittsfragestellungen und die daraus resultierenden Verfahren Giesselmann, M./Windzio, M. (2012), insbesondere Kapitel 2 + 3, S. 33–98, sowie ähnlich Giesselmann, M./Windzio, M. (2014), S. 101 f.

Zur Erläuterung der Begriffe und für die Einführung der Abkürzung sei auf die nachfolgenden Abschnitte 5.3.3.3.2.1 und 5.3.3.3.2.2 verwiesen.

Siehe Giesselmann, M./Windzio, M. (2012), insbesondere S. 77–88, Giesselmann, M./Windzio, M. (2014), S. 102 sowie zusammenfassend Wooldridge, J. M. (2020), S. 471.

Vgl. Backhaus, K. et al. (2018), S. 15 f. sowie S. 58. Hervorzuheben sei an dieser Stelle, dass Kausalitäten im Rahmen von Regressionsanalysen nicht sicher nachgewiesen werden können. Letztlich werden Korrelationen zwischen Variablen gezeigt, die zwar eine notwendige aber keine hinreichende Bedingung für Kausalitäten darstellen. Siehe Backhaus, K. et al. (2018), S. 60.

Vgl. Auer, L. v. (2016), S. 4–10; Backhaus, K. et al. (2018), S. 62 f. sowie S. 74 f.

Siehe Auer, B./Rottmann, H. (2015), S. 431; Backhaus, K. et al. (2018), S. 73; Handl, A./Kuhlenkasper, T. (2017), S. 220. Dabei darf die Größe des Regressionskoeffizienten nicht als Maß für die Wichtigkeit der zugehörigen unabhängigen Variablen verstanden werden. Hierfür müssen standardisierte Regressionskoeffizienten herangezogen werden, die die einzelnen Koeffizienten miteinander vergleichbar machen. Sie werden auch als Beta-Werte bezeichnet. Vgl. hierfür stellvertretend Backhaus, K. et al. (2018), S. 73.

Ähnlich Fahrmeir, L. et al. (2016), S. 453. Die Referenzkategorie bildet dabei die vernachlässigte Bedingung, die nicht direkt durch eine Dummy-Variable dargestellt wird. Vgl. Auer, B./Rottmann, H. (2015), S. 502. Im vorliegenden Fall bilden die Unternehmen, die einen Quartalsfinanzbericht veröffentlichen und demzufolge eine Null-Kodierung erfahren, die Referenzkategorie. Siehe für die Ausführungen zur Variablen zum quartalsweisen Berichtsverhalten Abschnitt 5.3.2.1.

So Fahrmeir, L. et al. (2016), S. 146. Im Englischen wird diese Methode als ordinary least square estimation method bezeichnet und daher meist mit OLS abgekürzt. Siehe beispielhaft Chenhall, R. H./Moers, F. (2007), S. 176 sowie Eckstein, P. P. (2019), S. 373. In den folgenden Ausführungen findet daher entsprechend die Abkürzung OLS Anwendung.

So Backhaus, K. et al. (2018), S. 68. Über die Residuen kann die nicht beobachtbare Störgröße \(u\) zum Ausdruck gebracht werden. Siehe auch Backhaus, K. et al. (2018), S. 80.

Für eine differenzierte Betrachtung der Stichprobe zur Beantwortung von Forschungsfrage 2 sei auf Abschnitt 5.3.1.1 und dabei explizit auf Tab. 5.1 und Tab. 5.2 verwiesen.

So auch Baltagi, B. (2015), S. 7. Für eine ausführlichere Diskussion der Vorteile aber auch der Grenzen von Paneldaten siehe Baltagi, B. (2015), S. 6–11.

Siehe hierfür die Ausführungen in Abschnitt 5.3.3.3.3.

Vgl. Cameron, A. C./Trivedi, P. K. (2010), S. 235; Giesselmann, M./Windzio, M. (2012), S. 28 i.V. m. S. 38 f. und S. 73.

So Backhaus, K. et al. (2018), S. 96 f.; Brüderl, J. (2010), S. 977; Giesselmann, M./Windzio, M. (2012), S. 30. Auf den Begriff der Autokorrelation wird im Rahmen der Ausführungen in Abschnitt 5.3.3.3.3 näher eingegangen.

Während z. B. Giesselmann/Windzio (2012) eine OLS mit robusten Standardfehlern unter gewissen Voraussetzungen explizit als Alternative ansehen, betrachten dahingegen die Autoren Cameron/Trivedi (2010) diese als Startpunkt einer Analyse. Siehe Giesselmann, M./Windzio, M. (2012), S. 77–79 i.V. m. S. 89–93 sowie Cameron, A. C./Trivedi, P. K. (2010), S. 250 f.

Vgl. Brüderl, J. (2010), S. 972; Cameron, A. C./Trivedi, P. K. (2010), S. 235. Es existieren noch weitere Modelle zur Berücksichtigung der Paneldatenstruktur, auf die im weiteren Verlauf dieses Forschungsprojektes nicht näher eingegangen werden soll. Exemplarisch sei hier die First Differences-Regression genannt. Siehe bspw. Cameron, A. C./Trivedi, P. K. (2010), S. 270 f.; Wooldridge, J. M. (2010), S. 315–321.

Vgl. Giesselmann, M./Windzio, M. (2012), S. 29. Für ein allgemeines Verständnis des Begriffs gepoolt sei auf Hill, R. C./Griffiths, W. E./Lim, G. C. (2018), S. 647, verwiesen.

Hierzu Brüderl, J. (2010), S. 967; Cameron, A. C./Trivedi, P. K. (2010), S. 238; Giesselmann, M./Windzio, M. (2012), S. 29 f.; Wooldridge, J. M. (2020), S. 427.

Siehe Wooldridge, J. M. (2020), S. 471. Diese werden im Englischen auch als panel-robust standard errors oder cluster-robust standard errors bezeichnet. Siehe Hill, R. C./Griffiths, W. E./Lim, G. C. (2018), S. 648.

So Cameron, A. C./Trivedi, P. K. (2010), S. 250 f.; Giesselmann, M./Windzio, M. (2012), S. 77.

Vgl. Cameron, A. C./Trivedi, P. K. (2010), S. 235. Diese Aufgliederung des Fehlerterms kann grundsätzlich immer vorgenommen werden, jedoch kann dies erst im Rahmen einer Paneldatenanalyse sinnvoll verarbeitet werden. Siehe auch Brüderl, J. (2010), S. 967 sowie Giesselmann, M./Windzio, M. (2014), S. 98.

Man nennt dieses Modell auch unobserved effects model. Siehe hierfür Wooldridge, J. M. (2020), S. 463/469.

Vgl. Giesselmann, M./Windzio, M. (2012), S. 31; Wooldridge, J. M. (2020), S. 439 f.

Siehe Brüderl, J. (2010), S. 967/972, Giesselmann, M./Windzio, M. (2012), S. 31 f. sowie ähnlich Wooldridge, J. M. (2020), S. 439 f.

Vgl. auch Brüderl, J. (2010), S. 972 sowie Cameron, A. C./Trivedi, P. K. (2010), S. 236–238 i.V. m. S. 257 sowie zusammenfassend S. 266.

So Giesselmann, M./Windzio, M. (2012), S. 35; Giesselmann, M./Windzio, M. (2014), S. 97. Die Kontrolle unbeobachteter individueller Heterogenität wird auch als einer der größten Vorteile bei Verwendung von Paneldaten genannt. Siehe bspw. Baltagi, B. (2015), S. 6.

Siehe auch Cameron, A. C./Trivedi, P. K. (2010), S. 257; Giesselmann, M./Windzio, M. (2012), S. 39. Die so erhaltenen Werte geben daher keine absolute Höhe mehr an, sondern spiegeln den Abstand zu dem jeweiligen Mittelwert wider. Vgl. Giesselmann, M./Windzio, M. (2012), S. 40.

Siehe Brüderl, J. (2010), S. 973; Cameron, A. C./Trivedi, P. K. (2010), S. 257 sowie Giesselmann, M./Windzio, M. (2012), S. 44 f.

Vgl. Cameron, A. C./Trivedi, P. K. (2010), S. 257; Giesselmann, M./Windzio, M. (2012), S. 43; Wooldridge, J. M. (2020), S. 463.

Ein GLS-Schätzer berücksichtigt bspw. den hier vorliegenden Sachverhalt der Autokorrelation, indem das ursprüngliche Modell einer Transformation unterworfen wird. Letztlich findet eine gepoolte OLS-Schätzung auf Basis der transformierten Daten (siehe Gleichung (5.63)) statt. Siehe auch Wooldridge, J. M. (2020), S. 470/801. Im Deutschen wird diese Methode auch als verallgemeinerte Kleinstquadrate-Methode bzw. VKQ-Methode bezeichnet. Vgl. hierfür Auer, L. v. (2016), S. 436 f.

Vgl. Giesselmann, M./Windzio, M. (2012), S. 83 i.V. m. S. 87 sowie Wooldridge, J. M. (2020), S. 470 f. In das Random Effects-Modell wird im Vergleich zum Fixed Effects-Modell wieder explizit eine Regressionskonstante \(\beta_{0}\) eingefügt, sodass die Annahme, dass die unbeobachtete Heterogenität \(a_{i}\) einen Erwartungswert von Null hat, getroffen werden kann, ohne dass das Modell seine Allgemeingültigkeit verliert. Vgl. auch Wooldridge, J. M. (2020), S. 469.

Siehe hierfür Cameron, A. C./Trivedi, P. K. (2010), S. 244 und insbesondere Giesselmann, M./Windzio, M. (2012), S. 88/90 sowie Wooldridge, J. M. (2020), S. 471.

Siehe zu den normativen Grundlagen sowie der Operationalisierung der Testvariable die Abschnitte 2.4 bzw. 5.3.2.1.

Siehe zusammenfassend Giesselmann, M./Windzio, M. (2012), S. 32. Es besteht auch die Möglichkeit, eine Entscheidung hinsichtlich des anzuwendenden Modells mithilfe eines statistischen Testverfahrens, dem sog. Hausman-Test, zu treffen. Dies ist jedoch nur vor dem Hintergrund der Analyse einer Längsschnittfragestellung angemessen. Siehe Giesselmann, M./Windzio, M. (2012), S. 113. In der vorliegenden Arbeit wird daher dem Ansatz gefolgt, ein geeignetes Modell vor dem Hintergrund der Konsistenz von Untersuchungsziel, Variablentyp und Analyseverfahren zu wählen. Vgl. Giesselmann, M./Windzio, M. (2012), S. 107 f. Für den Hausman-Test siehe Hausman, J. A. (1978), S. 1251–1271 sowie für weitere Ausführungen stellvertretend Cameron, A. C./Trivedi, P. K. (2010), S. 266–268 sowie Wooldridge, J. M. (2010), S. 328–334.

Vgl. Brüderl, J. (2010), S. 970; Giesselmann, M./Windzio, M. (2012), S. 36 i.V. m. S. 42.

Vgl. Brüderl, J. (2010), S. 966 i.V. m. S. 971, Cameron, A. C./Trivedi, P. K. (2010), S. 244 sowie Giesselmann, M./Windzio, M. (2012), S. 45 i.V. m. S. 76.

Siehe ähnlich Brüderl, J. (2010), S. 974 sowie Giesselmann, M./Windzio, M. (2012), S. 76. Für eine ausführlichere Betrachtung des Berichtsverhaltens der in die Untersuchung miteinbezogenen börsennotierten Unternehmen vgl. Abschnitt 5.5.2.1.1.

Vgl. Giesselmann, M./Windzio, M. (2012), S. 88 i.V. m. S. 90/99. Für eine ähnliche Vorgehensweise sei auf Krapat, A. (2018) und dabei insbesondere auf S. 124–126 verwiesen.

So Giesselmann, M./Windzio, M. (2012), S. 79; Wooldridge, J. M. (2020), S. 473.

Für die Überprüfung der zentralen Modellprämissen im Rahmen der eigenen Untersuchung sei auf Abschnitt 5.5.2.2.2 verwiesen.

Sofern sich die Voraussetzungen an ein OLS-Modell und an ein Random Effects-Modell unterscheiden bzw. einseitig ergänzende Anforderungen zu berücksichtigen sind, wird dies an entsprechender Stelle hervorgehoben. Liegen keine expliziten Unterschiede vor, entsprechen sich die Voraussetzungen beider Modelle.

Siehe hierfür die Ausführungen in Kapitel 3, 4 sowie Kapitel 14 in Wooldridge, J. M. (2020), S. 79–120 und S. 463–483 sowie zusammenfassend S. 153 bzw. S. 491–494. Es sei hervorzuheben, dass jeweils sechs Modellprämissen für das OLS-Modell sowie das Random Effects-Modell gelten. Da diese nicht gänzlich übereinstimmen, werden in Summe sieben Modellprämissen vorgestellt.

Siehe Backhaus, K. et al. (2018), S. 98 sowie Wooldridge, J. M. (2020), S. 153/492.

Hierzu Backhaus, K. et al. (2018), S. 98 sowie Wooldridge, J. M. (2020), S. 153.

So Backhaus, K. et al. (2018), S. 99. Ähnlich Wooldridge, J. M. (2020), S. 91 f.

Hierbei gilt, dass die folgende Annahme automatisch erfüllt ist, sofern die Annahme an den Erwartungswert der Störgröße \(u\) bzw. des idiosynkratischen Fehlers \(u_{i,t}\) erfüllt ist. Dies gilt umgekehrt jedoch nicht. Vgl. hierfür ähnlich Auer, B./Rottmann, H. (2015), S. 449.

Siehe Auer, B./Rottmann, H. (2015), S. 449; Wooldridge, J. M. (2020), S. 82 f.

Vgl. Auer, B./Rottmann, H. (2015), S. 448; Wooldridge, J. M. (2020), S. 82.

Siehe hierfür Auer, B./Rottmann, H. (2015), S. 449 f. sowie Wooldridge, J. M. (2020), S. 82 f.

Siehe Auer, B./Rottmann, H. (2015), S. 450; Wooldridge, J. M. (2020), S. 153/492.

Siehe Backhaus, K. et al. (2018), S. 103 sowie Wooldridge, J. M. (2020), S. 153.

Diese Bezeichnung kommt aus dem englischen und bedeutet best linear unbiased estimator. Vgl. bspw. Auer, B./Rottmann, H. (2015), S. 460.

So Auer, B./Rottmann, H. (2015), S. 461 sowie Backhaus, K. et al. (2018), S. 90 f.

Ähnlich Backhaus, K. et al. (2018), S. 74; Sieber, T. (2011), S. 238.

Darüber hinaus werden auch die Regressionskoeffizienten im Einzelnen überprüft. Hierfür können verschiedene Prüfkriterien, d. h. Signifikanztests unter Anwendung bspw. der t-Statistik sowie die Beta-Werte als Maße herangezogen werden. Vgl. Backhaus, K. et al. (2018), S. 74 f. und S. 84. Für das Grundprinzip hinter der Prüfung einzelner Regressionsparameter sei auf Abschnitt 5.3.3.1 verwiesen und Ausführungen zu Beta-Werten finden sich in Fn. 413 in Abschnitt 5.3.3.3.2.1.

Siehe Fahrmeir, L. et al. (2016), S. 456 f., sowie für die Berechnung des R² ausführlich Fahrmeir, L. et al. (2016), S. 149–151. Basis für diese Berechnung bilden somit die Residuen. So auch Backhaus, K. et al. (2018), S. 75.

Siehe hierfür bspw. Auer, B./Rottmann, H. (2015), S. 436; Kronthaler, F. (2016), S. 235 sowie Wooldridge, J. M. (2020), S. 77 i.V. m. S. 197.

Ähnlich Backhaus, K. et al. (2018), S. 80/82. Für die Grundlagen der Hypothesenprüfung und den Begriff der statistischen Signifikanz sei auf Abschnitt 5.3.3.1 verwiesen.

So Backhaus, K. et al. (2018), S. 79; Fahrmeir, L. et al. (2016), S. 458.

Siehe Fn. 61 in Abschnitt 5.3.1.2 hinsichtlich des Entschlusses, die Variablen der Forschungsfrage 1 nicht gesondert darzustellen.

Siehe Auer, L. v. (2016), S. 116; Auer, B./Rottmann, H. (2015), S. 354; Döring, N./Bortz, J. (2016), S. 660 sowie ausführlich Abschnitt 5.3.3.1.

Prozentuale Abweichungen können sich durch Rundungen ergeben.

Diese Aussage gilt unter der Annahme, dass bei Unternehmen zudem auch kein Wechsel zwischen den Indizes stattfindet.

Vgl. zur Klassifizierung Deutsche Börse AG (Hrsg.) (2019), S. 62–66. Wie bereits in Abschnitt 5.3.1.1 dargestellt, werden Unternehmen der Banken-, Finanz- und Versicherungsbranche ausgeschlossen.

Auf die Ausführungen in Fn. 517 in Abschnitt 5.4.2.1.1 sei hingewiesen.

Siehe Atteslander, P. (2010), S. 296; Diekmann, A. (2008), S. 247.

Ähnliche Vorgehensweisen finden sich bei Günzer, E. (2016), S. 213 f.; Rauch, K. (2019), S. 173. Für die Herleitung des Kategorisierungssystems sei auf Abschnitt 5.3.2.1.3 verwiesen.

Hierzu Atteslander, P. (2010), S. 206; Döring, N./Bortz, J. (2016), S. 442.

Die im Rahmen der Bestimmung der Intrakoderreliabilität erneut untersuchten 223 Quartalsberichte entsprechen auch den empfohlenen Umfängen von Früh (2015) sowie Rössler (2017). Der Umfang der Quartalsberichte zur Bestimmung der Interkoderreliabilität in Höhe von 76 Quartalsberichten übertrifft zumindest die absolute Minimalanforderung von 30 bis 50 Kodierungen. Vgl. Früh, W. (2017), S. 180; Rössler, P. (2017), S. 213.

Grundsätzlich gilt ein Reliabilitätskoeffizient von 0,8 als ausreichend und ein Reliabilitätskoeffizient von 0,9 üblicherweise als hoch. So auch Döring, N./Bortz, J. (2016), S. 443. Für das Reliabilitätsmaß Krippendorffs α gilt bereits ein Wert zwischen 0,75 und 0,8 als akzeptabel. Siehe hierzu Milne, M. J./Adler, R. W. (1999), S. 251.

Vgl. Döring, N./Bortz, J. (2016), S. 445; Rössler, P. (2017), S. 216 f.; Stier, W. (1999), S. 56.

Hierfür sei bspw. auf die grundsätzliche Verteilung der Berichtsformate sowie die inhaltliche Ausgestaltung der Berichte hingewiesen. Vgl. im direkten Vergleich die Ausführungen in Abschnitt 4.​2.​1 sowie 5.4 und zusammenfassend Abschnitt 5.5.

Zu berücksichtigen ist hier jedoch erneut die Datenstruktur. Da ein unbalanciertes Panel vorliegt, ergeben sich keine sich vollständig entsprechenden Zu- respektive Abnahmen der Berichtsarten. Es können sich Veränderungen im Zeitverlauf durch den Zu- respektive Abgang von Unternehmen aus der Stichprobe ergeben und nicht zwingend aus Unternehmen, die sich umentscheiden. Diese Einschränkung ist auch in den nachfolgenden Ausführungen zu berücksichtigen. Das Verhalten der einzelnen Unternehmen wird explizit im anschließenden Abschnitt 5.4.2.1.5 betrachtet.

Siehe hierzu auch Abschnitt 5.3.2.1.

Weitere Analysen zu den Berichtsinhalten finden sich im nachfolgenden Abschnitt 5.4.2.1.4.

Es kann somit eine Zuteilung in die Kategorien Bilanz, GuV, OCI (sonstiges Ergebnis bzw. other comprehensive income), Anhang, LB (Lagebericht), EKV (Eigenkapitalveränderungsrechnung), KFR (Kapitalflussrechnung) vorgenommen werden.

Man kann hierbei auch von stickiness sprechen. Ähnliches Verständnis findet sich im Allgemeinen bspw. bei Lang, M./Stice-Lawrence, L. (2015), S. 134.

Diese Ergebnisse wurden noch einmal verplausibilisiert, um Messfehler auszuschließen.

Hierfür wird stets der Umfang im Vergleich zum letztjährigen Quartalsbericht betrachtet, d. h. der Umfang des Quartalsberichts Q1/2016 wird mit dem Umfang des Quartalsberichts Q1/2015 verglichen, um systematische Unterschiede aufgrund der Quartalsbetrachtung (Q1 vs. Q3) zu vermeiden.

In Q1/2016 kann aufgrund der normativen Regelungen noch kein Wechsel zu Quartalsfinanzberichten stattgefunden haben.

So § 115 Abs. 7 WpHG.

Siehe hierfür auch die Übersicht in Abb. A 2 im Anhang.

Siehe bspw. Auer, B./Rottmann, H. (2015), S. 396; Backhaus, K. et al. (2018), S. 347 f.; Bortz, J./Schuster, C. (2010), S. 137 f.; Büning, H./Trenkler, G. (1994), S. 220–222. Ein ähnliches Vorgehen findet sich bei Tausch-Nebel, L./Weber, S.C./Vaagt, S. (2017), S. 171.

Hierzu sei auf Abschnitt 5.3.3.2 verwiesen sowie ähnlich Backhaus, K. et al. (2018), S. 358; Leonhart, R. (2017), S. 232. Die Kontingenztabellen werden nicht dargestellt, weil die Verteilung von Berichtsart und Branchenzugehörigkeit bereits in Abschnitt 5.4.2.1.3 betrachtet wurde.

Vgl. auch Anhang 10 für die weiteren Ergebnisse.

Im Folgenden wird aufgrund der einfacheren Lesbarkeit i. d. R. auf den Zusatz der impliziten Risikoprämie verzichtet und stattdessen lediglich der Begriff der Risikoprämie verwendet.

Prozentuale Abweichungen können sich durch Rundungen ergeben.

Auf die Ausführungen in Fn. 517 in Abschnitt 5.4.2.1.1 sei hingewiesen.

Auf die Ausführungen in Fn. 517 in Abschnitt 5.4.2.1.1 sei hingewiesen.

Die Variable \(RP\_AVERG\) wird in den nachfolgenden multiplen Regressionen logarithmiert, zeigt im Rahmen der Tab. 5.25 und im weiteren Verlauf jedoch noch keine transformierten Daten. Hierfür sei auch auf die Ausführungen in Abschnitt 5.3.2.4 verwiesen.

Siehe hierzu auch die Ausführungen in Fn. 160 in Abschnitt 5.3.2.3.2.

Dies wird für die Ergebnisse in Bezug auf Gode/Mohanram (2003) bspw. von Nölte, U. (2008), S. 234 und Qandil, J. S. (2014), S. 222, bestätigt. Die niedrigsten Risikoprämien wurden bisher jedoch üblicherweise im Rahmen des Modells nach Gebhardt/Lee/Swaminathan (2001) festgestellt. Hierzu sei erneut auf Nölte, U. (2008), S. 234 und Qandil, J. S. (2014), S. 222, zusätzlich auch auf Nienhaus, M. (2015), S. 162 verwiesen. In diesem Rahmen sind jedoch auch die hier durchgeführten Adaptionen im Rahmen des Modells nach Gebhardt/Lee/Swaminathan (2001) zu berücksichtigen, die zu differierenden Resultaten führen können. Diese Adaptionen finden sich in Abschnitt 5.3.2.3.6.3.

Vgl. hierzu bspw. Nölte, U. (2008), S. 234; Qandil, J. S. (2014), S. 222; Reese, R. (2007), S. 101 f. Zu berücksichtigen sei hier jedoch das häufig durchgeführte Winsorizing der Daten auf das 1 %- bzw. 99 %-Perzentil. Vgl. Nölte, U. (2008), S. 237; Qandil, J. S. (2014), S. 218. Da bei Durchführung des Winsorizing Ausreißer durch weniger extreme Werte ersetzt werden, sollte kritisch hinterfragt werden, ob infolgedessen tatsächlich eine gute Schätzung des wahren Werts möglich ist. Siehe hierzu auch Leonhart, R. (2017), S. 105 f. Im Rahmen der vorliegenden Arbeit wird daher auf ein Winsorizing der Daten an dieser Stelle und im Folgenden verzichtet.

Hierfür sei insbesondere auf die Ausführungen in Abschnitt 5.3.2.3.6.3 verwiesen.

Vgl. hierfür u. a. Nölte, U. (2008), S. 237–239; Qandil, J. S. (2014), S. 223; Reese, R. (2007), S. 114 f.

Extreme Unterschiede stellen bspw. auch Flor, L. (2016), S. 164 f., sowie Paterno, M. (2009), S. 202, fest. Die Variable \(SIZE\) wird in den nachfolgenden multiplen Regressionen logarithmiert, zeigt hier und im Rahmen der nachfolgenden Tabellen jedoch noch keine transformierten Daten. Siehe hierfür auch grundsätzlich die Ausführungen in Abschnitt 5.3.2.4.

Vgl. Backhaus, K. et al. (2018), S. 99; Fahrmeir, L. et al. (2016), S. 140. Backhaus, K. et al. (2018), S. 99 f., betonen jedoch auch, dass mithilfe der Korrelationsanalyse nur paarweise Abhängigkeiten überprüft werden können und daher weitere Maßnahmen zur Analyse möglicher Multikollinearität durchgeführt werden müssen. Zum Begriff der Multikollinearität siehe Abschnitt 5.3.3.3.3 und 5.5.2.2.2.

Vgl. hierfür stellvertretend Qandil, J. S. (2014), S. 226. Ausführlich zu den Korrelationskoeffizienten siehe bspw. Auer, B./Rottmann, H. (2015), S. 92–98/100–104; Hartung, J. (2009), S. 73–80. Da es sich bei der Testvariable \(DISCL\_QUARTERLY\) um eine nominalskalierte Variable handelt, sind die Zusammenhänge mit den weiteren Variablen, die durchweg metrisches Skalenniveau aufweisen, mithilfe des Korrelationskoeffizienten nach Pearson zu ermitteln. Für alle anderen Zusammenhänge sind neben dem Korrelationskoeffizienten nach Pearson auch die Ergebnisse nach Spearman verwertbar, weshalb beide Korrelationskoeffizienten im Folgenden Anwendung finden. Zur Verwendung des Korrelationskoeffizienten nach Pearson bei der Untersuchung eines Zusammenhangs zwischen einer nominalen und einer metrischen Variablen siehe Cleff, T. (2015), S. 115–117.

Siehe Cleff, T. (2015), S. 98; Eckstein, P. P. (2019), S. 346.

Siehe Abschnitt 5.3.2.4.

Zur Herleitung der Kontrollvariablen sei auf die Ausführungen in Abschnitt 5.3.2.4 verwiesen.

Vgl. bspw. für die Untersuchung der Variable \(DISP\_ANALYST\) Nölte, U. (2008), S. 246 sowie für die Untersuchung der Variable \(BETA\) Paterno, M. (2009), S. 211; Reese, R. (2007), S. 118; Sieber, T. (2011), S. 317.

Siehe hierzu bspw. Nölte, U. (2008), S. 246; Paterno, M. (2009), S. 211; Reese, R. (2007), S. 118; Sieber, T. (2011), S. 317.

Vgl. auch die Ausführungen in Abschnitt 5.3.2.3.1 sowie Abschnitt 5.3.2.4. Zur Transformation von Variablen siehe auch Auer, L. v. (2016), S. 335–344; Backhaus, K. et al. (2018), S. 91 f.

Hierzu Backhaus, K. et al. (2018), S. 99 f. und Kronthaler, F. (2016), S. 244.

Für die Ergebnisse der hier vorliegenden bivariaten Analyse siehe Abschnitt 5.5.2.1.2.

Vgl. Auer, B./Rottmann, H. (2015), S. 515; Backhaus, K. et al. (2018), S. 100.

Siehe Backhaus, K. et al. (2018), S. 100; Wooldridge, J. M. (2020), S. 92.

Für die Ergebnisse siehe Tab. A 10 im Anhang.

Der Goldfeld-Quandt-Test gilt als bekanntester Test zur Aufdeckung von Heteroskedastizität. So auch Backhaus, K. et al. (2018), S. 95. Weiterführend zu beiden Testarten siehe Auer, L. v. (2016), S. 430–435.

Hierzu bspw. Auer, L. v. (2016), S. 455; Backhaus, K. et al. (2018), S. 96.

Siehe weiterführend auch Auer, B./Rottmann, H. (2015), S. 555–557. Der Durbin-Watson d-Test stellt eine weitere Möglichkeit dar, Autokorrelation aufzudecken, hat gegenüber dem Breusch-Godfrey LM-Test jedoch Nachteile, weshalb an dieser Stelle Letzterer bevorzugt wird. So auch Auer, B./Rottmann, H. (2015), S. 555.

Vgl. Newey, W. K./West, K. D. (1987). Dies wird auch entsprechend von Auer, B./Rottmann, H. (2015), S. 561 vorgeschlagen und bspw. bei Biermann, S. (2018), S. 231, und Nienhaus, M. (2015), S. 148, ebenfalls angewandt.

Vgl. auch Reese, R. (2007), S. 118; Sieber, T. (2011), S. 317.

Die Unternehmensgröße wird nicht über die Marktkapitalisierung gemessen, sondern über die Bilanzsumme. Der Verschuldungsgrad ergibt sich als Quotient aus Fremd- und Eigenkapital, statt aus Fremd- und Gesamtkapital. Die Volatilität wird unter Berücksichtigung der letzten 260 Handelstage, statt bisher 360 Handelstagen, berechnet.

Dies stellen bspw. auch Ahr, E.-M./Loitz, R./Seidel, B. (2017), S. 1451–1453; Gluch, N./Muschallik, M./Schmidt, A. (2019), S. 186, fest. In diesem Rahmen sei jedoch auch auf die unter Berücksichtigung der Stichprobe für Forschungsfrage 2 vorherrschende Gleichverteilung der Berichtsarten hingewiesen.

Siehe hierzu auch die Ergebnisse von Ahr, E.-M./Loitz, R./Seidel, B. (2017), S. 1451 f.; Böckem, H./Rabenhorst, D. (2016b), S. 1578; Eisenschmidt, K. (2016a), S. 422; Gluch, N./Muschallik, M./Schmidt, A. (2019), S. 186; Pellens, B. et al. (2017b), S. 3 f.

Auch Eisenschmidt, K. (2016b), S. 422, schlussfolgert ähnliches und kann dies in einer Folgestudie auch bestätigen. Siehe Eisenschmidt, K. (2016b), S. 472, der im Rahmen seiner Determinantenanalyse den Schluss ziehen kann, dass große Unternehmen eher die Möglichkeit nutzen, weiterhin einen Quartalsfinanzbericht zu veröffentlichen. Ähnlich auch Tausch-Nebel, L./Weber, S.C./Vaagt, S. (2017), S. 171.

Dies entspricht auch den Ergebnissen von Ahr, E.-M./Loitz, R./Seidel, B. (2017), S. 1451; Eisenschmidt, K. (2016a), S. 422 f.; Gluch, N./Muschallik, M./Schmidt, A. (2019), S. 190; Pellens, B. et al. (2017b), S. 5; Tausch-Nebel, L./Weber, S.C./Vaagt, S. (2017), S. 169; Zülch, H./Hecht, J. (2017), S. 98 f. Dies ist auch mit Blick in die Vergangenheit konsistent. Bereits bei Unternehmen, die zur Veröffentlichung einer Zwischenmitteilung der Geschäftsführung verpflichtet waren, konnte eine Tendenz zur freiwilligen Veröffentlichung von Finanzkennzahlen beobachtet werden. Siehe auch Hebestreit, G. (2016), § 43, Rdnr. 54 m. w. N.

Hierzu sei erneut auf Kirchhoff Consult AG/Warth & Klein Grant Thornton AG/Deutsche Schutzvereinigung für Wertpapierbesitz e. V. (Hrsg.) (2016), S. 6, die die Bilanz sowie die GuV als wesentliche Zwischenabschlusstabellen bezeichnen.

Vgl. hierzu die Ergebnisse von Ahr, E.-M./Loitz, R./Seidel, B. (2017), S. 1451–1453; Berninger, M. (2019), S. 271; Eisenschmidt, K. (2016a), S. 422; Gluch, N./Muschallik, M./Schmidt, A. (2019), S. 187; Pellens, B. et al. (2017b), S. 4.

Vgl. Alvarez, M. (2004), S. 24; Griewel, E. (2006), S. 47 sowie ausführlich Abschnitt 3.​2.​5.

Siehe hierfür auch Abschnitt 3.​2.​6 und Abschnitt 4.

Ein detaillierter Einblick in das Quartalsberichtsverhalten der Unternehmen wurde jedoch durch die Durchführung einer differenzierten Analyse zumindest auf deskriptiver Ebene gewährleistet.

Allgemein sei hierfür auf die Ausführungen in Abschnitt 5.3.2.3.7 verwiesen.

So auch Easton, P. (2006), S. 376; Healy, P. M./Palepu, K. G. (2001), S. 417; Nölte, U. (2008), S. 205; Qandil, J. S. (2014), S. 201.

Hierzu auch Auer, B./Rottmann, H. (2015), S. 108 f.; Backhaus, K. et al. (2018), S. 361.

Für das Vorhergehende sowie zur Endogenitätsproblematik allgemein Proppe, D. (2009), S. 253–257. Vgl. auch Nienhaus, M. (2015), S. 121 f., für eine ähnliche Erläuterung der Self-Selection-Problematik.

Dies kann sodann bspw. im Rahmen von Difference-in-Difference-Methoden erfolgen, die in vergleichbaren Studien zum allgemeinen Berichtsverhalten von Unternehmen ebenfalls Anwendung finden. Siehe hierfür bspw. Nienhaus, M. (2015), S. 5. Knappstein, J./Muschallik, M./Schmidt, A. (2020), S. 3, verwenden diese Methodik bereits, um Rückschlüsse hinsichtlich des Einflusses der Deregulierungsmaßnahmen im Rahmen der Quartalsberichterstattung auf die Informationsasymmetrie zu erhalten. Für die Untersuchung der Eigenkapitalkosten kann hierzu jedoch noch ein Forschungsbedarf festgestellt werden.