Faktorer som förklarar skillnaden i värderingsmultiplar

inom sjukvårdssektorn

Carl-Wilhelm Björkendahl

195850

Institutionen för finansiell ekonomi och nationalekonomi

Svenska handelshögskolan

Helsingfors

2023
 i

SVENSKA HANDELSHÖGSKOLAN

Institution: Arbetets art:

Institutionen för finansiell ekonomi och Kandidatavhandling
nationalekonomi
Författare och studerandenummer: Datum:
Carl-Wilhelm Björkendahl 195 850 14.12.2000
Avhandlingens rubrik:
Faktorer som förklarar skillnaden i värderingsmultiplar inom sjukvårdssektorn

Sammandrag:

Syftet med kandidatavhandlingen är att undersöka huruvida fundamentala,

sjukvårdssektorspecifika samt industriklassificeringar kan förklara skillnader i
EV/EBITDA-multipeln inom sjukvårdssektorn. Avhandlingen bidrar med att diskutera
teorin bakom företagsvärdering med fokus på relativvärdering. Den empiriska studien
kontribuerar till faktorer som måste tas i beaktande då relativvärdering utförs inom
sjukvårdssektorn.

Avhandlingen tillämpar olika regressionsmodeller för att förstå förklarande variablers

påverkan på EV/EBITDA-multipeln. All data samlas in från Refinitiv kvartalsvis från
1.12.2018-1.9.2023. Hela paneldata består av 2661 observationer och avgränsade data
av 2510. Paneldata består av 165 unika företags observationer med åtta förklarande
variabler. De förklarande variablerna är: tillväxt, avskrivningar, skatteprocent, WACC,
ROIC, industri, R&D, immateriella tillgångar.

Alla modeller var signifikanta på 0,01 %-nivån. Tillväxt hade en positiv påverkan,
avskrivningar negativ, skatteprocent negativ, WACC signifikant men varierande, ROIC
icke-signifikant, industri signifikant men varierande, R&D positiv, immateriella
tillgångar negativ. Resultaten var i flera fall i linje med tidigare studier.
Sammanfattningsvis visade resultaten att fyra av fem fundamentala faktorer kunde
förklara skillnader i EV/EBITDA. Det samma för alla två sjukvårdsspecifika faktorer.
Industriklassificering var också en viktig faktor som kunde förklara skillnaderna i
EV/EBITDA. Med tanke på samplets natur så gäller dessa resultat endast för EBIT-
positiva företag inom sjukvårdssektorn.

Nyckelord: Relativvärdering, EV/EBITDA, Sjukvårdssektor, R&D, Immateriella

tillgångar, Tillväxt, Företagsvärderingsteori
 ii

INNEHÅLLSFÖRTECKNING

1 Introduktion ....................................................................................................................... 1

1.1 Problemområde........................................................................................................... 1

1.2 Syfte ............................................................................................................................. 2

1.3 Avgränsningar ............................................................................................................. 2

1.4 Arbetets fortsatta uppläggning ................................................................................... 3

2 Företagsvärderingsteori ..................................................................................................... 4

2.1 Vad är företagsvärdering? ........................................................................................... 4

2.2 Företagsvärderingsmetoder ........................................................................................ 4

2.3 Relativvärdering .......................................................................................................... 5

2.4 För- och nackdelar med relativvärdering ................................................................... 6

2.5 Vad är jämförbara företag? ......................................................................................... 7

2.6 Fundamentala faktorer som driver värderingsmultiplar ............................................ 7

3 Tidigare forskning .............................................................................................................. 9

3.1 Havander & Goich, 2019 ............................................................................................. 9

3.1.1 Syfte .......................................................................................................................................... 9
3.1.2 Data .......................................................................................................................................... 9
3.1.3 Metod........................................................................................................................................ 9
3.1.4 Resultat....................................................................................................................................10

3.2 Beaver & Morse, 1978................................................................................................. 11

3.2.1 Syfte ..................................................................................................................................... 11
3.2.2 Data ..................................................................................................................................... 11
3.2.3 Metod .................................................................................................................................. 12
3.2.4 Resultat ............................................................................................................................... 12

3.3 Bhojrar, Lee & Oler, 2003 ......................................................................................... 13

3.3.1 Syfte ..................................................................................................................................... 13
3.3.2 Data ..................................................................................................................................... 13
3.3.3 Metod ................................................................................................................................... 13
3.3.4 Resultat ............................................................................................................................... 14

3.4 Lie & Lie, 2002 .......................................................................................................... 14

3.4.1 Syfte ..................................................................................................................................... 14
3.4.2 Data ..................................................................................................................................... 14
 iii

3.4.3 Metod .................................................................................................................................. 15

3.4.4 Resultat ............................................................................................................................... 15

3.5 Sammanfattning av tidigare forskning ..................................................................... 15

4 Data .................................................................................................................................. 17

4.1 Samplet som helhet ................................................................................................... 17

4.2 Beskrivning av faktorerna ......................................................................................... 18

4.2.1 EV/EBITDA NTM ................................................................................................................... 18
4.2.2 Tillväxt ................................................................................................................................. 19
4.2.3 Avskrivningar ...................................................................................................................... 19
4.2.4 Skatteprocent ..................................................................................................................... 20
4.2.5 WACC.................................................................................................................................. 20
4.2.6 ROIC .................................................................................................................................... 21
4.2.7 Industri ............................................................................................................................... 21
4.2.8 R&D .................................................................................................................................... 22
4.2.9 Immateriella tillgångar...................................................................................................... 22

4.3 Deskriptiv statistik .................................................................................................... 23

5 Metod ................................................................................................................................ 27

5.1 Multipel linjär regressionsmodell ............................................................................. 27

5.2 Avhandlingens modell...............................................................................................28

5.3 Hypoteser och förväntade förtecken .........................................................................30

6 Resultat ............................................................................................................................. 31

6.1 Tidseffekter ............................................................................................................... 31

6.2 Resultat från första modellen.................................................................................... 31

6.3 Resultat från andra modellen ................................................................................... 33

6.4 Resultat från tredje modellen ................................................................................... 35

6.5 Resultatdiagnostik .................................................................................................... 36

6.5.1 Datasamplet ........................................................................................................................... 36
6.5.2 Normalitet .............................................................................................................................. 36
6.5.3 Multikollinearitet ................................................................................................................... 36
6.5.4 Heteroskedasticitet .................................................................................................................37
6.5.5 Autokorrelation .......................................................................................................................37

7 Konklusioner .................................................................................................................... 39

7.1 Den bästa modellen ................................................................................................... 39

 iv

7.2 Tillväxt och EV/EBITDA .......................................................................................... 40

7.3 Avskrivningar och EV/EBITDA ................................................................................ 41

7.4 Skatteprocent och EV/EBITDA ................................................................................ 41

7.5 WACC och EV/EBITDA ............................................................................................ 42

7.6 ROIC och EV/EBITDA .............................................................................................. 43

7.7 R&D och EV/EBITDA ............................................................................................... 43

7.8 IT och EV/EBITDA ................................................................................................... 44

7.9 Industri och EV/EBITDA .......................................................................................... 45

7.10 Summering av konklusioner ..................................................................................... 46

KÄLLFÖRTECKNING ............................................................................................................. 47

BILAGOR ................................................................................................................................. 54

BILAGA 1 DEFINITIONER .................................................................................................. 54

BILAGA 2 VIF-test ............................................................................................................... 55

BILAGA 3 Korrelation mellan tidseffekter och WACC ........................................................ 55

BILAGA 4 EV/EBITDA och IT ............................................................................................. 56

BILAGA 5 FÖRETAGSFÖRTECKNING............................................................................... 57

BILAGA 6 RESULTAT FRÅN GLS-MODELLEN................................................................. 61

TABELLER

Tabell 1 Sammanfattning av tidigare studier..................................................................... 16

Tabell 2 Fördelning av observationerna per år och kvartal............................................... 18

Tabell 3 Deskriptiv statistik för hela samplet, n = 2661..................................................... 24

Tabell 4 Deskriptiv statistik för avgränsade samplet, n = 2510......................................... 24

Tabell 5 Deskriptiv statistik för avgränsade samplet per industri, n = 2510..................... 25

Tabell 6 Korrelationerna mellan faktorerna i avgränsade samplet, n = 2510................... 26

Tabell 7 Förkortningar av faktorerna i samplet.................................................................. 29

Tabell 8 Förväntade förtecken för de förklarande variablerna.......................................... 30

Tabell 9 Resultat från första regressionsmodellen............................................................. 32

 v

Tabell 10 Resultat från andra regressionsmodellen........................................................... 33

Tabell 11 Resultat från tredje regressionsmodellen................................................ 35

Tabell 12 F-test mellan regressionerna................................................................... 40

Tabell 13 Summering av hypoteser och påverkan.................................................. 46

FIGURER

Figur 1 Första och tredje kvartilen av EV/EBITDA, n = 2510............................ 26

1 Introduktion
År 2019 dog 55,4 miljoner människor världen över. Det är ekvivalent till tio gånger Finlands
population (Eurostat 2023). Samma år utförde World Health Organization en studie i
människans vanligaste dödsorsaker. Listan med de tio mest typiska dödsorsakerna förklarade
55 % av globala dödsfall. På toppen av listan hittade man kranskärlssjukdomar som förklarade
16 % av dödsfallen. På andra plats var stroke som år 2019 förklarade ca. 11% av dödsfallen.
Längre ner på listan hittade man orsaker som alzheimer och diabetes. (WHO, 2020).
Samtidigt som dödsfall är tragiska så orsakar de också stora kostnader för samhället. Mer än
37 miljoner amerikaner har diabetes. År 2017 estimerades det i USA att diabetes orsakade 327
miljarder USD medicin- samt alternativkostnader årligen. (CDC 2023).

I McKinseys rapport diskuteras det hur samhälleliga bördan av olika sjukdomar och dödsfall
redan är stor. Trots det estimerar Institute for Health Metrics att bördans storlek kommer att
växa ytterligare 20 % mellan 2020–2040. Men ifall bördan kan förminskas så estimeras det
att USA kunde tillägga 10 % till sin BNP år 2040, ett tillägg från 29,1 biljoner USD till 32,0
biljoner USD. (McKinsey, 2020a)

Det är uppenbart att sjukdomar kan orsaka otrolig skada både individuellt och kollektivt. På
grund av detta är sjukvårdssektorn en betydande del av ekonomin. McKinsey estimerar att
USA:s sjukvårdssektorns aggregerade vinst år 2021 var 654 miljarder USD och skall årligen
växa med 4 % till 2026 (McKinsey, 2023a). Sjukvårdssektorns vikt av S&P 500 den 11.9.2023
var ungefär 13 %, vilket är andra störst efter teknologi med 28 %. När vi blickar till USA så
hittar vi läkemedelsbolaget Eli Lilly som varit i rampljuset år 2023 p.g.a. sin fetma botande
läkemedel (Financial Times, 2023). Enligt Refinitivs databas handlas Eli Lilly på börsen den
22.11.2023 för EV/EBITDA 38,6x 2024E. På amerikanska börsen hittas också
bioteknologiföretaget Amgen som handlas för 9,4x 2024E. Båda bolagen opererar inom
sjukvårdssektorn men handlas för fullständigt olika EV/EBITDA-multiplar. Vad är det som
kan förklara dessa skillnader?

1.1 Problemområde
De tre vanligaste värderingsmetoderna inom företagsvärdering är diskonterad kassaflödes
analys, relativ värderingsanalys och tidigare skedda transaktioner. Relativ värderingsanalys
tillämpas för att jämföra bolag inom samma industri och av liknande storlek med hjälp av
värderingsmultiplar. (CFI, 2023a). Exempelvis användes EV/EBITDA-multipeln i
introduktionen för att jämföra två bolag med varandra. Man kunde fråga sig ifall Eli Lillys
EV/EBITDA-multipel skiljer sig från Amgens endast för att de opererar inom olika industrier
 2

inom sjukvårdssektorn, eller om det finns andra faktorer och situationer som kunde förklara
dessa skillnader.

McKinsey identifierar vissa situationer där multiplar måste noggrant granskas innan
slutsatser dras om företagsvärdering. Den första är överraskande chocker till industrier eller
företag. När värderingsmultiplar analyseras så är det vanligt att använda 12 eller 24 månaders
framåtblickande resultat. Exempelvis kan bolag uppleva stora engångskostnader som
temporärt sänker resultatet för kommande 12 månader. Följaktligen stiger
värderingsmultipeln medan företagsvärdet förblir relativt stabilt. Företagsvärdet är relativt
oförändrat för att resultatet förväntas återgå till sitt medeltal i framtiden. En annan situation
uppstår på grund av företagets cykliska profil. Marknaden är ofta väl informerad ifall företag
är cykliska vilket betyder att företagsvärdet inte borde variera i samma grad som resultatet när
ekonomiska cykeln varierar. Därför kan man ofta observera höga och låga värderingsmultiplar
för cykliska företag. (McKinsey, 2023b).

I UBS studie om värderingsmultiplar så nämner de tre fundamentala faktorer som påverkar

värderingsmultipeln. Avkastningen på kapital, kostnaden av kapital och tillväxten. När
företagen avviker från varandra i dessa tre faktorer så kommer det också resultera i olika
värderingsmultiplar. (UBS Warburg, 2001).

På grund av dessa ovannämnda faktorer kan jämförelser av värderingsmultiplar mellan

företag vara utmanande. Investerare kan inte direkt avgöra om Eli Lilly är övervärderat eller
undervärderat om de inte förstår drivkrafterna bakom EV/EBITDA-multipeln. Således finns
det behov för modeller för att kontrollera för dessa faktorer (Damodaran, 2011). Tidigare
studier såsom doktorsavhandlingen från Universitetet av Portsmouth har undersökt
fundamentala faktorers förklaringsgrad av värderingsmultiplar för flera industrier (Kim
Shelbaya, 2014). Eftersom forskning sällan har fokuserat på specifika branscher kommer
denna kandidatavhandling att undersöka faktorer som förklarar skillnaderna i
värderingsmultiplarna inom sjukvårdssektorn.

1.2 Syfte
Syftet med denna kandidatavhandling är att undersöka huruvida fundamentala faktorer,
sjukvårdssektorspecifika faktorer samt industriklassificeringar kan förklara skillnader i
EV/EBITDA-multipeln inom sjukvårdssektorn.

1.3 Avgränsningar
Denna kandidatavhandling avgränsas på basen av geografi, sektor, finansiella tal och
tidsperiod. Datamaterialet för bolag inom sjukvårdssektorn avgränsas till bolag från USA.
 3

Sektorn avgränsas till GICS definition av sjukvårdssektorn. Därtill uteslutes bolag som inte är
EBIT positiva. Finansiella talen och värderingsmultiplarna för företagen samlas in för ca. fem
år för perioden 1.12 2018–1.9 2023. Orsaken till alla dessa avgränsningar diskuteras i detalj
under rubriken Data.

1.4 Arbetets fortsatta uppläggning

Först presenteras den teoretiska bakgrunden i kapitel 2. Den teoretiska referensramen
omfattar företagsvärderingsteori, företagsvärderingsmetoder med fokus på relativvärdering,
vad jämförbara företag är och till slut presenteras en matematisk härledning på fundamentala
faktorers påverkan på EV/EBITDA. Kapitel 3 diskuterar tidigare forskning som utfört
liknande empiriska studier som denna avhandling kommer att göra. Två tidigare studier
studerar värderingsmultiplarnas samband till fundamentala faktorer. Den tredje studerar
varför GICS industriklassificeringen är bättre än andra klassificeringar. Den fjärde studerar
vilken värderingsmultipel som är mest tillförlitlig för relativvärdering. Kapitel 4 redogör för
orsakerna till avgränsningarna i datamaterialet samt valen av kontrollvariablerna för
metoden. Därtill presenteras deskriptiv statistik för hela och avgränsade samplet. Kapitel 5
presenterar orsakerna till valet av metod och faktiska avhandlingens modeller. Ytterligare
diskuteras hypoteserna för resultatet. Kapitel 6 presenterar modellernas resultat samt så
diskuteras resultatdiagnostiken och hur vissa brister kunde påverka resultaten. I kapitel 7
diskuteras konklusionerna för avhandlingen och potentiella orsakerna varför hypoteserna
förkastas eller inte.
 4

2 Företagsvärderingsteori
Detta kapitel är ägnat till att djupgående diskutera vad företagsvärdering är samt varför det är
viktigt och vilka konsekvenser det kan ha ifall värderingen är inkorrekt. Därtill kommer det
diskuteras om olika värderingsmetoder som till exempel absoluta och relativa. Det påpekas
vilka fördelar och nackdelar relativvärdering har. Ytterligare kommer det presentera en
härledning som belyser de faktorer som kan påverkar EV/EBITDA-multipeln.

2.1 Vad är företagsvärdering?

Företagsvärdering baserar sig på teorin om Law of One Price som i praktiken betyder att
prisen av två tillgångar borde vara ekvivalenta ifall kassaflödet och risken matchar (Berk &
DeMarzo, 2020). Damodaran som är professor på universitetet av New York påpekar hur
företagsvärdering är en berättelse. Under ett seminarium år 2022 förklarade han att
företagsvärdering är starkt beroende av osäkerhet. Högre osäkerhet om vinstpotential
påverkar företagsvärderingen negativt och vice versa. Han underströk vikten av att skapa en
välutvecklad berättelse om företaget för att uppnå en mer exakt företagsvärdering. Enligt
Damodaran bör estimerade siffror kunna kopplas till en berättelse, och bristen på en sådan
koppling kan indikera att värderingen är inkorrekt (CFA Institute, 2022).

Före detta McKinsey-konsulter förklarar i sin bok "Why Value Value?" varför det är viktigt att
värdera värde. Värde representerar en användbar enhet för prestation som har central
betydelse för alla intressenter, inklusive arbetstagare och aktieägare. Enligt forskning är
korrekt företagsvärdering avgörande för att säkerställa effektiv användning av kapital,
humankapital och naturresurser. Men ibland förbises värdering. Ett exempel på detta var
internetbubblan då investerare endast red på ett löfte om ett högre pris. Sådana situationer
kan ha långa negativa konsekvenser ifall kapital är allokerat ineffektivt. (Koller, Goedhart,
Wessels, 2010). Därför är det viktigt att värdera företag korrekt.

2.2 Företagsvärderingsmetoder
Det finns otaliga metoder för att värdera företag. Trots det kan metoderna kategoriseras i
absoluta och relativa värderingsmetoder. Absoluta metoder analyserar diskonterade
kassaflöden. Medan relativa metoder jämför jämförbara företags värderingsmultiplar.
(Investopedia, 2022a). Valet av företagsvärderingsmetod beror ändå på profilen av företaget.
Kassaflödesanalys anses vara en utmärkt metod ifall företaget antas fortsätta sin relativt
stabila verksamhet i långa loppet (Fernandez, 2002). Likvideringsvärdering kan användas för
att simulera konkursscenario eller generellt ifall företaget måste avvecklas (CFI, 2023b).
 5

2.3 Relativvärdering
Relativ värdering är en prissättningsmetod och inte en absolut värderingsmetod som man kan
använda för att förankra ett företags multipel till liknande företag (Damodaran, n.d. a). En
multipel är i praktiken en kvot som jämför företagsvärdet/marknadsvärdet med en faktor som
anses driva värdet. Principen för relativ multipelvärdering bygger på idén att liknande företag
bör handlas till liknande priser, vilket reflekteras i "The Law of One Price" (Investopedia,
2022).

Enligt professor Damodaran utgör värderingsmultiplar den vanligaste värderingsmetoden.

Nästan 85 % av alla aktieanalysrapporter är baserade på värderingsmultiplar. Över 50 % av
alla värderingar i företagsförvärv är baserade på värderingsmultiplar. Detta understryker att
värderingsmultiplar inte enbart är en kompletterande metod utan ofta spelar en betydlig roll
i investeringsbeslut (Damodaran, n.d. b).

Det finns två typer av värderingsmultiplar och de baserar sig endera på företagsvärdet
(framöver uttryckt som EV) eller marknadsvärdet. EV definieras som diskonterade
kassaflödet till alla investerare dvs aktie- och skuldinvesterare (förkortat FCFF). Däremot
definieras marknadsvärdet som diskonterade kassaflödet endast till aktieinvesterare (Tse,
2017). Två allmänna faktorer som driver EV är EBIT och omsättning, inkomster som alla
investerare är berättigade till. Å andra sidan påverkas marknadsvärdet av faktorer som mer
exakt förklarar kassaflödet för aktieägare såsom periodens resultat (UBS Warburg, 2001).

EV- och marknadsvärdesmultiplar skiljer sig även i användningsområde. EV multiplar

används ofta för att exkludera effekten av kapitalstruktur i bolagen eller exkludera avvikande
bokföringsregler mellan bolagen. (UBS Warburg, 2001). Exempelvis i företagsförvärv
analyserar man alltid EV multiplar för att man undersöker tillgångens kassaflödeskapacitet
samtidigt som förvärvaren tar på sig eventuella skulder från uppköpta företaget (Financial
Edge, 2020).

Marknadsvärdesmultiplar som P/E är den mest utnyttjade marknadsvärdesmultipeln. En

betydlig orsak varför P/E-multipel blivit så praktisk är enkel tillgång till data. Nackdelen med
P/E-multipel är oftast att den inkorporerar engångsavskrivningar som kan snedvrida
företagets vanliga resultatnivå. Detta kan resultera i att relativ värdering med P/E-multiplar
kan variera signifikant ifall man inte korrigerar för engångsavskrivningar. Ett annat problem
med P/E multipeln är dess oanvändbarhet när resultatet är negativt. Kapitalstrukturen
påverkar också P/E-multipeln. Räntekostnader påverkar företags resultat och således kan P/E
multipeln varierar bland liknande företag med olika skuldsättningsgrader. (UBS Warburg,
2001). För att undvika marknadsvärdesmultiplarnas brister så rekommenderar McKinsey
istället EV-multiplar (McKinsey, 2005).
 6

Enligt Morgan Stanley är de två mest använda värderingsmultiplarna P/E och EV/EBITDA
(Fernandez, 2019). I praktiken när analytiker använder dessa värderingsmultiplar för privata
bolag så applicerar de exempelvis jämförbara företagens EV/EBITDA-medianmultipel till
undersökta företagets korresponderande EBITDA resultat för att härleda sig till privata
bolagets EV (Bhojrar & Lee, 2001). Några andra EV värderingsmultiplar är EV/EBIT eller
EV/Omsättning. EV/Omsättning är användbar vid värdering av för företag med negativt
resultat (Macabacus, 2023).

Därtill kan man analysera multiplarna för olika tidsperioder. De vanligaste perioderna är LTM
(12 senaste månaderna) och NTM (12 kommande månaderna). LTM EV/EBITDA innebär att
dagens EV divideras med de senaste 12 månadernas EBITDA, medan NTM avser de
kommande 12 månaderna. Argumentet för att använda LTM är att siffrorna är trovärdiga för
att de faktiskt realiserats. Men i relativ multipelvärdering kan LTM multiplar bli
problematiska ifall företagens tillväxt avviker. På grund av potentiellt avvikande tillväxt så är
framåtblickande multiplar bättre. (CFI, 2018a). Därtill för att marknadspriset reflekterar
framtida förväntningar så är framåtblickande multiplar ändamålsenliga (Plenborg &
Pimentel, 2016)

2.4 För- och nackdelar med relativvärdering

Enligt UBS finns det tre för- och nackdelar med värderingsmultiplar. Första fördelen är
användbarhet. Multiplar ger ett användbart ramverk för att stöda gott omdöme. Den andra
fördelen är enkelheten, då multiplar teoretiskt sett är enkla att beräkna och oftast inte kräver
långsiktiga estimat. Samtidigt fungerar multiplar som ett komplement till andra
värderingsmetoder, ingen enskild metod anses fullständig i sig själv då en holistisk syn antas
vara mer exakt (Plenborg & Pimentel, 2016). Den tredje fördelen är relevans. Multiplar är den
mest använda värderingsmetoden på aktiemarknaden. För att investerarna aggregerat
påverkar marknaden så kommer också förändringar i värderingsmultiplar att påverka
marknaden. Exempelvis är det rekommenderat inom både akademin och arbetslivet att IPO:s
värderas med relativa multipelvärderingsmetoder (Kim & Ritter, 1998). (UBS Warburg,
2001). En fjärde fördel är att värderingsmultiplar alltid resulterar i företag som handlas över
eller under industrins median, vilket kan vara särskilt användbart för investerare som strävar
efter att köpa undervärderade bolag och sälja övervärderade (Sharma & Prashar, 2013).

Den första nackdelen med värderingsmultiplar är att de är simpla. Värderingsmultiplar

innehåller massa information av faktorer som driver företagsvärdet. Det kan vara svårt att
estimera till vilken grad faktorer som exempelvis tillväxt påverkar. Den andra nackdelen är att
multiplar är statiska. Multipeln tar en ögonblicksbild av företaget men misslyckas att fånga
dynamiken och förändringen i industrins natur och konkurrens. Tredje nackdelen är att
 7

multiplar inte alltid är så enkla att jämföra. På grund av flera faktorer som bokföringsregler,
databrist, eller tillväxt så kan multiplarna avvika betydligt och vara svåra att jämföra. (UBS
Warburg, 2001). En fjärde nackdel relaterar till marknadens effektivitet. Fastän ett företag
verkar undervärderat i relation till sina jämförbara företag så kan företaget trots det vara
övervärderat ifall alla jämförbara företag är övervärderade. Relativvärdering baserar sig på att
aktiemarknaden är aggregerat effektiv men ifall detta antagande inte håller så fungerar inte
relativ värdering. (Sharma & Prashar, 2013).

2.5 Vad är jämförbara företag?

I relativvärdering kan man välja jämförbara företag enligt tre huvudmetoder. Metoderna kan
delas in i industri, geografi och finansiella tal (CFI, 2018b). Sammanfattningsvis måste endast
två antaganden hålla i relativvärdering. För det först måste företagets förväntade kassaflöden
och riskprofilen likna det jämförbara företaget. För det andra måste analyserade faktorn som
exempelvis EBITDA faktiskt proportionellt driva företagets värde (Kaplan & Ruback, 1995). I
dessa antaganden nämns inte explicit geografi, men det beror på att geografin implicit
förklarar en del av tillväxten eller risken i företagen (Sharma & Prashar, 2013). I teorin kan
alltså industrin och geografin kvantifieras och då kollapsar metoderna ner till en metod alltså
finansiella tal. Trots det kan det vara otroligt svårt att kvantifiera hur mycket geografin
påverkar företagens framtida kassaflöden så geografiska filtrering förenklar problemet med
val av jämförbara företag. Till exempel i en undersökning av värderingsskillnaderna inom
läkemedelsindustrin så förklarade geografin en skillnad i företagsvärdet (Boasson, 2005).
Idén med att välja liknande företag på basis av industri är att företagen tenderar ha samma
beta/risk. Istället för att undersöka ett universum av företag och försöka hitta matchande
riskprofiler så kan problemet förenklas med att filtrera för industri (Esty, 2000).

2.6 Fundamentala faktorer som driver värderingsmultiplar

Definitionerna till alla förkortningar hittas från bilaga 1.

När man genomför företagsvärdering kan det upplevas som att man förlorar sig i en mängd
förkortningar. I verkligheten kan man värdera vilken tillgång som helst bara man vet
kassaflödet, tillväxten och risken (Damodaran, n.d. c). I teorin sker värdeskapande genom
differensen mellan negativt kassaflöde idag och diskonterat kassaflöde från framtiden. Med
andra ord är det ROIC, WACC och kassaflödes tillväxten som explicit förklarar värdet och
värdeskapandet. Därtill är det essentiellt att ROIC är högre än WACC, annars är
investeringsbeslut värdeförstörande (Koller, Goedhart, Wessels, McKinsey & Company Inc
2015). ROIC mäter företagets lönsamhet genom att räkna procentuella vinsten företaget gör
 8

på investerat kapital (CFI, n.d.). WACC förklara kostnaden för det investerade kapitalet och är
avkastningen investerare kräver för att investera i företaget. (CFI, 2020). Eftersom de
ovannämnda faktorerna kan förklara företagets värde så finns det också en direkt koppling till
värderingsmultiplar. Till följande härleder vi EV/EBITDA på basis av ROIC, WACC och
kassaflödestillväxt.

Vi antar att EV kan definieras som diskonterade kassaflödet FCFF med en viss tillväxt g.
Diskonteringsräntan är WACC och således sammanfaller EV till summan av en geometrisk
talföljd som uttrycks i första ekvationen. Därefter uttrycker vi FCFF = NOPAT * (1-r) där r är
procentuella andelen av NOPAT som återinvesteras i företaget.

𝐹𝐶𝐹𝐹 𝑁𝑂𝑃𝐴𝑇 ∗ (1 − 𝑟)
𝐸𝑉 = =
𝑊𝐴𝐶𝐶 − 𝑔 𝑊𝐴𝐶𝐶 − 𝑔

Vi dividerar båda sidor med investerade kapitalet IC men samtidigt uttrycker vi NOPAT =
ROIC * IC. På högra sidan av ekvationen så tar IC i nämnaren och täljaren ut varandra.

𝐸𝑉 𝑁𝑂𝑃𝐴𝑇 ∗ (1 − 𝑟) 𝑅𝑂𝐼𝐶 ∗ 𝐼𝐶 ∗ (1 − 𝑟) 𝑅𝑂𝐼𝐶 ∗ (1 − 𝑟)

= = =
𝐼𝐶 𝐼𝐶 ∗ (𝑊𝐴𝐶𝐶 − 𝑔) 𝐼𝐶 ∗ (𝑊𝐴𝐶𝐶 − 𝑔) (𝑊𝐴𝐶𝐶 − 𝑔)

r kan också uttryckas som r = g/ROIC. Vi substituerar r med g/ROIC och dividerar bägge två
sidor med ROIC. IC * ROIC = NOPAT och således kan vi uttrycka EV/(IC*ROIC) =
EV/NOPAT.

NOPAT kan uttryckas som EBIT * (1-t) där t är skatteprocenten. Vi substituerar detta med
NOPAT och härleder följande ekvation.

𝐸𝑉 𝑅𝑂𝐼𝐶 − 𝑔 𝐸𝑉 𝑅𝑂𝐼𝐶 − 𝑔
= → = ∗ (1 − 𝑡)
𝑁𝑂𝑃𝐴𝑇 𝑅𝑂𝐼𝐶 ∗ (𝑊𝐴𝐶𝐶 − 𝑔) 𝐸𝐵𝐼𝑇 𝑅𝑂𝐼𝐶 ∗ (𝑊𝐴𝐶𝐶 − 𝑔)

EBIT kan uttryckas som EBITDA * (1-d) där d är avskrivningarnas procentuella andel av
EBITDA. Genom substitut så härleder vi vår slutliga formel.

𝐸𝑉 𝑅𝑂𝐼𝐶 − 𝑔
= ∗ (1 − 𝑡) ∗ (1 − 𝑑)
𝐸𝐵𝐼𝑇𝐷𝐴 𝑅𝑂𝐼𝐶 ∗ (𝑊𝐴𝐶𝐶 − 𝑔)

Vår slutliga formel innehåller alla faktorer som förklarar EV/EBITDA-multipeln (UBS
Warburg, 2001). Ifall olika företag avviker i dessa faktorer så kommer också deras
EV/EBITDA-multipel att avvika (Knudsen, 2017). I verkligheten kan man ändå inte veta vad
g borde faktiskt vara. Därför räknas inte EV/EBITDA-multipel i praktiken enligt denna
ekvation utan oftast som en kombination av analytikers DCF analyser och
relativvärderingsmetoder.
 9

3 Tidigare forskning
I detta kapitel diskuteras det fyra tidigare studier. Alla studier har en direkt anknytning till
själva datamaterialet och metoden i avhandlingen

3.1 Havander & Goich, 2019

3.1.1 Syfte
I magistersavhandling Predicting Valuation Multiples undersökte skribenterna två följande
frågor. Vad är underliggande sambandet mellan EV/EBITDA och de fundamentala
värdedrivarna? Fungerar en regressionsanalys för att estimera marknadens faktiska
EV/EBITDA-multiplar?

3.1.2 Data
Datasamplet baserade sig på GICS industriklassificeringsstandarden (Global Industry
Classification Standard) som enligt flera empiriska studier anses vara den pålitligaste för att
förklara skillnader i värderingsmultiplar. Skribenterna samlade in data för GICS industrierna
för att företagen inom specifika industrier är mera jämförbara gentemot företag på sektornivå.

Dessutom inkluderade samplet endast företag från USA. Skribenterna utnyttjade Standard &
Poor Composite 1500 index som använts i andra prominenta studier. Därtill när samplet var
enbart amerikanskt så exkluderade skribenterna variationer i bokföringsregler. Alla företag
inom S&P 1500 måste följa redovisningsregler i enlighet med GAAP (General Accepted
Accounting Principles). Inom samma land spelar också skatter, riskfria räntor och inflation en
mindre roll då dessa faktorer är relativt homogena för företagen.
Från de 1506 företag från S&P 1500 så gallrades 536 företag med följande metod. Företagen
måste ha EV data för åren 2016–2018, positiva EBITDA konsensus för 2017–2021, ROIC för
2016–2018, och WACC för senaste räkenskapsår. Skribenterna gallrade bort företag inom
finansiella sektorn för att EV/EBITDA inte är en lämplig multipel för sektorn. Extremvärden
exkluderades och slutliga samplet bestod av tvärsnittsdata på 965 företag.

3.1.3 Metod
Som beroende variabeln fungerade EV/EBITDA där nämnaren var två års estimat av EBITDA,
FY + 2. Beroende variabeln hade kalkylerats som ett harmoniskt medelvärde för åren 2016–
2018. Som förklarande variabler fungerade EBITDA tillväxt för följande tre år, FY + 3 (median
CAGR för åren 2016–2018), lönsamhetsmåttet ROIC för senaste räkenskapsår (medianen för
2016–2018) och riskfaktorn WACC för senaste räkenskapsåret.

Skribenterna undersökte förklarande variablernas förklaringsgrad av EV/EBITDA med

tvärsnittsdata på marknads-, sektor- och industrinivå. Beroende variabeln logaritmerades för
att undkomma problem med skevhet. För att besvara på frågorna använde skribenterna sig av
 10

tre olika regressionsmodeller, en enkel regressionsmodell, multipel linjär regressionsmodell

samt relativ multipel linjär regressionsmodell. Regressionsmodellerna baserade sig på OLS
(Ordinary Least Squares) där de analyserade sambandet mellan varje förklarande variabel och
beroende variabel separat samt sambandet som en helhet med alla förklarande variabler.
Skribenterna undersökte också relativa regressionsmodellens förklaringsgrad för att tidigare
forskning påstått att metoden fångar skillnader i värdedrivande faktorer effektivare. För den
relativa metoden tilldelades varje företag ett jämförbart sampel varifrån procentuella
differensen i både beroende och oberoende variabeln fungerade som data för analysen.

För att undersöka första frågan undersökte skribenterna modellernas förklaringsgrad (R2)
samt faktorernas statistiska signifikans. För att undersöka andra frågan estimerade
skribenterna EV/EBITDA-multipeln och jämförde dessa med faktiska multiplar för att meta
prediktionsfelen. Prediktionsfelen kalkylerades på tre olika vis, absoluta avvikelsen,
avvikelsen i kvadrat samt kalkylerades det ifall modellen över eller under estimerar
värderingsmultiplarna.

3.1.4 Resultat
I resultatet mättes alla signifikansnivåer på 5 %. Tillväxt i enkla regressionsmodellen gav en
varierande signifikans samt påverkan på EV/EBITDA. På marknadsnivån hade tillväxt en
positiv men icke-signifikant påverkan. På sektornivå varierade tillväxtens påverkan mellan
negativt och positivt. Exempelvis var tillväxt signifikant positiv för sjukvårdssektorn medan
signifikant negativ för konsumentvarusektorn. Trots dessa variationer drog skribenterna
slutsatsen att tillväxt är positivt för EV/EBITDA.

ROIC/lönsamhet hade en signifikant positiv påverkan på marknadsnivån och på sektorer som

kommunikationstjänster och bruksvarusektorn. Däremot hade lönsamhet en negativ och
signifikant påverkan på fastighetssektorn. I stora helheten drog skribenterna slutsatsen att
ROIC är positivt för EV/EBITDA.

Till slut undersöktes riskens/WACC:s påverkan på EV/EBITDA. På marknadsnivån var WACC

positivt men icke-signifikant. På sektornivå var WACC också positivt vilket stod i strid med
teorin bakom EV/EBITDA och risk. Det positiva sambandet förklarades ändå med
multikollinearitetsproblem mellan mindre bolag med högre tillväxt och risk. Följaktligen
ansåg skribenterna ifall man inte kontrollerar för tillväxt och lönsamhet så har risk en positiv
påverkan på EV/EBITDA.

Resultaten från multipel linjär regressionen på marknadsnivån var i sin helhet signifikant.
Tillväxt- och riskkoefficienterna var dock icke-signifikanta på en 5% nivå men lönsamhet var
signifikant positiv. Tillväxt och lönsamhet visade sig ändå vara positivt bidragande till
 11

EV/EBITDA och risk tvärtom som var i enlighet med underliggande teori.
Kollat på industri- eller sektornivå var resultaten väldigt varierande. Tillväxt var positivt och
signifikant inom materialsektorn men negativt signifikant för konsumentvarusektorn.
Lönsamhetens påverkan var exempelvis negativ och signifikant för läkemedelsindustrin.
Slutligen hade risk en negativ och signifikant påverkan på detaljhandelsindustrin men positiv
påverkan på flera andra industrier. Givet uppfylld signifikansnivå var R2 högst för
kommunikationstjänstsektorn där förklaringsgraden nådde 50 %.

Resultaten för relativa multipel linjär regressionen var delvis liknande som för multipel linjära
regressionen. Koefficienternas förtecken var positiva för alla tre faktorer på marknadsnivå
som skiljde sig från multipel linjära regressionen där risk ändå var negativt bidragande. På
industri- och sektornivå var resultaten varierande. Givet uppfylld signifikansnivå var R2 högst
för halvledarindustrin där förklaringsgraden nådde 54 %.

Skribenternas generella konklusion av första frågan var att multipel linjär eller relativ multipel
linjär regression behövs för att bättre förklara skillnaderna mellan EV/EBITDA. Trots det
varierade signifikansnivåerna och koefficienternas förtecken mellan industrierna.

Gällande den andra frågan analyserade skribenterna ovannämnda regressionsmodellernas

estimeringsprecision av EV/EBITDA. Bortsett att R2 var under 50% för nästan alla sektorer
och industrier så kunde regressionsmodellerna signifikant estimera EV/EBITDA men inte
signifikant bättre än harmoniska medelvärdet för en jämförbar grupp. En spekulativ
förklaring för att harmoniska medelvärdet inte är sämre än regressionsmodellernas resultat
är att företagens värderingsmultiplar faktiskt korrelerar starkt med jämförande gruppers
värderingsmultiplar.

3.2 Beaver & Morse, 1978

3.2.1 Syfte
I artikeln publicerad i Financial Analysts Journal av Beaver och Mors forskar de hur tillväxt
och risk påverkar P/E samt till vilken mån de kan förklara skillnader i P/E-multipeln.

3.2.2 Data
För varje år mellan 1956–1974 kalkylerade skribenterna P/E-multipeln för företag på NYSE
(New York Stock Exchange). De definierade P/E som senaste priset den 31 december dividerat
med realiserade vinsten per aktie (EPS) för samma år. De samlade in data för tillväxt och risk.
Vinsttillväxt räknades som procentuella förändringen av årets EPS från föregående årets EPS.
Risk definierades som aktiens beta räknat på månatlig basis. Samplet bestod till slut av 270
företag år 1956 och 600 företag år 1975. För varje år konstruerade skribenterna 25 olika
 12

portföljer på basis av P/E-talet. Den första portföljen inkluderade 4 % av årets sampel med de
högsta P/E-talen, medan den 25:e innehöll företag med de lägsta P/E-talen.

3.2.3 Metod
Skribenterna använde sig av diverse statistiska metoder. De undersökte exempelvis
rangkorrelationen mellan median P/E-multipeln och årliga EPS tillväxten för samma och 14
följande år. En liknande rangkorrelation utfördes också mellan P/E och beta där beta för
exempelvis år 1956 var kalkylerat med data för 1957.
Till slut skapade skribenterna också en multipel linjär regressionsmodell där beroende
variabeln var E/P. Skribenterna tog inversen av P/E-multipeln för att E/P beter sig mera
linjärt. Som oberoende variabler fungerade årliga EPS tillväxten för ett år framåtblickande.
Den andra oberoende variabeln var EPS årliga tillväxt två år framåtblickande och tredje
variabeln EPS tillväxt tre år framåtblickande.

3.2.4 Resultat
Rangkorrelationen mellan P/E och EPS-tillväxt för samma år var negativ för nästan alla år
mellan 1957–1975 då tillväxt var ett år bakåtblickande. Denna observation antydde på att
företag med relativt låg tillväxt för året hade högre P/E multiplar. Detta var i enlighet med att
investerare anser att sämre tider är kortvariga varefter tillväxten återkommer till sitt normala
förlopp. Rangkorrelationen mellan P/E och EPS-tillväxten ett år framåtblickande var positiv
för samtliga år mellan 1957 och 1975, vilket indikerade att investerarnas förväntningar om
övergående negativ EPS-tillväxt för det följande året bekräftades.

Rangkorrelationen mellan P/E och beta varierade från år till år. Anledning till det här var att
ekonomiskt sämre tider med låga vinster hänger ihop med påföljande bättre tider. Om ett
företags beta var högt, tenderade deras vinster att korrelera starkt med perioder av generellt
dåliga ekonomiska förhållanden. Detta resulterar i att P/E-talet stiger ännu högre och således
finns det en stark korrelation mellan P/E och beta under ekonomiskt sämre år. Med andra ord
var beta positivt korrelerat för år då marknaden handlades för generellt höga P/E-tal och en
negativ korrelation då marknaden handlades för låga P/E-tal.

Multipel linjära regressionsmodellens R2 varierade mellan 19% och 78% under åren mellan
1956–1970. 13 av 15 av åren var regressionsmodellerna signifikanta på en 5% nivå. Därtill hade
första framåtblickande årets tillväxt en signifikant och negativ påverkan på E/P för 10 av 15
år. Två eller tre års framåtblickande tillväxt hade mera sällan en signifikant påverkan på E/P.
Konklusionerna av undersökningen var att risk och tillväxt inte förklara mycket av P/E-
multipeln. För att förbättra modellens förklaringsgrad måste man ta i beaktande
bokföringsskillnader mellan bolagen. Skribenterna hänvisar till en studie gjord av Beaver and
Dukes där accelererade avskrivningsmetoder resulterade i högre P/E-multiplar än andra
bolag. Dessa skillnader måste tas i beaktande.
 13

3.3 Bhojrar, Lee & Oler, 2003

3.3.1 Syfte
I artikeln What’s My Line? A Comparison of Industry Classification Schemes for Capital
Market Research skriven av Bhojrar, Lee och Oler så undersöker de vilken
industriklassificering bättre kan förklara skillnaderna i exempelvis värderingsmultiplarna.

3.3.2 Data
Skribenterna samlade data från S&P 1500 som innehåller stora, mellanstora och små bolag.
Från dessa bolag samlade skribenterna in data baserat på fyra olika industriklassificeringar.
Alltså SIC, NAICS, FF och GICS. SIC står för Standard Industrial Classification och var före
2000-talet överlägset mest använda standarden. NAICS står för North American
Classification Standard. FF för Fama French och till slut GICS som står för Global Industry
Calssification Standard och var under början av 2000-talet den nya standarden.

För att en viss industrin skulle inkluderas i samplet måste den innehålla minst fem bolag.
Därför bestod skribenternas sampel av 54 industrier för SIC, 56 för NAICS, 40 för FF och 51
för GICS för åren mellan 1994–2001. För dessa bolag nerladdades data som
värderingsmultiplar, finansiella nyckeltal och konsensusestimat av omsättningstillväxt.
Skribenterna filtrerade också bort företag som inte hade positiv vinst före
engångsavskrivningar och företag utan vissa nyckeltal. Till slut exkluderades extremvärden.
Som en följd av dessa förfaranden hade skribenterna knappa 1500 observationer per år.

3.3.3 Metod
Skribenterna använde sig av en OLS enkel linjär regressionsmodell. Som beroende variabel
fungerade P/B, P/E och EV/Omsättning för alla enskilda bolag mellan 1994–2000. Därtill
gjordes regressionsmodeller för finansiella nyckeltal som beroende variabler. Dessa var
exempelvis totala tillgångar dividerat med omsättning, R&D eller långvarig
omsättningstillväxt. Enligt artikeln gjordes inga transformeringar av beroende variablerna.

Som oberoende variabel fungerade samma mått som för beroende variabeln men oberoende
variabeln räknades som årliga medelvärdet för industriernas P/B, P/E eller EV/Omsättning.
Skribenterna undersökte sedan R2 för regressionsmodellerna baserat på de fyra olika
industriklassificeringarna varefter de också gjorde ett t-test mellan GICS och de tre andra
industriklassificeringarna för att undersöka ifall medelvärdet på multiplarna var signifikant
olika.
 14

För att industriklassificeringarna avviker från varandra beträffande mängden olika industrier
så utförde skribenterna också en Monte Carlo analys för att jämföra standarderna där
mängden industrier och mängden bolag inom en viss industri matchade.

3.3.4 Resultat
För alla regressionsmodeller med värderingsmultiplarna som oberoende variabler så hade
GICS högsta R2-värdet. GICS förklarade 23 % av P/B, 37 % av EV/Sales och 15 % av P/E. För
P/B så förklarade ingen annan industriklassificeringsstandard över 20 %. För EV/Sales
förklarade andra modeller 32 %-34 % av variationen och för P/E 13 %-14 % av variationen.
Skribenterna drog alltså slutsatsen att EV multiplar är betydligt bättre för att förklara
skillnader i multiplar. Därtill var medelvärdet på GICS multiplarna signifikant olika (p <5 %)
än SIC och NAICS.

Kollat på de finansiella nyckeltalen så resulterade GICS i högsta R 2 för sju av åtta olika
beroende variabler. Största differensen mellan industriernas R2 observerades för R&D där
GICS förklarade 64 % av skillnaderna i R&D och de andra industriklassificeringsstandarderna
mellan 43 %-53 %.

Gällande Monte Carlo analysen visade sig resultatet att GICS förmåga att bättre förklara
skillnader i värderingsmultiplar samt olika finansiella nyckeltal inte var beroende av
slumpmässiga skillnader i mängden olika industrier eller mängden företag inom industrierna.
Detta resultat gav en ännu större trovärdighet till GICS.

Slutliga konklusionerna var att GICS är den bästa industriklassificeringsstandarden för nästan
alla undersökta variabler i studien. Skribenterna ansåg att GICS borde användas i framtiden i
forskningssammanhang.

3.4 Lie & Lie, 2002

3.4.1 Syfte
I artikeln Multiples Used to Estimate Corporate Value skriven av Lie & Lie undersökte de vilka
värderingsmultiplar resulterar i minsta prediktionsfel och ifall olika metoder över- eller
underskattar värderingsmultiplar.

3.4.2 Data
Finansiella data samlades in för året 1998 och samtidigt utnyttjades analytikers vinstestimat
för 1999. Samplet bestod av tvärsnittsdata på 8621 företag. För alla dessa företag samlades
data för tio olika multiplar varav sex var justerade på olika vis. Några exempel var
EV/EBITDA, EV/EBIT, EV/Sales och P/E där nämnaren refererade till samma år som EV eller
P. Därtill undersöktes också framåtblickande P/E där nämnaren refererade till följande års
EPS.
 15

Varje företag var också given en industriklassificering enligt SIC koder. Företag
kategoriserades för att kunna räkna ut en värderingsmultipel på basis av jämförbara företag
som sedan användes för analysera metodernas prediktionsfel. Industrierna baserade sig på
tresiffriga SIC koder som måste innehålla minst fem företag. Ifall detta villkor inte fylldes så
utnyttjade skribenterna tvåsiffriga SIC koder.

3.4.3 Metod
Metoden gick ut på att matcha varje företag till sin korresponderande SIC industri. På basis
av företagen inom industrin så kalkylerades medianmultipeln för alla 10 olika multiplar.
Industrimultipeln användes sedan för att multipliceras med korresponderande företagets
nämnare (EBIT, EBITDA, E osv.). Detta resultat divideras sedan med faktiska täljaren (EV, P
etcetera) av företaget. Kvoten var därefter transformerad till naturliga logaritmen.

3.4.4 Resultat
Resultatet visade att prediktionsfelet baserat på framåtblickade P/E var mindre än för P/E
med realiserad vinst. Värderingsmultiplar som hade justerats på olika vis resulterade i inga
betydliga skillnader gentemot icke-justerade. Det visade sig också att EV/EBITDA resulterade
i mindre prediktionsfel än EV/EBIT.

Skribenterna gjorde också samma undersökning för industrier där immateriella tillgångar
spelade en stor roll. En av dessa industrier var läkemedelsindustrin. Läkemedelsindustrin
tenderar ha höga R&D kostnader som enligt bokföringsregler påverkar företagsvinsten men
som möjligtvis inte anses som en negativ faktor för företagsvärdet. Skribenterna delade alltså
läkemedelsindustrin in i två kohorter. Den första bestod av företag där R&D:s procentuella
andel av omsättningen var under 10 % och den andra där R&D var över 10 %. Resultatet visade
att för sex värderingsmultiplar så underskattade skribenternas metod värderingsmultiplarna
för företagen med R&D över 10 %. Med andra ord verkade som att läkemedelsföretag med hög
R&D fokus tenderar ha högre värderingsmultiplar jämfört med företag med lägre R&D fokus.
Därtill verkade som att EV/EBITDA resulterade i högre estimeringsfel än EV/EBIT i
läkemedelsindustrin. Detta var inte fallet för andra industrier skribenterna undersökte.

3.5 Sammanfattning av tidigare forskning

Tabell 1 presenterar koncist informationen från tidigare studier. De två inledande studierna,
vilka hade fokus på amerikanska företag identifierade att framåtblickande tillväxt utövar en
positiv påverkan på värderingsmultiplar. Sambandet mellan risk och värderingsmultiplar
varierade beroende på den tillämpade metoden och det generella marknadsläget. Den tredje
studien riktade in sig på industriklassificeringar och framhöll att förklaringsgraden av OLS-
regressionen var som högst när Global Industry Classification Standard (GICS) användes.

Följaktligen rekommenderades GICS som en metod för framtida studier. Den sista studien
underströk vikten av framåtblickande värderingsmultiplar och påvisade ett positivt samband
mellan R&D-kostnader och högre värderingsmultiplar.
Tabell 1 Sammanfattning av tidigare studier
I tabell 1 presenteras syftet, data, metoden och resultatet för alla tidigare
studier.
Havander & Goich, 2019
Vad är sambandet mellan
Syfte
fundamentala faktorer och
EV/EBITDA?
Amerikansa bolag från S&P
Data
1500. Tvärsnittsdata på 965
företag.
Tre olika modeller. 1. Enkel
Metod
OLS, 2. Multipel linjär
regression, 3. Relativ multipel
linjär regression.
Enskilda förklarande variabler
hade varierande påverkan på
EV/EBITDA. Slutsatsen var att
tillväxt bidrar positivt till
EV/EBITDA. ROIC var
Resultat
generellt positivt bidragande
till EV/EBITDA. Men hade en
signifikant negativ påverkan
på läkemedelsindustrin.
WACC hade allmänt signfikant
positiv påverkan på
EV/EBITDA.
16
Beaver & Morse, 1978
Hur påverkar risk och tillväxt
P/E?
Amerikanska bolag från NYSE.
Årliga observationer mellan
1956 och 1975. År 1956
observerades 270 företag och
år 1975 600 företag.
Rangkorrelation och mulitpel
linjär regression.
Rangkorrelationen mellan P/E
och EPS tillväxt varierade ifall
man använde framåtblickande
tillväxt eller tillväxt för samma
år. Rankorrelationen var
negativ för samma års tillväxt
men positiv för
framåtblickande EPS tillväxt.
Sambandet mellan risk och
värderingsmultipel varierade
ifall marknaden var i en låg-
eller högkonjunktur. Multipel
linjär regressionens R2
varierade från 19 % till 78 %
men var signifikant för 13 av
15 år.
Bhojrar et al. 2003 Lie & Lie, 2002
Vilken industriklassificering Vilka värderingsmultiplar
kan bättre förklara skillnader i resulterar i minsta
EV/EBITDA? prediktionsfel?
Amerikanska bolag från S&P
1500.
Tvärsnittsdata från 1998.
Industriklassificeringarna
Observationerna var av 8621
inkluderade SIC, NAICS, FF
företag. För dessa företag
och GICS. Data bestod av ca.
samlades in 10 olika multiplar.
1500 observationer per år för
åren 1994-2001.
Medianmultipel för SIC
Enkel OLS och Monte Carlo. industrin användes för att
Beroende variabeln var multiplicera med företagens
företagets värderingsmultipel. EBIT, EBITDA etcetera. Detta
Förklarande variabeln var jämfördes sedan med
industrins medianmultipel. företagens faktiska EV, P
etcetera.
GICS förklarade mäst av
Framåtblickande P/E
variationerna i
resulterade i mindre
värderingsmultiplarna. Detta
prediktionsfel av P. Företag
gällde för P/B, EV/S, P/E och
med höga R&D kostnader
för 7 av 8 andra finansiella tal.
tenderade ha högre
Skribentens slutsats var att
värderingsmultiplar än vad
GICS är den bästa standarden
industrimedianen
då man undersöker
förutspådde.
värderingsmultiplar.
 17

4 Data
Denna del av avhandlingen redogör för datamaterialet för den empiriska undersökningen. Till
först beskrivs det vad samplet består av. Därefter diskuteras orsakerna till valet av faktorerna
och kriterierna hur de samlats in. Varefter det presenteras en deskriptiv tabell av hela samplet
och avgränsade samplet. Till slut presenteras en korrelationsmatris som bevisar att
multikollinearitet inte är ett betydligt problem i empiriska metoden.

4.1 Samplet som helhet

Datasamplet har samlats in från databasen Refinitiv. Data för samplet innehåller 181 unika
amerikanska bolag som faller inom GICS sjukvårdssektorn. På den amerikanska börsen finns
det ca. 1630 bolag som faller inom samma sektor men de flesta har exkluderats med att filtrera
för bolag som endast varit EBIT positiva för undersökta perioden. Att utesluta företag med
negativt EBIT är nödvändigt för att möjliggöra jämförelser baserade på EV/EBITDA. Utan
denna filtrering skulle EV/EBITDA vara negativa för flera observationer som skulle orsaka
problem i analysen. Orsaken för att avgränsa samplet till amerikanska bolag är att alla bolag
måste rapportera enligt GAAP bokföringsregler som leder till att värderingsmultiplarna
faktiskt är jämförbara (Plenborg & Pimentel, 2016). PWC har exempelvis estimerat att IFRS
16 ökar sjukvårdssektorns EV med 36 % (PWC, 2018). I samplet har det samlats in data för
alla bolag per kvartal under perioden 1.12.2018-1.9.2023. Med andra ord består samplet av
paneldata som är bättre än tvärsnittsdata då man kan öka frihetsgraderna med att samla in
data för olika tidsperioder (Hsiao, 1986). Därtill är det viktigt att notera att datamaterialet
baserar sig på analytikers estimat och således framåtblickande data som enligt tidigare
forskningar visats sig reflektera en bättre bild av prissättningen på börsen (Lie & Lie, 2002).
Därtill är det bättre att använda analytikers estimat för paneldata då estimaten uppdateras
minst på kvartalnivå. Statiska historiska data skulle inte kunna ta i beaktande förändringar i
framtidens utsikter för att förklara förändringen i framåtblickande EV/EBITDA.

De insamlade data inkluderar tolv månaders framåtblickande EV/EBITDA NTM (Next Tvelve
Months), tillväxt, avskrivningar, skatteprocenten, WACC, ROIC, industri, R&D och
immateriella tillgångar. I tidigare studier har det utförts analys av fundamentala faktorers
påverkan på värderingsmultiplar. Men eftersom avhandlingen fokuserar på sjukvårdssektorn
så har också industrispecifika faktorer som R&D och immateriella tillgångar inkluderats.

Hela datamaterialet består av 2661 observationer för 181 unika företag. En förteckning över
företagen som analyseras i avhandlingen återfinns i bilaga 5. Ur tabell 2 nedan framgår
observationernas fördelning per kvartal när hela samplet undersöks. Q4 för 2023 saknas då
datamaterialet alltid sökts för slutet av kvartalet. Exempelvis innebär Q3 att observationerna
är för den 1.september. Det kan noteras att observationernas mängd minskar när man går
bakåt i tiden. Under 2022 fanns det 603 unika observationer medan 2019 endast 499. Denna
 18

minskning kan förklaras med att unika bolag har sökts för 2023, medan de ännu inte har blivit
börsnoterade när man går bakåt i tiden. Viktigt att notera är att avgränsade samplet som
används i empiriska analysen avviker från Tabell 2 efter slutliga filtreringsmetoder
applicerats, vilka diskuteras under följande underrubrik.

Tabell 2 Fördelning av observationerna per år och kvartal

I tabell 2 presenteras antalet observationer i samplet per kvartal.

Kvartal 2023 2022 2021 2020 2019 Totalt

Q4 - 155 144 137 129 565
Q3 155 153 142 131 125 706
Q2 156 150 141 129 122 698
Q1 156 145 138 130 123 692
Totalt 467 603 565 527 499 2661

4.2 Beskrivning av faktorerna

Under denna underrubrik förklaras det vilka faktorer som tagits med i samplet och varför de
tagits med. Därtill förklaras ytterligare filtreringsmetoder, vilket resulterar i avgränsade
datamaterialet som används i metoden.

4.2.1 EV/EBITDA NTM

I samplet används EV/EBITDA NTM som står för företagets EV för undersökta tiden dividerat
med analytikernas estimat för följande tolv månaders EBITDA. EV kalkyleras som börsvärdet
+ skulden + preferensaktier – kassan. EBITDA står för företagets vinst före räntekostnader,
skatter och avskrivningar av materiella samt immateriella tillgångar (Refinitiv).

Det finns tre olika fördelar med att använda denna värderingsmultipel. För det först har det
visat sig att framåtblickande värderingsmultiplar tenderar ha homogenare resultat bland
industrier (Lie & Lie, 2002). Därtill brukar historiska multiplar oftare påverkas av
engångskostnader som är företagsspecifika (Plenborg & Pimentel, 2016). För det andra kan
skillnader i avskrivningsregler leda till att likadana företag resulterar i olika
värderingsmultiplar (Young & Zeng, 2015). Därför kan vi exkludera detta problem med att
använda EBITDA. För det tredje är P/E-multiplar förvrängda av kapitalstrukturen medan EV
 19

multiplar är kapitalstrukturneutrala. Således kan kapitalstrukturfaktorer exkluderas med att

använda EV-multiplar (Financial Edge, 2020).

I slutliga samplet har det gallrats bolag vars EV/EBITDA NTM inte faller inom intervallet
0<EV/EBITDA NTM <100.

4.2.2 Tillväxt
Analytikers estimat av omsättning har utnyttjats för att kalkylera tillväxt. Estimatet är
framåtblickande för perioden FY3 där talet för tillväxt är kalkylerat enligt följande formel.

3 𝑜𝑚𝑠ä𝑡𝑡𝑛𝑖𝑛𝑔 (𝐹𝑌3)
𝑇𝑖𝑙𝑙𝑣ä𝑥𝑡 = √ −1
𝑜𝑚𝑠ä𝑡𝑡𝑛𝑖𝑛𝑔 (𝐹𝑌0)

Ceteris paribus ifall tillväxten ökar så skall också EV/EBITDA stiga i en effektiv marknad.
Detta påstående kan visas enligt härleda formeln under rubriken 2.4. Databrist blir ett
problem ifall man undersöker perioder efter FY3 och därför har FY3 valts som en tillräckligt
lång framåtblickande period. Därtill har studier i andra undersökningar alltid använt tillväxt
som en faktor för att beskriva skillnader i värderingsmultiplar (Morgan Stanley, 2020).

I slutliga samplet har inga filtreringsmetoder använts. Tillväxten är alltså tillåten att vara
positiv eller negativ.

4.2.3 Avskrivningar
I samplet finns också data på företagens avskrivningar. För att beräkna detta har analytikers
framåtblickande estimat av EBITDA och EBIT utnyttjats för perioderna FY1, FY2 och FY3.
Avskrivningar för varje framåtblickande år har kalkylerats med att subtrahera EBIT från
EBITDA (uttryckt som DA) varefter differensen dividerats med EBITDA. Slutliga siffran för
avskrivningarna har kalkylerats enligt följande formel.

𝐷𝐴 (𝐹𝑌1) 𝐷𝐴 (𝐹𝑌2) 𝐷𝐴 (𝐹𝑌3)

+ +
𝐸𝐵𝐼𝑇𝐷𝐴 (𝐹𝑌1) 𝐸𝐵𝐼𝑇𝐷𝐴 (𝐹𝑌2) 𝐸𝐵𝐼𝑇𝐷𝐴 (𝐹𝑌3)
𝐴𝑣𝑠𝑘𝑟𝑖𝑣𝑛𝑖𝑛𝑔𝑎𝑟 =
3

Orsaken för att använda avskrivningar i samplet är att ceteris paribus så skall EV/EBITDA
sjunka ifall avskrivningarna stiger. Detta kan visas enligt härleda formeln under rubriken 2.4.
Intuitivt betyder högre avskrivningar att företaget kräver större underhållningsinvesteringar.
Detta leder till att investerare går miste om mera kassaflöde. Därför brukar också
kapitalintensiva företag handlas för lägre EV/EBITDA-multiplar (CFI, 2023c).

I slutliga samplet har det gallrats bolag vars avskrivningar inte faller inom intervallet
0<avskrivningar <1.
 20

4.2.4 Skatteprocent
Skatteprocenten har samlats in för varje bolag i samplet. För detta har analytikers estimat av
effektiva skatteprocenten använts för framåtblickande åren FY1, FY2 och FY3.
Skatteprocenten räknas med att dividera totala skatterna för året med vinsten före skatt.
Slutliga siffran för skatteprocenten har kalkylerats enligt följande formel.

𝑆𝑘𝑎𝑡𝑡𝑒𝑝𝑟𝑜𝑐𝑒𝑛𝑡 (𝐹𝑌1) + 𝑆𝑘𝑎𝑡𝑡𝑒𝑝𝑟𝑜𝑐𝑒𝑛𝑡 (𝐹𝑌2) + 𝑆𝑘𝑎𝑡𝑡𝑒𝑝𝑟𝑜𝑐𝑒𝑛𝑡 (𝐹𝑌3)

𝑆𝑘𝑎𝑡𝑡𝑒𝑝𝑟𝑜𝑐𝑒𝑛𝑡 =
3

Orsaken för att använda skatteprocenten i samplet är att ceteris paribus så skall EV/EBITDA
sjunka ifall skatteprocenten stiger. Detta kan visas enligt härleda formeln under rubriken 2.4.
Fastän alla bolag i samplet är från USA där bolagsskatten är 21 % så kan man ända observera
skillnader i skatteprocenten bland bolag (PWC, 2023). Företag i USA har möjligheten att
använda så kallade carryforwards som skapas från att man gjort förluster från tidigare år.
Dessa kan sedan användas för att minska på skatteprocenten. (Tax Foundation, 2019).
Ytterligare har sjukvårdsindustrin flera olika skatteincentiv i USA som direkt påverkar
skatteprocenten. En av dessa kallas Orphan Drug Credit där företag är givna skattefördelar
ifall de utvecklar läkemedel för sjukdomar som påverkar en minoritet av populationen
(Investopedia, 2021).

I slutliga samplet har det gallrats bolag vars skatteprocent inte faller inom intervallet
0<skatteprocent <1.

4.2.5 WACC
WACC reflekterar risken i bolagen. För detta så har senaste fem års månatliga aktiebeta
använts för att estimera kostnaden för eget kapital (E). Kostnaden för skuld (D) och
preferensaktier (P) har samlats från senaste årsredovisning från Refinitiv. Slutliga
siffran för WACC har kalkylerats enligt följande formel där t står för skatteprocenten.

𝑘𝑜𝑠𝑡𝑛𝑎𝑑𝑒𝑛 𝑓ö𝑟 𝐸 ∗ 𝐸 𝑘𝑜𝑠𝑡𝑛𝑎𝑑𝑒𝑛 𝑓ö𝑟 𝑃 ∗ 𝑃 𝑘𝑜𝑠𝑡𝑛𝑎𝑑𝑒𝑛 𝑓ö𝑟 𝐷 ∗ 𝐷

𝑊𝐴𝐶𝐶 = + + ∗ (1 − 𝑡)
𝐸+𝐷+𝑃 𝐸+𝐷+𝑃 𝐸+𝐷+𝑃

Orsaken för att använda WACC i samplet är att ceteris paribus så skall EV/EBITDA sjunka
ifall WACC stiger. Detta kan visas enligt härleda formeln under rubriken 2.4. I tidigare studier
har också olika mått av risk såsom netto skuldsättning av EBITDA använts (Harbula, 2009).
Dock så har Modigliani och Miller bevisat att i teorin så borde inte kapitalstrukturen påverka
företagsvärdet (Investopedia, 2022b). Således är WACC en bättre reflektion av risk då
EV/EBITDA är denna kandidatavhandlings beroende variabel och för att WACC är den
korrekta diskonteringsräntan för att värdera företagsvärdet (EV) (Myers, 2001).

I slutliga samplet har det gallrats bolag vars WACC inte faller inom intervallet 0<WACC <1.
 21

4.2.6 ROIC
ROIC som står för Return On Invested Capital är en fundamental värdedrivare av
EV/EBITDA. För detta lönsamhetsmått så har analytikers estimat av ROIC använts för
framåtblickande åren FY1, FY2 och FY3. Refinitivs definition av ROIC är EBIT efter skatt
(NOPAT) dividerat med investerade kapitalet. Investerade kapitalet är definierat som eget
kapital, skuld och preferensaktier. Det kan noteras att nämnaren i både WACC och ROIC
matchar som leder till en enklare jämförelse av dessa faktorer. Slutliga siffran för ROIC har
kalkylerats enligt följande formel.

𝑅𝑂𝐼𝐶 (𝐹𝑌1) + 𝑅𝑂𝐼𝐶(𝐹𝑌2) + 𝑅𝑂𝐼𝐶(𝐹𝑌3)

𝑅𝑂𝐼𝐶 =
3

Orsaken för att använda ROIC i samplet är att ceteris paribus så skall EV/EBITDA stiga ifall
ROIC stiger. Detta kan visas enligt härleda formeln under rubriken 2.4. Varför ROIC är
väsentligt för värdeskapande och följaktligen EV/EBITDA är att ROIC mäter hur mycket vinst
företaget genererar relativt till hur mycket som investerat för att generera vinsten. ROIC
hänger också ihop med WACC för att företagens investeringsbeslut görs på basis av dessa två
faktorer. Ifall ROIC och WACC är exempelvis 7% så kommer en 100 € investering leda till ett
positivt kassaflöde av 100 €, NPV är alltså 0 € och det finns inte en orsak att investera. Ifall
ROIC överträffar WACC så är företagets investeringsbeslut värdeskapande, NPV positivt.
(Morgan Stanley, 2023). I teorin kunde det vara mera ackurat att inkludera exempelvis
differensen mellan ROIC och WACC men för att kunna analysera faktorerna skilt så görs inte
detta.

I slutliga samplet har det gallrats bolag vars ROIC inte faller inom intervallet -1<ROIC <1.

4.2.7 Industri
Industriklassificeringen i samplet baserar sig på GICS (Global Industry Classification
Standard). Alla bolag i samplet faller inom sjukvårdssektorn (Health Care Sector) och är
därefter indelad i sex olika industrier inom sektorn. Dessa är följande enligt deras officiella
namn: Health Care Equipment & Supplies, Health Care Providers & Services, Biotechnology,
Life Sciences Tools & Services, Pharmaceuticals och Health Care Technology. Industrierna har
givits en dummy variabel i samplet.

Orsaken för att inkludera data om industri är följande. Tidigare forskning har visat att
industrin kan förklara runt 30 % av skillnaderna i värderingsmultiplar (Bhojrar, Lee & Oler,
2003). Därtill är det vanligt att investerare och analytiker väljer jämförbara företag från
samma industri som leder till att industrifaktorn är relevant för relativvärdering (CFI, 2023d).
 22

Varför GICS valts som industriklassificeringsstandard är följande. Företaget MSCI som

administrerar GICS har skapat industriklassificeringen speciellt för investerare. GICS har
exempelvis skapats för att specifikt jämföra industrier med varandra (MSCI, 2023). Därtill har
det visats att GICS är en bättre industriklassificeringsstandard än SIC, NAICS eller FF
(Bhojrar, Lee & Oler, 2003). Dessutom talar en av världens största förvaltningsbolag Fidelity
om hur GICS är mera flexibel, universal och noggrann än SIC (Fidelity, 2016).

4.2.8 R&D
R&D är en avvikande komponent i samplet för att matematiskt har det inte härletts en formel
som skulle visa ett direkt samband mellan EV/EBITDA och R&D. R&D (Research &
Development) står för forskning och utveckling som kan definieras som kreativt och
systematiskt arbete för att ackumulera kunskap om samhället och människan (OECD, 2015).
Slutliga siffran för R&D har kalkylerats som en procentuell del av omsättningen enligt följande
formel.

𝑅&𝐷 (𝐹𝑌1) 𝑅&𝐷 (𝐹𝑌2) 𝑅&𝐷 (𝐹𝑌3)

+ +
𝑂𝑚𝑠ä𝑡𝑡𝑛𝑖𝑛𝑔(𝐹𝑌1) 𝑂𝑚𝑠ä𝑡𝑡𝑛𝑖𝑛𝑔 (𝐹𝑌2) 𝑂𝑚𝑠ä𝑡𝑡𝑛𝑖𝑛𝑔 (𝐹𝑌3)
𝑅&𝐷 =
3

Den största orsaken för att inkludera R&D är för att sjukvårdssektorn är väldigt beroende av
kontinuerlig utveckling och forskning av nya mediciner och maskiner. På global nivå har
McKinsey beräknat att läkemedelsindustrin spenderar upp till 50% av sin EBITDA på R&D
(McKinsey, 2020b). I USA gäller GAAP-bokföringsstandarder som kräver sjukvårdssektorn
att dra av R&D kostnader från resultaträkning. Men R&D kostnader kan tolkas som
investeringar fastän de inte gör det enligt bokföringsregler. Orsaken varför R&D kostnader
ändå inte kapitaliseras är för att det skulle kräva svåra estimeringar av immateriella tillgångars
avdragningar. (CFI, 2022). Därtill har det empiriskt visats att bioteknologiföretag som
fokuserar på R&D oftast uppfinner mera värdeskapande lösningar på problem (Hall, Bagchi-
Sen, 2002)

I slutliga samplet har det gallrats bolag vars R&D inte faller inom intervallet 0<R&D <1.

4.2.9 Immateriella tillgångar

Immateriella tillgångar är också en avvikande komponent från de typiska fundamentala
värdedrivarna som diskuterades under rubriken 2.6. Immateriella tillgångar definieras som
tillgångar som inte är fysiska. Dessa kan vara värdet av en logotyp eller exempelvis ett patent
(Investopedia, 2023a). I slutliga samplet har immateriella tillgångarna kalkylerats som en
procent av totala tillgångar för det senaste rapporterade kvartalet. Detta reflekterar ett mått
på hur viktiga immateriella tillgångarna är för företaget.
 23

För att förstå immateriella tillgångars relation till sjukvärdsindustrin så kan man kolla på
företagens bokslut. För Johnson & Johnson så bestod deras immateriella tillgångar av
följande: patenter & varumärkern, kundrelationer, andra varumärken och läkemedel som är i
utvecklingsfasen (Johnson & Johnson, 2022). Det har också gjorts empiriska studier mellan
patenter och företagsvärdet där det visat sig att patenter har en positiv och signifikant
påverkan på företagsvärdet (Bloom & Reenen, 2002).

I slutliga samplet har det gallrats bolag vars immateriella tillgångar av totala tillgångar inte
faller inom intervallet 0<immateriella tillgångar <1.

4.3 Deskriptiv statistik

I Tabell 3 rapporteras den deskriptiva statistiken för variablerna på hela samplet. Tabellen
innehåller 2661 observationer och presenterar medianer, medelvärden, minimum- och
maximumvärden samt standardavvikelser för hela samplet för perioden 1.12.2018 - 1.9.2023.
I tabellen förkortas EV/EBITDA NTM som EVEBITDA, tillväxt som G, avskrivningarna som
D, skatteprocenten som T, R&D som RD och immateriella tillgångarna som IT. EV storleken
presenteras också i samplet.

Det kan observeras att EVEBITDA har en stor skillnad mellan maximum och minimumvärdet.
Dock så ligger medianen på 13,9x som är en bättre representation av samplet. EVEBITDA har
en tendens att påverkas av skevhet och därför har också EVEBITDA transformerats till
naturliga logaritmen i empiriska metoden. G har en median av 7,3 % tillväxt per år men
standardavvikelsen är stor på 13,1 %. För D:s minimumvärde kan också observeras negativa
tal som orsakas av negativt EBITDA under perioden. Negativa D gallras ändå bort med att
exkludera företag med negativt EBITDA. WACC:s median och medeltal är relativt nära
varandra som indikerar att skevheten är väldigt liten. Negativt WACC är också ett orealistiskt
värde som gallras bort i avgränsade samplet. ROIC har en median på 12,9 % men
standardavvikelsen är väldigt hög som påverkas av extremvärden i samplet.
 24

Tabell 3 Deskriptiv statistik för hela samplet, n = 2661

Tabell 3 visar medianen, medeltalet, minimumvärdet (min), maximumvärdet (max) samt

standardavvikelserna för de olika variablerna för hela samplet.

Median Medeltal Min Max St.dev.

EVEBITDA 13,9x 18,7x 1,8x 1041,2x 27,x
G 7,3 % 9,3 % -26,0 % 346,0 % 13,1 %
D 0,15 0,19 -7,97 22,96 0,54
T 21,3 % 20,8 % -12,7 % 103,4 % 6,3 %
WACC 7,0 % 7,2 % -1,7 % 20,0 % 2,2 %
ROIC 12,9 % 17,7 % -34,6 % 416,5 % 24,3 %
RD 5,6 % 7,1 % 0,0 % 66,7 % 8,3 %
IT 0,13 0,16 0,00 0,76 0,13
EV Storlek, miljarder USD 9,16 37,63 0,04 538,21 72,86

RD:s median observeras vara 5,6 % men minimum värdet är 0%. Orsaken till att vissa bolag
inte har RD är för att industrin Health Care Providers & Services inte rapporterar detta. Detta
kan observeras i tabell 5. Immateriella tillgångar består i medeltal för 16% av totala
tillgångarna. Gällande EV så kan också tydlig skevhet observeras på basis av medeltalets och
medianens stora differens.

För att undersöka huruvida det finns skillnader i hela samplet och avgränsade samplet så
presenteras det avgränsade samplets deskriptiva statistik i tabell 4.

Tabell 4 Deskriptiv statistik för avgränsade samplet, n = 2510

Tabell 4 visar medianen, medeltalet, minimumvärdet (min), maximumvärdet (max) samt

standardavvikelserna (st.dev) för de olika variablerna för hela samplet. Avgränsningsmetoderna
kan läsas om under rubriken 4.2.

Median Medeltal Min Max St.dev.

EVEBITDA 13,7x 16,9x 1,8x 99,7x 12,1x
G 7,1 % 8,7 % -24,1 % 137,7 % 8,8 %
D 0,16 0,19 0,00 1,00 0,14
T 21,4 % 20,9 % 0,6 % 71,1 % 5,8 %
WACC 7,0 % 7,2 % 0,1 % 20,0 % 2,2 %
ROIC 12,8 % 15,8 % -34,6 % 99,2 % 13,1 %
RD 5,4 % 6,8 % 0,0 % 66,7 % 7,9 %
IT 0,13 0,16 0,00 0,76 0,12
EV Storlek, miljarder USD 9,89 39,15 0,04 538,21 74,58

Antalet observationer minskar från 2661 till 2510 efter att alla filtreringsmetoder applicerats.
Medianen för EVEBITDA hålls relativt konstant men medeltalet faller från 18,7x till 16,9x efter
 25

att man exkluderat företag med högre EVEBITDA än 100x. Det förekommer dock ännu
skevhetsproblem som senare löses med naturliga logaritmen. Standardavvikelsen för G sjönk
från 13,1% till 8,8 % i det avgränsade samplet. Det sker en betydlig förändring i D då negativa
EBITDA uteslutes. Median och medelvärdet för D är stabilt men standardavvikelsen sjunker
från 0,54 till 0,14. T är nästan oförändrad efter filterringsmetoderna. Från WACC kan man
notera att minimumvärdet är 0,1 % som inte längre är negativt. ROIC är den sista faktorn som
faktiskt sett en förändring från hela samplet. ROIC:s standardavvikelse sjönk från 24,3 % till
13,1 % efter att man avgränsat bolag som inte faller inom 0<ROIC <1. Medianen av EV-
storleken steg från 9,16 till 9,89 som indikerar att avgränsade samplet har exkluderat vissa
småbolag med extremvärden i alla dessa ovannämnda faktorer.

Till slut diskuteras faktorernas skillnad mellan industrierna i sjukvårdssektorn samt

korrelationerna mellan faktorerna. Högsta medianen för EVEBITDA kan observeras för Life
Sciences Tools & Services där den är 18,9x. Samtidigt kan också noteras att tillväxten för denna
industri är hög som delvis förklarar den högre multipeln. Lägsta tillväxten kan observeras för
Biotechnology där den är 5,4 %. Health Care Technology präglas av högsta avskrivningarna
som kan förklaras med industrins högre investeringsbehov (MSCI, 2023). T är väldigt
liknande bland industrierna förutom Biotechnology som har en tendens att gynnas av
skattefördelar (BiopharmaDive, 2019). WACC är i genomsnitt mellan 6 %-8 % för alla
industrier. ROIC är högst för Biotechnology och lägst för Health Care Technology. RD
förekommer inte i Health Care Providers & Services men är hög för industrier som kräver
kontinuerlig utveckling som de tre sista industrierna i tabell 5. IT är högst för Pharmaceuticals
som kan förklaras med att patenter är viktiga för industrin. Största bolagen observeras inom
Biotechnology och minsta inom Health Care Technology.

Tabell 5 Deskriptiv statistik för avgränsade samplet per industri, n = 2510

Tabell 5 visar medianen av alla faktorer i samplet per industri i sjukvårdssektorn.

n EVEBITDA G D T WACC ROIC RD IT EV

Totalt 2510 13,7x 7,1 % 0,16 21,4 % 7,0 % 12,8 % 5,4 % 0,13 9,89
Health Care Equipment & Supplies 752 16,7x 7,4 % 0,18 19,9 % 7,5 % 11,0 % 6,4 % 0,16 7,86
Health Care Providers & Services 671 9,9x 6,2 % 0,19 24,9 % 6,7 % 11,3 % 0,0 % 0,08 6,90
Life Sciences Tools & Services 412 18,9x 7,6 % 0,12 20,3 % 7,8 % 16,1 % 5,7 % 0,13 13,70
Pharmaceuticals 362 10,2x 7,0 % 0,13 20,0 % 6,3 % 16,3 % 9,1 % 0,23 10,04
Biotechnology 162 10,6x 5,4 % 0,10 16,8 % 6,0 % 18,4 % 19,5 % 0,13 48,87
Health Care Technology 151 18,1x 10,2 % 0,24 23,1 % 7,9 % 7,9 % 12,6 % 0,16 2,38
 26

I graf 1 illustreras hur mycket EV/EBITDA varierar inom industrierna och bland industrierna.
Variationen är störst inom Health Care Technology men minst inom Health Care Equipment
& Supplies. Orsakerna till dessa skillnader är vad som denna avhandling är ute efter att
förklara.

Figur 1 Första och tredje kvartilen av EV/EBITDA, n = 2510

Grafen visar första, tredje kvartilen samt medianen för EV/EBITDA per industri.

Tabell 6 redogörs för korrelationerna mellan faktorerna i samplet. Korrelationen kan anta
värden inom intervallet -1 – 1. Om korrelationen är 1 eller -1 så finns det ett tydligt samband
mellan faktorerna. Den högsta positiva korrelationen kan observeras för ROIC och RD där den
är 0,17. Den högsta negativa korrelationen kan observeras för ROIC och D där den är -0,35.
Allmänt ser korrelationen små ut som antyder att multikollinearitetsproblem inte finns
(Vatcheva et al., 2016).

Tabell 6 Korrelationerna mellan faktorerna i avgränsade samplet, n = 2510

Tabell 6 visar korrelationerna mellan faktorerna i det avgränsade samplet

Korrelation G D T WACC ROIC RD IT

G 1,00
D 0,03 1,00
T -0,08 0,13 1,00
WACC 0,13 0,01 0,05 1,00
ROIC 0,00 -0,35 -0,19 -0,03 1,00
RD 0,04 -0,11 -0,27 -0,05 0,17 1,00
IT -0,01 -0,05 -0,19 -0,09 -0,19 0,05 1,00
 27

5 Metod
Detta kapitel av avhandlingen fokuserar på den empiriska delen och redogör för metoden som
tillämpas. Kapitlet inleds med att förklara varför en multipel linjär regression är passande.
Därefter presenteras tre multipla linjära regressioner som är avhandlingens modeller samt
diskuteras det varför de vals. Därefter presenterats hypoteser samt förväntade förtecken för
förklarande variablerna.

5.1 Multipel linjär regressionsmodell

En multipel linjär regression är en modell som försöker förklara relationen mellan beroende
variabeln och två eller flera oberoende variabler. Exempelvis i en OLS multipel linjär
regression räknas konstanterna för varje oberoende variabel med att minimera summan av
kvadrerade residualerna. En generell multipel linjär regression presenteras i följande
ekvation. (Yale University, n.d.).

𝑦𝑖 = 𝛽0 + 𝛽1 𝑥𝑖1 + 𝛽2 𝑥𝑖2 + ⋯ 𝛽𝑝 𝑥𝑖𝑝 + 𝜀𝑖

För att denna avhandling försöker förklara skillnaderna i EV/EBITDA-multiplar beroende på

flera än två oberoende variabler så är det naturligt att välja en multipel linjär regression.
Dessutom när det är av intresse att analysera huruvida de förklarande variablerna påverkar
negativt eller positivt på EV/EBITDA så finns det en motiverad orsak att använda en multipel
linjär regression. Med att använda multipel linjär regressionen så får man också ett mått på
hur mycket modellen kan förklara av EV/EBITDA variationerna, alltså R2. R2 kan sedan ge en
indikation ifall det finns andra icke-observerade variabler som förklara skillnaden i
EV/EBITDA (Investopedia, 2023b). Därtill har tidigare studier som Havander & Goich, 2019,
Beaver & Morse, 1978 och Ali 2014 där de forskat om förklarande variabler för
värderingsmultiplar också använt sig av multipla linjära regressionsmodeller (Ali, 2014).
Utöver nämnda studier så föreslår en av världens mest respekterade finansprofessorer att man
kan använda sig av en multipel linjär regressionsmodell för att undersöka förhållandet till
värderingsmultiplar (Damodaran, 2006).

Det finns också olika varianter av multipla linjära regressionsmodeller. Den vanligaste är
Ordinary Least Squares (OLS). Alternativt finns Weighted Least Squares (WLS), som kan
utgöra ett fördelaktigt val av regressionsmodell vid variationer i samplets kvalitet. Exempelvis
med heteroskedasticitetsproblem i datamaterialet så kan WLS vara ett bättre val. Professor
Damodaran som utfört en multipel linjär regression mellan P/E och tre oberoende variabler
viktade observationerna i samplet enligt deras börsvärdet (Damodaran, n.d. a). Intuitivt
kunde man tänka sig att större bolag har flera aktieanalytiker och följaktligen noggrannare
estimat. Emellertid tycks det inte finnas signifikant bevis för att ett ökat antal analytiker leder
till förbättrade estimat (Doukas et al., 2005). OLS är BLUE (Best Linear Unbiased Estimator)
 28

alltså väntevärdesriktig och är således ändamålsenlig och valet av regressionsvariant i denna

avhandling (Allison, 2022).

5.2 Avhandlingens modell

Tre varianter av multipla linjära regressionsmodeller baserade på Ordinary Least Squares
(OLS) används för att undersöka relationen mellan EV/EBITDA-multiplar och förklarande
variabler. Alla tre modeller inkluderar de förklarande variablerna G till IT från tabell 7. I den
första modellen inkluderas endast variablerna från G till IT i tabell 7. I den andra modellen
tilläggs 5 olika industridummyn som extra oberoende variabler. I den tredje modellen tilläggs
N-1 företagsspecifika dummyn (N står för mängden unika bolag).

Anledningen till att tre olika regressionsmodeller tillämpas är att undersöka eventuella
variationer i signifikans och förtecken mellan dem. Modell två och tre kan klassificeras som
Least Squares Dummy Variable (LSDV-modeller), vilka tillför dummyvariabler för att beakta
effekter som är konstanta över tid (Das, 2019). Orsaken till att välja en fasteffektsmodell är att
vissa industrier eller företag potentiellt har högre tillväxt i långa loppet vilket kunde berättiga
konstant högre värderingsmultiplar än andra industrier.

I den andra modellen så har HCPS industrin valts att inte explicit uttryckas i modellen. Detta
grundar sig på att tabell 5 visar att EVEBITDA är lägst för denna industri, vilket antyder att
alla fem industridummyn sannolikt skulle vara positiva i resultatet. Förkortningarna för
variablerna upprepas i tabell 7.
 29

Tabell 7 Förkortningar av faktorerna i samplet

Tabell 7 redogör för förkortningarna av olika namnen i samplet där EVEBITDA är modellens
beroende variabel. De fundamentala faktorerna är: G, D, T, WACC och ROIC. Sjukvårdsspecifika
faktorerna är: RD och IT. De resterande är industriklassificeringar.

Förkortning Namn
EVEBITDA EV/EBITDA NTM
G Tillväxt
D Avskrivningar
Fundamentala
faktorer

T Skatteprocent
WACC WACC
ROIC ROIC
RD R&D
cifika faktorer
Sjukvårdsspe-

IT Immateriella tillgångar

HCES Health Care Equipment & Supplies

HCPS Health Care Providers & Services
Industriklassificering

LSTS Life Sciences Tools & Services

PH Pharmaceuticals
BIO Biotechnology
HCT Health Care Technology

I följande ekvationerna så uttrycks de specifika modellerna.

Modell 1

ln(𝐸𝑉𝐸𝐵𝐼𝑇𝐷𝐴𝑖𝑡 ) = 𝛽0 + 𝛽1 𝐺𝑖𝑡 + 𝛽2 𝐷𝑖𝑡 + 𝛽3 𝑇𝑖𝑡 + 𝛽4 𝑊𝐴𝐶𝐶𝑖𝑡 +

𝛽5 𝑅𝑂𝐼𝐶𝑖𝑡 + 𝛽6 𝑅𝐷𝑖𝑡 + 𝛽7 𝐼𝑇𝑖𝑡 + 𝜀𝑖𝑡

Modell 2

ln(𝐸𝑉𝐸𝐵𝐼𝑇𝐷𝐴𝑖𝑡 ) = 𝛽0 + 𝛽1 𝐺𝑖𝑡 + 𝛽2 𝐷𝑖𝑡 + 𝛽3 𝑇𝑖𝑡 + 𝛽4 𝑊𝐴𝐶𝐶𝑖𝑡 +

𝛽5 𝑅𝑂𝐼𝐶𝑖𝑡 + 𝛽6 𝑅𝐷𝑖𝑡 + 𝛽7 𝐼𝑇𝑖𝑡 + 𝛽8 𝐻𝐶𝐸𝑆𝑖 + 𝛽9 𝐿𝑆𝑇𝑆𝑖 + 𝛽10 𝑃𝐻𝑖 + 𝛽11 𝐵𝐼𝑂𝑖 + 𝛽12 𝐻𝐶𝑇𝑖 + 𝜀𝑖𝑡

Modell 3

ln(𝐸𝑉𝐸𝐵𝐼𝑇𝐷𝐴𝑖𝑡 ) = 𝛽0 + 𝛽1 𝐺𝑖𝑡 + 𝛽2 𝐷𝑖𝑡 + 𝛽3 𝑇𝑖𝑡 + 𝛽4 𝑊𝐴𝐶𝐶𝑖𝑡 +

𝛽5 𝑅𝑂𝐼𝐶𝑖𝑡 + 𝛽6 𝑅𝐷𝑖𝑡 + 𝛽7 𝐼𝑇𝑖𝑡 +
𝛽9 𝑓ö𝑟𝑒𝑡𝑎𝑔𝑠𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑘𝑑𝑢𝑚𝑚𝑦𝑖 … + 𝛽𝑁−1+9 𝑓ö𝑟𝑒𝑡𝑎𝑔𝑠𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑘𝑑𝑢𝑚𝑚𝑦𝑖 + 𝜀𝑖𝑡
 30

5.3 Hypoteser och förväntade förtecken

Generellt förväntas det att resultatet av modellerna kommer vara i linje med tidigare forskning
som diskuterades under rubrik 3. Det finns ekvationer med vissa antaganden som visar att
fundamentala faktorer som G, D, T, WACC och ROIC skall direkt påverka på EV/EBITDA-
multipeln. Å andra sidan har sjukvårdssektorspecifika variabler RD och IT inte undersökts i
lika stor utsträckning som de fundamentala faktorerna.

Första hypotesen är att multipla linjära regressionsmodellerna som helhet baserat på ett F-
test skall vara signifikant på en 5 % signifikansnivå. Andra hypotesen är att alla förklarande
variabler skall vara signifikanta på en 5 % signifikansnivå och vara enligt förväntade förtecknet
som presenteras i tabell 8. Industridummyn förväntas endast vara signifikanta.

Hypotes 1: modellerna som helhet förväntas förklara variationen i beroende variabeln.

Hypotes 2: var och en förklarande variabel i regressionsmodellerna förväntas ha en påverkan

på beroende variabeln enligt förtecknet i tabell 8 på en 5 % signifikansnivå, ceteris paribus.

Tabell 8 Förväntade förtecken för de förklarande variablerna

Tabell 8 redogör för förväntade förtecknen för de förklarande variablerna.

Förklarande variabel Förväntade förtecken

G +
D -
T -
WACC -
ROIC +
RD +
IT +

För att förklara följande förklarande variablers förväntade förtecken som G, D, T, WACC och
ROIC så kan man derivera ekvationen under rubriken 2.6. Derivatan för ekvationen är
exempelvis positiv då man deriverar avseende på G givet att andra förklarande variablerna
hålls inom vissa intervall. RD förväntas påverka positivt på beroende variabeln för att tidigare
forskning visat att RD tolkas mera som en investering i marknadens ögon (Lie & Lie, 2002).
IT förväntas påverka positivt för att det indikerar att bolagen äger patenterade
läkemedel/maskiner och således också gynnas av en konkurrensfördel (World Intellectual
Property Organization, n.d.). Industridummyn förväntas endast vara signifikanta.
 31

6 Resultat
Detta kapitel presenterar resultaten för regressionerna. I efterhand har också fixerade
tidseffekter inkluderats i modellerna för att undersöka ifall de förbättrats. Först diskuteras
resonemanget varför tidseffekterna har inkluderats. Därefter presenteras resultatet för modell
1. Sedan förevisas resultatet från modell 2 med fixerade GICS-effekter. Till tredje presenteras
resultatet för modell 3 med fixerade företagseffekter. Modellerna med och utan tidseffekter
jämförs med varandra med hjälp av F-test. Ytterligare diskuteras huruvida nollhypoteserna
förkastas och ifall förväntade förtecknen stämmer med hypoteserna. Till slut genomförs
resultatdiagnostik och det diskuteras varför resultaten kunde vara mindre pålitliga än vad de
visar sig vara.

6.1 Tidseffekter
Inkludering av tidseffekter i modellerna har fördröjts avsiktligt för att undvika
publikationsbias. Efter noggrann observation av resultaten insåg jag att inkludering av
tidseffekter resulterade i signifikant bättre resultat. Empiriska studier har en benägenhet att
påverkas av publikationsbias där endast de signifikantaste resultaten publiceras. Genom att
genomföra modellerna både med och utan tidseffekter strävar jag att eliminera detta
inflytande (Anaesth, 2019).

Att inkludera tidseffekter innebär att tillägga T-1 dummyvariabler för T tidsdimensioner.
Resonemanget för att inkludera tidseffekter är att det kan finnas perioder med
makroekonomiska faktorer som påverkar marknaden i helhet. Marknadens positiva sentiment
är exempelvis något som möjligtvis kunde driva upp aktiepriserna och indirekt
värderingsmultiplarna (Brown & Cliff, 2005).

6.2 Resultat från första modellen

I tabell 9 presenteras första regressionsmodellen. Regression (1) är den enklaste modellen. I
regression (2) har det tillagts fixerade tidseffekter. Regression (2) presenteras i fjärde och
femte kolumnen för att modellen är signifikant bättre än (1) baserat på F-test (***: 0,01 %-
nivån). Tredje kolumnen exemplifierar hurdan procentuell påverkan förklarande variabeln
har på icke-logaritmiskt transformerade EV/EBITDA-multipeln. Resultatet från första
modellen är som helhet signifikant på 2,2E-16 nivå. Därtill förklarar modellen 25 % av
variationerna i värderingsmultiplarna. De flesta förklarande variablerna är signifikanta på en
0,01 % nivå.

Enligt modellen har totala avskrivningarna (D) en signifikant negativ påverkan på

värderingsmultipeln. Tredje kolumnen tolkas då som att ifall D stiger med en enhet så skulle
värderingsmultipeln på 10,0x sjunka med 17,3 % till 8,27x. Negativa påverkan var i enlighet
 32

med teorin och förtecknet. Tillväxten (G) hade en signifikant samt positiv påverkan på
värderingsmultipeln. Immateriella tillgångarna (IT) hade en signifikant negativ påverkan på
värderingsmultipeln. IT var inte enligt förväntade förtecknet.

Tabell 9 Resultat från första regressionsmodellen

Tabell 9 presenterar en sammanfattning av resultaten från första modellen. Värdet på t-

statistikan anges inom parentes. Signifikansnivåerna noteras enligt följande: ^ signifikant på 5
%-nivån, * signifikant på 1 %-nivån, ** signifikant på 0,1 %-nivån, *** signifikant på 0,01 %-
nivån. Fjärde kolumnen indikerar procentuella påverkan förklarande variabeln har på icke-
logaritmerade EV/EBITDA-multipeln. Femte kolumnen visar förväntade förtecknet och blåa
färgen indikerar att parametrarnas förtecken matchar med förväntade förtecknet.

Hela modellen och

Förklarande variabel (1) (2) EXP(Bn)-1 förväntade förtecken
Intercept 2,580*** 2,440*** R2 = 25 %
(41,03) (30,999) F-statistika = 31,3
P-värde < 2,2E-16
D -0,214** -0,198** -17,3 % -
(-2,868) (-2,682)
G 1,828*** 1,749*** 474,9 % +
(16,677) (15,916)
IT -0,968*** -0,943*** -60,9 % +
(-11,868) (-11,679)
RD 1,242*** 1,307*** 269,5 % +
(9,799) (10,411)
ROIC 0,056 0,077 8,0 % +
(0,686) (0,958)
T -0,916*** -0,861*** -57,7 % -
(-5,183) (-4,914)
WACC 2,987*** 4,183*** 6456,2 % -
(6,706) (8,995)
Tidseffekter Nej Ja Ja Ja

Forskning och utveckling (RD) hade en signifikant och positiv påverkan på

värderingsmultipeln. Detta stämde överens med förväntade förtecknet. Lönsamheten (ROIC)
var den enda icke-signifikanta förklarande variabeln. Skatteprocenten (T) hade en negativ
samt signifikant påverkan på värderingsmultipeln. Slutligen hade WACC ett signifikant
positivt förtecken på 4,183. WACC var signifikant men gick emot förväntande förtecknet.
Inkluderingen av tidseffekterna hade en marginell påverkan på förklarande variablerna
bortsett från WACC vars magnitud steg.
 33

6.3 Resultat från andra modellen

I tabell 10 presenteras andra regressionsmodellen. I regressions (1) har det tillagts
industridummyn. I regression (2) har det tillagts industridummyn samt fixerade tidseffekter.
Regression (2) presenteras i fjärde och femte kolumnen för att modellen är signifikant bättre
än (1) baserat på F-test (***: 0,01 %-nivån). Modellens R2 var 48 % som är en förbättring från
första modellens förklaringsgrad. Modellen var också signifikant på en 2,2E-16 nivå.
Avskrivningarna (D) var mera negativa i modell (1) och (2) än modellen i tabell 9 samtidigt
som de var signifikanta. Tillväxt (G) var signifikant positiv, vilket var enligt förväntade
förtecknet och samtidigt likt modellen i tabell 9. Därtill visade sig G ha största magnituden
jämfört med de andra variablerna. Exempelvis estimerar modellen att EV/EBITDA borde stiga
med 480,7 % ifall tillväxten ökar med 100 procentenheter.

Tabell 10 Resultat från andra regressionsmodellen

Tabell 10 presenterar en sammanfattning av resultaten från andra modellen. Värdet på t-

statistikan anges inom parentes. Signifikansnivåerna noteras enligt följande: ^ signifikant på 5
%-nivån, * signifikant på 1 %-nivån, ** signifikant på 0,1 %-nivån, *** signifikant på 0,01 %-
nivån. Fjärde kolumnen indikerar procentuella påverkan förklarande variabeln har på icke-
logaritmerade EV/EBITDA-multipeln. Femte kolumnen visar förväntade förtecknet och blåa
färgen indikerar att parametrarnas förtecken matchar med förväntade förtecknet.

Hela modellen och

Förklarande variabel (1) (2) EXP(Bn)-1 förväntade förtecken
Intercept, HCPS 2,433*** 2,338*** R2 = 48 %
(44,561) (34,718) F-statistika = 73,3
P-värde < 2,2E-16
D -0,303*** -0,286*** -24,9 % -
(-4,747) (-4,518)
G 1,826*** 1,759*** 480,7 % +
(19,892) (19,117)
IT -0,901*** -0,875*** -58,3 % +
(-12) (-11,774)
RD 1,584*** 1,636*** 413,5 % +
(11,588) (12,104)
ROIC -0,039 -0,014 -1,4 % +
(-0,563) (-0,21)
T -0,321* -0,278^ -24,3 % -
(-2,111) (-1,844)
WACC -0,09 0,871* 138,9 % -
(-0,235) (2,172)
HCES 0,467*** 0,46***
(19,184) (19,09)
LSTS 0,585*** 0,576***
(21,598) (21,525)
PH -0,068* -0,073*
(-2,087) (-2,27)
BIO -0,139** -0,134**
(-2,969) (-2,909)
HCT 0,428*** 0,421***
(10,819) (10,753)
Tidseffekter Nej Ja Ja Ja
 34

IT var fortfarande signifikant negativ lik modellen i tabell 9. RD:s magnitud var större än
modellen i tabell 9 men fortsättningsvis signifikant positivt. ROIC gav ett negativt men
samtidigt icke-signifikant resultat i modell (1) och (2). T var inte lika negativ i modell (1) och
(2) som modellen i tabell 9 och signifikansnivån föll inom 5 %-nivån. Magnituden av WACC
ändrade betydligt från modellen i tabell 9. Trots det förblev WACC ännu signifikant positiv.
Inkluderingen av tidseffekterna verkade ha en liknande påverkan som på modellen i Tabell 9,
då tidseffekterna hade en marginell påverkan på förklarande variablerna bortsett från WACC.

Alla industriklassificeringar gav ett signifikant resultat som indikerar att de förbättrar
modellen.
 35

6.4 Resultat från tredje modellen

I tabell 11 presenteras avhandlingens tredje modell. I modell (1) har det tillagts fixerade
företagseffekter. I modell (2) har det tillagts både fixerade företags- och tidseffekter.
Regression (2) presenteras i de resterande kolumnerna för att modellen är signifikant bättre
än (1) baserat på F-test (***: 0,01 %-nivån). Avskrivningarna i tredje modellen förblev
negativa men var icke-signifikanta. En betydlig förändring från modellerna i tabell 9 och 10.
Tillväxt (G) var fortsättningsvis signifikant positiv men magnituden ändrade märkvärdigt från
modellerna i tabell 9 och 10.

Tabell 11 Resultat från tredje regressionsmodellen

Tabell 11 presenterar en sammanfattning av resultaten från tredje modellen. Värdet på t-

statistikan anges inom parentes. Signifikansnivåerna noteras enligt följande: ^ signifikant på 5
%-nivån, * signifikant på 1 %-nivån, ** signifikant på 0,1 %-nivån, *** signifikant på 0,01 %-
nivån. Fjärde kolumnen indikerar procentuella påverkan förklarande variabeln har på icke-
logaritmerade EV/EBITDA-multipeln. Femte kolumnen visar förväntade förtecknet och blåa
färgen indikerar att parametrarnas förtecken matchar med förväntade förtecknet.

Hela modellen och

Förklarande variabel (1) (2) EXP(Bn )-1 förväntade förtecken
Intercept 3,076*** 2,917*** R2 = 87 %
(49,365) (45,488) F-statistika = 84,5
P-värde < 2,2E-16
D -0,062 -0,076 -7,3 % -
(-0,867) (-1,121)
G 0,679*** 0,526*** 69,2 % +
(9,449) (7,531)
IT -0,006 0,084 8,8 % +
(-0,074) (1,001)
RD 0,599*** 0,73*** 107,5 % +
(3,985) (5,164)
ROIC -0,228*** -0,191** -17,4 % +
(-3,454) (-3,068)
T -0,59*** -0,464*** -37,1 % -
(-4,521) (-3,773)
WACC -1,474*** 0,452 57,1 % -
(4,7) (1,328)
Företagseffekter Ja Ja Ja Ja
Tidseffekter Nej Ja Ja Ja

IT blev för första gången icke-signifikant jämfört med modellerna i tabell 8 och 9. RD visade
ett oförändrat positivt och väldigt signifikant resultat. ROIC var för första gången signifikant
men också negativt som inte var förväntat. Skatteprocenten (T) var fortsättningsvis negativ
och signifikant. WACC visade ett varierande resultat då tidseffekterna exkluderades från
modellen. I modell (1) var WACC för första gången signifikant negativ som ursprungligen
förväntades. WACC var icke-signifikant positivt i modell (2).
 36

6.5 Resultatdiagnostik
I detta avsnitt diskuteras kort hur datasamplets natur skall tas i beaktande när resultaten
tolkas. Därtill diskuteras huruvida modellerna har problem med normalitet,
multikollinearitet, autokorrelation och heteroskedasticitet. Detta är väsentligt att veta före
slutsatser dras från resultatet. Ifall modellerna bryter mot flera av ovannämnda antaganden
så minskar det på resultatens tillförlitlighet.

6.5.1 Datasamplet
När datasamplet sammanställdes så gallrades bolag men negativ EBIT-resultat. Detta leder
till att resultaten från modellerna inte kan appliceras till en betydlig del av bolag inom
sjukvårdssektorn då deras verksamhet ännu gör förslut. Därtill är paneldata obalanserat som
inte är ett problem i sig men en stor del av datasamplets observationer kommer från några
bolag. Idealt skulle paneldata vara balanserat så att varje unika bolag skulle ha samma vikt i
modellernas resultat. Avgränsade datasamplet visar också att medelstorleken av företagen är
relativt stort på 9,89 miljarder USD. Detta innebär att resultaten från modellerna möjligtvis
inte skulle stämma överens med mindre bolag som inte observeras i datasamplet.

6.5.2 Normalitet
Med normalitet avses att beroende variabeln samt att modellernas residualer borde följa en
normalfördelning. Man bör undersöka skevhet som förklara hur medianen av observationerna
avviker från en normalfördelning. Därtill bör man undersöka kurtosis som förklaras hur tjocka
svansar fördelningen har. Kurtosis bör också motsvara en normalfördelning. För att
undkomma problem med skevhet så logaritmerades beroende variabeln i samplet. (Brooks,
2008).

För att undersöka normaliteten av beroende variabeln så utförs ett Jarque-Berra test.
Resultatet på testet visar att värderingsmultipeln EV/EBITDA inte är normalfördelad på en
0,01 % signifikansnivå. Därtill är modellernas residualer inte normalfördelade på en 0,01 %
signifikansnivå. Trots att Jarque-Berra testet påstår att normalitet inte håller så kan
residualerna anses vara asymptotiskt normalfördelade om samplet är tillräckligt stort, vilket
är fallet i denna avhandling (Wooldridge 2012).

6.5.3 Multikollinearitet
I en regressionsmodell är det inte fel att inkludera variabler som korrelerar en aning med
varandra. Däremot kan det uppstå multikollinearitet då förklarande variablerna korrelerar
 37

starkt med varandra. Multikollinearitet kan leda till oförväntade förtecken och magnitud av
förklarande variablerna. (Verbeek, 2004)

För att undersöka problem med multikollinearitet i samtliga huvudregressioner så utförs ett
VIF-test. VIF har inte en absolut tröskel där man kunde konstatera att multikollinearitet är ett
problem. Trots det brukar VIF värde på 10 eller högre indikera ifall problemet finns.
(Wooldridge 2012)

Resultaten för VIF-testen presenteras i bilaga 2. För det två första regressionerna varierar VIF-
talen mellan 1 och 2. För den tredje regressionen med fixerade företagseffekter steg VIF-talen
betydligt men VIF-talen överskred aldrig 10 som kan anses som en gräns då multikollinearitet
kan konstaterats. Sammanfattningsvis kan man konstatera att multikollinearitet antagligen
inte utgör är ett problem i modellerna.

6.5.4 Heteroskedasticitet
Heteroskedasticitet innebär att feltermernas varians inte är konstant. Det vill säga ifall x-
variabeln ökar så minskar eller ökar residualen i modellen. Heteroskedasticitet påverkar inte
magnituden på förklarande variablerna. Däremot är feltermerna inte längre
väntevärdesriktiga eftersom de baseras på förklarande variablernas varianser. Detta leder till
att resultaten från signifikanstesten blir snedvridna eftersom t-statistikan inte längre är t-
fördelad (Wooldridge, 2012).

För att testa för heteroskedasticitet så utförs ett Breusch-Pagan test för samtliga
huvudmodeller. Samtliga huvudmodeller lider av heteroskedasticitet på 0,01 %-nivån. Från
resultatet kunde konstateras att p-värden var väldigt låga vilket antagligen kan förklaras av att
t-statistikan inte är t-fördelad. Man kan lösa heteroskedasticitetsproblemet med att använda
en GLS eller WLS modell som diskuterades under rubrik 5.1 (Das, 2019). Avhandlingen håller
ändå sig till OLS på grund av orsakerna som diskuterades i 5.1. För att ändå säkerställa sig att
heteroskedasticitet inte leder till inkorrekta konklusioner så jämfördes resultaten av
modellerna med tidseffekter i kapitel 6 och GLS modellvarianten. Resultaten för GLS-
varianten presenteras i Bilaga 6. Från bilagan kan man konstatera att skatteprocenten (T)
tappar sin signifikans jämfört med modellerna i kapitel 6. Avskrivningarna (D) tappar endast
sin signifikans i första GLS modellen. Med dessa observationer kan man konstatera att
heteroskedasticitet inte påverkar slutsatsernas robusthet i avhandlingen.

6.5.5 Autokorrelation
Autokorrelation innebär att feltermerna för observationerna från olika tidsperioder korrelerar
med varandra. Detta är inte ovanligt för aktiedata då de följer en generell marknadstrend.
 38

Exempelvis är aktiemarknadens volatilitet ofta autokorrelerad och således brukar man

använda volatilitetsmodeller som tar i beaktande denna autokorrelation (Wooldridge, 2012).

För att undersöka huruvida samplet lider av autokorrelation så utförs ett Durbin-Watson-test
för alla tre huvudregressioner i avhandlingen. Samtliga modeller lider av autokorrelation på
0,1 %-nivån.
 39

7 Konklusioner
I detta kapitel diskuteras modellernas resultat. När det hänvisas till avhandlingens
huvudmodeller så innebär det att tidseffekterna också inkluderats. Kapitlets mening är att
besvara på avhandlingens syfte med hjälp av resultaten som fåtts från regressionerna. Till
början besvaras första hypotesen samt så jämförs de tre huvudmodellerna med hjälp av F-test
för att bestämma vilken modell som bäst förklarar skillnaderna i värderingsmultiplarna.
Därefter diskuteras förklarande variablernas påverkan och samband i kronologisk ordning.
Till först diskuteras tillväxt sedan avskrivningar, skatteprocent, WACC, ROIC, R&D, IT och
slutligen industri. Därtill kommer resultaten jämföras med tidigare studier. Orsakerna varför
förtecknen avviker eller stämmer med avhandlingens andra hypotes och tidigare studier
kommer att diskuteras.

7.1 Den bästa modellen

Av de presenterade resultaten i föregående kapitlet framgår att den första hypotesen inte
förkastas. Samtliga modeller visade sig vara kapabla att signifikant förklara variationerna i
värderingsmultiplarna. Trots detta reser sig frågeställning kring vilken av de tre modellerna
som presterar bäst.

För att genomföra en jämförelse mellan två regressionsmodeller kan ett F-test användas. Detta
test analyserar om summan av kvadrerade residualer är signifikant mindre för den mer
komplexa modellen jämfört med den mindre komplexa. Resultatet ger svar på vilken modell
som bäst förklara skillnaderna i värderingsmultiplarna (Brooks, 2008).

I avhandlingen användes tre olika huvudmodeller för att undersöka förklarande variablernas
förklaringsgrad av EV/EBITDA-multipeln. I den första modellen inkluderades fundamentala
faktorer, sjukvårdspecifika faktorer och senare tidseffekter. I den andra modellen tillades
GICS industrier och senare tidseffekter. I den tredje modellen tillades fixerade företags
effekter och senare tidseffekter. Tidseffekterna bevisades tidigare att förbättra modellen
baserat på F-test och således kommer samtliga F-test att göras med modellerna som
inkluderar tidseffekterna.

Från tabell 12 kan avläsas att de mera komplexa modellerna är signifikant bättre än de enklare.
Modell 2 var signifikant bättre än modell 1 och modell 3 var signifikant bättre än modell 1 och
2. Man kan alltså konstatera att modell 3 är den bästa modellen med den minsta summan av
kvadrerade residualer (RSS).
 40

Tabell 12 F-test mellan regressionerna

Tabell 12 presenterar en sammanfattning av F-testen som gjorts mellan regressionerna. Den mer
komplexa modellen jämförs alltid med den mindre komplexa. Endast signifikansnivån på 0,01
% har använts (noterat med ***).

Modell 1 Modell 2 Modell 3

Modell 1
Modell 2 ***
Modell 3 *** ***
RSS 566,6 379,6 91,8
Företagseffekter Nej Nej Ja
Tidseffekter Ja Ja Ja

Det är inte överraskande att modell 2 presterar bättre än modell 1. Tidigare i avhandlingen
redogjordes det hur relativvärdering fungerar i praktiken, där företag värderas enligt
jämförbara bolags värderingsmultiplar inom samma industri. Ifall ett företags
värderingsmultipel avviker från industrins värderingsmultipel så kan det indikera att
företaget är undervärderat. Detta lockar investerare att köpa aktien, vilket återställer
värderingsmultipeln till branschens medeltal. Detta resulterar i att företag inom samma
industri har liknande värderingsmultiplar.

Orsaken varför modell 3 är bättre än modell 2 är mer nyanserad. En trolig orsak är att
företagseffekterna i modell 3 fångar mera information som också påverkar företagens
värderingsmultiplar. Fundamentala samt sjukvårdsspecifika förklarande variablerna är
endast tre år framåtblickande. Tillväxten (G) kommande tre år säger möjligtvis inte så mycket
om tillväxten därefter. Däremot så kan företagseffekterna inkludera informationen om att
tillväxten exempelvis accelererar efter de tre framåtblickande åren. Detta leder till att
modellen blir noggrannare i att förklara skillnaderna i värderingsmultiplarna.
Sammanfattningsvis verkar det logiskt att tredje modellen är den bästa modellen.

7.2 Tillväxt och EV/EBITDA

I samtliga huvudmodeller i avhandlingen så hade tillväxt en signifikant påverkan på
värderingsmultipeln. Ytterligare hade tillväxt ofta bland de högsta magnituderna. Gällande
tillväxt förkastas inte andra hypotesen.

När man jämför resultatet så är den i linje med tidigare studier. Exempelvis i Havander &
Goich, 2019 så konkluderades att tillväxt har en positiv påverkan på värderingsmultipeln.
Deras resultat varierade dock mer än denna avhandling. Trots att de inte fann en signifikant
påverkan av tillväxt på värderingsmultipeln inom sjukvårdssektorns olika industrier, var deras
modeller som helhet signifikanta, vilket är överensstämmer med denna studie (Havander &
 41

Goich, 2019). I artikeln Beaver & Morse, 1978 så konstaterades också att tillväxten signifikant
positivt påverkade värderingsmultiplar. De betonade dock att tillväxt i sig inte kan förklara en
hög procent av variationerna i värderingsmultiplarna (Beaver & Morse, 1978). I modell 1
nådde förklaringsgraden endast upp till 25 %. Givetvis inkluderade modell 1 flera förklarande
variabler än endast tillväxt men man kan konstatera att kortsiktiga tillväxten inte kan förklara
en stor del av variationerna.

Den intuitiva förklaringen till varför tillväxt påverkar värderingsmultipler positivt är

konceptuellt enkel. Högre tillväxt indikerar ofta att kassaflödet borde växa och således borde
företagsvärdet stiga. Dock är det viktigt att tillväxten är lönsam och därför har tidigare studier
visat att lönsam tillväxt påverkar företagsvärdet mest och således också indirekt
framåtblickande värderingsmultiplar (Varaiya et al. 2016).

7.3 Avskrivningar och EV/EBITDA

I två av tre huvudmodeller i avhandlingen så hade avskrivningarna en signifikant negativ
påverkan på värderingsmultipeln. En potentiell orsak varför avskrivningarna tappade sin
signifikans i tredje huvudmodellen är att avskrivningarna är konstanta inom företagen. Ifall
avskrivningarna inte varierar inom företaget så kan inte specifika företagets variation i
värderingsmultipeln förklaras av avskrivningar. Ytterligare kan en orsak vara att tredje
modellen lider delvis av multikollinearitet som kan påverka signifikansen samt förtecknet av
avskrivningarna (Kim, 2019). Sammanfattningsvis kan man konkludera att andra hypotesen
inte förkastas och att avskrivningarna har en negativ påverkan på EV/EBITDA-multipeln.

Det finns inga tidigare studier som specifikt undersökt hur avskrivningar påverkar
värderingsmultiplar och därför är avhandlingens resultat intressant från en akademisk
synvinkel. Trots det finns det artiklar som analyserat avskrivningarnas relation till
företagsvärdet. I Blum och Katz artikeln skriver de hur företagsvärdet baserar sig på
diskonterade kassaflödet företagets tillgångar genererar. En tillgång har ändå en fixerad livstid
som betyder att företaget måste återinvestera i tillgångarna för att upprätthålla dem. Högre
avskrivningar indikerar att återinvesteringarna måste vara större. Ifall företaget måste
återinvestera mera i tillgångarna för att upprätthålla samma kassaflöde så sjunker
företagsvärdet. Avskrivningarna påverkar dock inte EBITDA och således är det logiskt att
EV/EBITDA sjunker då avskrivningarna stiger. (Blum & Katz, 1965)

7.4 Skatteprocent och EV/EBITDA

Skatteprocenten hade en signifikant negativ påverkan på värderingsmultipeln i alla tre
modeller. I den andra modellen var signifikansen minst men ändå signifikant på 5 %-nivån.
 42

Man kan alltså konstatera att skatteprocenten har en negativ påverkan på värderingsmultipeln
och därför förkastas inte andra hypotesen.

Sambandet mellan företagsvärdet och skatteprocenten är relativt okomplicerat. Ifall

skatteprocenten stiger så innebär det att företaget mister kassaflöde då mera skatt måste
betalas. Resultatet är ändå intressant i sig då det betyder att man inte blint kan använda
relativvärdering mellan två likadana bolag ifall deras skatteprocent avviker. Detta
understryker hur viktigt det är att filtrera för jämförbara företag inom samma geografi med
liknande skatteprocenter.

7.5 WACC och EV/EBITDA

WACC gav delvis varierande resultat bland modellerna. I första modellen konstaterades en
positiv signifikant påverkan av WACC. I andra modellen likaså. I tredje modellen jämfördes
modellen med och utan tidseffekter. Då tidseffekterna exkluderades var påverkan signifikant
negativ som var enligt förväntade förtecknet men detta stämde inte då tidseffekterna
inkluderades. Orsaken till detta är inte självklar.

För att undersöka orsaken prövades en modell som endast inkluderade WACC med fixerade
företagseffekter. I denna modell fick WACC ett signifikant negativ förtecken på -1,650. Ifall
tidseffekterna också inkluderades så tappade WACC sin signifikans och blev +0,261.
Tidseffekterna verkade alltså påverka WACC. En möjlig förklaring till detta fenomen är att
tidseffekterna korrelerar med WACC och således blir resultatet icke-signifikant. För att
undersöka detta genomfördes en ytterligare modell. Som oberoende variabler inkluderades
endast tidseffekterna och företagseffekter. Tidseffekterna gav ett estimat för varje kvartal
jämfört med tidseffekten för första observationstiden i data 1.12.2018. Därefter beräknades
medeltalet av WACC för hela datasamplet för alla observationstider. För respektive kvartal
räknades WACC:s förändring från medeltalet 1.12.2018. Resultatet av sambandet mellan
WACC och tidseffekterna presenteras i grafen i bilaga 3. Från grafen kan man konstatera att
WACC och tidseffekterna har en negativ korrelation. Korrelationen är signifikant -0,68. På
grund av denna höga korrelation borde resultatet för WACC i huvudmodellerna ges mindre
tyngd än modellerna utan tidseffekter. I tredje modellen utan tidseffekter kan man konstatera
att högre WACC leder till lägre värderingsmultiplar. Men detta stämmer ändå inte med
resultaten från modell 1 och 2.

En möjlig orsak varför WACC var signifikant positivt i de två första modellerna är att företag
med högre långvarig tillväxt har högre WACC. Samma sak resonerades i Havander & Goich
2019 där deras resultat oftast visade att WACC och EV/EBITDA hade ett positivt samband.
Ifall detta stämmer så kan möjligtvis långvariga tillväxten fångas med fixerade
 43

företagseffekter. Därför kan man observera en skillnad i förtecknet i de två första modellerna
och tredje modellen utan tidseffekter. På grund av väldigt varierande resultat så kan inga
signifikanta resultat dras gällande förtecknet för WACC. Endast Ifall man kontrollerar för
företagseffekter i tredje modellen så kan man konstatera en signifikant negativ påverkan.

7.6 ROIC och EV/EBITDA

Beträffande ROIC så var resultatet delvis överraskande. I de två första modellerna hade ROIC
en positiv och negativ icke-signifikant påverkan på EV/EBITDA. I tredje modellen fick ROIC
ett signifikant negativt förtecken oberoende om tidseffekterna inkluderades.

Begränsad tidigare forskning behandlar förhållandet mellan ROIC och EV/EBITDA. Men i
Havander & Goich 2019 så konstaterade att ROIC och EV/EBITDA hade ett negativt samband
för industrierna BIO och PH. Detta gick dock emot skribenternas hypotes som det också görs
i denna avhandling. Baserat på modellernas resultat så kan inga signifikanta slutsatser dras
gällande ROIC:s förtecken.

Orsaken varför ROIC resulterade i ett oförväntat resultat kan delvis bero på att ROIC hänger
ihop med G och således är inte förklarande variablerna oberoende. I avhandlingen härledning
av EV/EBITDA så antogs att g = ROIC * r ifall ROIC stiger och återinvesteringsgraden r är
konstant så borde g växa. Intuitiva orsaken varför ROIC borde ha haft en positiv påverkan
förekommer också från samma antagande. Ifall företaget kan skapa mera tillväxt med samma
investeringsgrad så borde tillväxten öka och således höja EV/EBITDA.

7.7 R&D och EV/EBITDA

R&D hade en positiv påverkan på EV/EBITDA i samtliga huvudmodeller. Baserat på
resultaten förkastas inte andra hypotesen och man kan konstatera att R&D påverkar
värderingsmultipeln positivt.

Tidigare forskning har också hittat ett positivt samband mellan R&D och EV/EBITDA. I
artikeln av Lie & Lie 2009 så observerade de att företag med höga R&D kostnader hade högre
värderingsmultiplar än företag med lägre R&D kostnader inom samma industri. I en annan
artikel har det också utmärkts att R&D intensiva företag ofta handlas för högre
värderingsmultiplar (Chan et al. 2001). Tidigare studier samt resultatet från denna avhandling
bekräftar att marknaden faktiskt tar i beaktande R&D kostnader när företag värderas. R&D är
en faktor som inte bestraffar värderingen av företag inom sjukvårdssektorn och således
påverkar EV/EBITDA positivt.
 44

Orsaken varför R&D kostnader är relevanta för värderingsmultiplar diskuterades kort under
rubriken 4.2.8. R&D kostnader påverkar resultaträkningen negativt men för att R&D verkar
påverka värderingsmultipeln positivt så kan man konstatera att högre R&D kostnader inte
påverkar på företagsvärdet. Detta är intuitionen varför värderingsmultipeln stiger då R&D
kostnader stiger.

7.8 IT och EV/EBITDA

I två av tre huvudmodeller framkom att immateriella tillgångarnas (IT) storlek och
EV/EBITDA har ett negativt samband. Endast i den tredje modellen observerades ett icke-
signifikant resultat för IT. Hypotesen angående IT var att en omfattning av IT skulle indikera
att företaget har patenterat flera idéer, vilket i sin tur skulle antyda en konkurrensfördel
gentemot andra företag. Detta skulle motivera en högre värderingsmultipel. Denna hypotes
måste ändå förkastas baserat på dessa resultat.

För att illustrera sambandet mellan EV/EBITDA och IT så tilläggs en graf till bilaga 4. Grafen
visar klart och tydligt att sambandet mellan EV/EBITDA och IT är negativt. Tidigare forskning
har också kommit till liknande resultat där immateriella tillgångarna storlek av total
tillgångarna hade ett negativt samband relaterat till P/B och P/S men inte till P/E (Qureshi,
2020). Orsaken till detta samband är mångfasetterad.

Från korrelationsmatrisen i tabell 5 kan man konstatera att IT inte korrelerar starkt med andra
förklarande variabler. Detta utesluter multikollinearitetsproblem som kunde påverka
resultatet. Professor Damodaran har dock utfört en studie hur man borde värdera företag med
höga immateriella tillgångar. Karaktäristiska drag för dessa företag är att de är mindre
skuldsatta. Detta beror på att banker har svårare att exakt bedöma värdet av immateriella
tillgångar och därmed utövar försiktighet vid utlåning till sådana företag. Denna osäkerhet
kanske också reflekteras på aktiemarknaden, vilket kan leda till att dessa företag handlas till
lägre EV/EBITDA-multiplar. Man kunde också konstatera att företag med stora immateriella
tillgångar härleder en betydlig del av sitt värde från dessa tillgångar. Inom sjukvårdssektorn
är det vanligt att immateriella tillgångarna består av patenterade läkemedel. Nackdelen med
patenterade läkemedel är trots allt deras bäst före datum. Ifall ett företags verksamhet baseras
på ett succéläkemedel så kommer försäljningen och kassaflödet abrupt minska efter patenten
gått ut. Detta är också en möjlig orsak varför dessa företag handlas för lägre EV/EBITDA-
multiplar (Damodaran, 2009). Med dessa resonemang konkluderas att IT har en signifikant
negativ påverkan på EV/EBITDA.
 45

7.9 Industri och EV/EBITDA

I andra huvudmodellen i avhandlingen inkluderades industridummyn. Alla industridummyn
visade sig vara signifikanta.

I modell 1 inkluderades endast fundamentala faktorer, sjukvårdsspecifika faktorer och

tidseffekter. Förklaringsgraden nådde då upp till 25 %. I andra modellen där industridummyn
inkluderades så steg förklaringsgraden till 48 %. Industridummyn i sig verkade förklara en
stor del av skillnaderna i värderingsmultiplarna. Detta är i enlighet med tidigare forskning där
industridummyn förklarat 30 % av variationen i värderingsmultiplarna (Bhojrar, Lee & Oler,
2003).

Resultatet från andra modellen bidrar till påståendet om att relativvärderings borde utföras
mellan företag inom samma industri. Industridummyn inkluderar information som inte kan
observeras i förklarande variablerna i modell 1. Exempelvis kan denna information vara
industrins långsiktiga tillväxt eller någon slags politisk osäkerhet som endast berör en
industri. Andra hypotesen gällande industridummyn förkastas inte då alla dummyn var
signifikanta.
 46

7.10 Summering av konklusioner

Konklusionerna för resultaten är omfattande och därför summeras resultaten till slut. Syftet
med denna avhandling var att undersöka huruvida fundamentala, sjukvårdssektorspecifika
samt industriklassificeringar kan förklara skillnader i EV/EBITDA-multipeln inom
sjukvårdssektorn. Alla huvudmodeller i avhandlingen var signifikanta på 0,01 %-nivån och
således förkastas inte första hypotesen. Fastän förklarande variablernas förtecken inte gick
fullständigt enligt hypoteserna så kan man konstatera att fyra av fem fundamentala faktorer
förklarar signifikant skillnader i värderingsmultiplar inom sjukvårdssektorn. Trots det
förkastas inte andra hypotesen endast i tre av fem fall för fundamentala faktorer. Gällande
sjukvårdssektorspecifika faktorer konkluderades att alla signifikant påverkar EV/EBITDA.
Trots det förkastas inte andra hypotesen endast för RD då IT hade oförväntat negativt
förtecken. Alla industriklassificeringarna kunde signifikant förklara skillnader i EV/EBITDA.
Syftet för avhandlingen är härmed besvarad.

Tabell 13 Summering av hypoteser och påverkan

Tabell 13 presenterar en sammanfattning av alla slutsatser som drogs för förklarande variablerna
i avhandlingen.

Hypotes 1:
Modellernas första hypotes förkastas inte då de var signifikanta på 0,01 %-nivån

Hypotes 2: Förkastas
G Nej Tillväxt hade en signifikant positiv påverkan
Fundamentala faktorer

D Nej Avksrivningar hade en signifikant negativ påverkan

T Nej Skatteprocenten hade en signifikant negativ påverkan

WACC Ja Ifall man inte kontrollerade för företagseffekter så hade

WACC en signifikant positiv påverkan. Tidseffekter
orsakade också multikollinearitetsproblem

ROIC Ja ROIC hade inte en signifikant påverkan

RD Nej RD hade en signifikant positiv påverkan

Sjukvårdss
pecifika

IT Ja IT hade en signifikant negativ påverkan

Industridummy Nej Industridummyn hade en signifikant påverkan

Industri
 47

KÄLLFÖRTECKNING

Ali, (2014), Fundamental Analysis and Relative Valuation Multiples: A Determination of

Value Drivers and Development of a Value Model for the US and UK Markets,
University of Portsmouth,
https://pure.port.ac.uk/ws/portalfiles/portal/5773900/PhD_Thesis_Kim_Shelbaya
_Ali_ID_088766.pdf

Allison, (2022), Is OLS BLUE or BUE? https://statisticalhorizons.com/is-ols-blue-or-bue/

Anaesth,(2019), Publication bias - Importance of studies with negative results!,

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6573059/#:~:text=Publication%20
bias%20is%20defined%20as,strength%20of%20the%20study%20findings.

Beaver & Morse, (1978), What Determines Price-Earnings Ratios? Financial Analyst
Journal, Vol. 34, 65-75,
http://efinance.org.cn/cn/fm/What%20Determines%20Price-
Earnings%20Ratios.pdf

Berk & DeMarzo, (2020), Corporate Finance, eBook, Global Edition. Pearson Education

Bhojrar & Lee, (2001), Who Is My Peer? A Valuation-Based Approach to the Selection of
Comparable Firms, Journal of Accounting Research, Vol. 40, 413-414

Bhojrar, Lee & Oler, (2003), What's My Line? A Comparison of Industry Classification
Schemes for Capital Market Research, Journal of Accounting Research, Vol. 41, 745-
774

BiopharmaDive, (2019), Biopharma happily takes the tax cuts, but the jobs are harder to
find, https://www.biopharmadive.com/news/biopharma-happily-takes-the-tax-cuts-
but-the-jobs-are-harder-to-find/553925/

Bloom & Reenen, (2002), Patents, Real Options and Firm Performance, The Economic
Journal, Vol. 112, 97-116, https://www.jstor.org/stable/798362?seq=18

Bloomberg, (2023), Bloomberg Database

Blum & Katz, (1965), Depreciation and Enterprise Valuation, The University of Chicago Law
Review, Vol. 32, 236-242, https://www.jstor.org/stable/1598690?seq=1

Boasson, Boasson, MacPherson & Shin, (2005), Firm Value and Geographic Competitive
Advantage: Evidence from the U.S. Pharmaceutical Industry, The Journal of
Business, Vol. 78, 2465-2495

Brooks, C. (2008). RATS Handbook to accompany introductory econometrics for finance.

Cambridge Books.

Brown & Cliff, (2005), Investor Sentiment and Asset Valuation, The Journal of Business,
https://www.jstor.org/stable/10.1086/427633?seq=33
 48

CDC, (2023), Health and Economic Costs of Chronic Diseases.

https://www.cdc.gov/chronicdisease/about/costs/index.htm

CFA Institute, (2022), Tell Me a Story: Aswath Damodaran on Valuing Young Companies,
https://blogs.cfainstitute.org/investor/2022/05/24/tell-me-a-story-aswath-
damodaran-on-valuing-young-companies/

CFI, (2018a), LTM vs. NTM,

https://corporatefinanceinstitute.com/resources/valuation/ltm-vs-ntm-valuation-
multiples/

CFI, (2018b), How to Choose Comparable Companies,

https://corporatefinanceinstitute.com/resources/valuation/how-to-choose-
comparable-companies/

CFI, (2020), WACC, https://corporatefinanceinstitute.com/resources/valuation/what-is-

wacc-formula/

CFI, (2022), Capitalizing R&D Expenses,

https://corporatefinanceinstitute.com/resources/accounting/capitalizing-rd-
expenses/

CFI, (2023a), Comparable Company Analysis,

https://corporatefinanceinstitute.com/resources/valuation/comparable-company-
analysis/

CFI, (2023b), Liquidation Value,

https://corporatefinanceinstitute.com/resources/valuation/liquidation-value/

CFI, (2023c), EBIT vs EBITDA,

https://corporatefinanceinstitute.com/resources/valuation/ebit-vs-ebitda/

CFI, (2023d), Valuation,

https://corporatefinanceinstitute.com/resources/valuation/valuation/

CFI, (n.d.), ROIC, https://corporatefinanceinstitute.com/resources/accounting/what-is-

roic/

Chan et al. (2001), The Stock Market Valuation of Research and Development Expenditures,
The Journal of Finance, Vol. 56, 2431-2456,
https://www.jstor.org/stable/2697829?read-
now=1&seq=22#page_scan_tab_contents

Damodaran, (2011), The little book of valuation,

https://pages.stern.nyu.edu/~adamodar/New_Home_Page/littlebook/controldiffere
nces.htm

Damodaran, (2006), Damodaran on valuation: security analysis for investment and

corporate finance, John Wiley & Sons cop
 49

Damodaran, (2009), Valuing Companies with intangible assets, Stern School of Business,
https://pages.stern.nyu.edu/~adamodar/pdfiles/papers/intangibles.pdf

Damodaran, (n.d. a), session19slides,

https://pages.stern.nyu.edu/~adamodar/podcasts/valspr19/session19slides.pdf

Damodaran (n.d. b), It is all relative… Multiples, Comparables and Value!

https://pages.stern.nyu.edu/~adamodar/pdfiles/country/relvalAIMR.pdf

Damodaran, (n.d. c), An Introduction to Valuation,

https://pages.stern.nyu.edu/~adamodar/pdfiles/ovhds/dam2ed/ValIntro.pdf

Das, (2019), Econometrics in Theory and Practice, Springer,

https://ebookcentral.proquest.com/lib/hanken-
ebooks/reader.action?docID=5892703

Doukas et al., (2005), The Two Faces of Analyst Coverage, Financial Management, 99-125,
https://www.jstor.org/stable/3666352

Esty, (2000), What Determines Comparability When Valuing Firms With Multiples? Journal
of Financial Education, Vol. 26, 24-33

Eurostat, (2023), EU population increases again after two years decrease.

https://ec.europa.eu/eurostat/web/products-eurostat-news/w/edn-20230711-
1#:~:text=After%20a%20decline%20in%20population,people%20on%201%20Janua
ry%202023.

Fernandez, (2002), Valuation Methods and Shareholder Value Creation, Academic Press

Fernandez, (2019), Valuation Using Multiples: Dispersion. Useful to compare and to

negotiate,
https://www.zbw.eu/econisarchiv/bitstream/11159/277933/1/EBP071192395_0.pdf

Fidelity, (2016), The global industry classification standard (GICS): An objective language
for sectors, https://www.fidelity.com/learning-center/trading-investing/markets-
sectors/global-industry-classification-standard

Financial Edge, (2020), Transaction Multiples, https://www.fe.training/free-

resources/valuation/transaction-multiples/

Financial Times, (2023), Approval for Eli Lilly obesity drug sets up rival to Wegovy,
https://www.ft.com/content/66af86f2-547f-483e-adea-506373e00917

Hall, Bagchi-Sen, (2002), A study of R&D, innovation, and business performance in the
Canadian biotechnology industry, Technovation, Vol. 22, 231-244,
https://www.sciencedirect.com/science/article/pii/S0166497201000165
 50

Harbula, (2009), Valuation Multiples: Accuracy and Drivers – Evidence from the European
Stock Market, Business Valuation Review, Vol. 28,
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=1876456

Havander & Goich, (2019), Predicting Valuation Multiples, [Master’s thesis, Copenhagen
Business School], https://research-
api.cbs.dk/ws/portalfiles/portal/59803520/653497_Predicting_Valuation_Multiple
s.pdf

Hsiao, (1986), Panel Data Analysis — Advantages and Challenges, University of Southern
California,
https://www.uio.no/studier/emner/sv/oekonomi/ECON5103/v10/undervisningsmat
eriale/PDAppl_14.pdf

Investopedia, (2021), Orphan Drug Credit: What It Is, How It Works,

https://www.investopedia.com/terms/o/orphan-drug-
credit.asp#:~:text=What%20Is%20the%20Orphan%20Drug,companies%20lower%2
0their%20developmental%20costs.

Investopedia, (2022a), Multiples Approach,

https://www.investopedia.com/terms/m/multiplesapproach.asp#:~:text=The%20m
ultiples%20approach%20is%20a,the%20same%20across%20similar%20firms.

Investopedia, (2022b), How to Choose the Best Stock Valuation Method,

https://www.investopedia.com/articles/fundamental-analysis/11/choosing-
valuation-methods.asp

Investopedia, (2023a), What Are Intangible Assets? Examples and How to Value,
https://www.investopedia.com/terms/i/intangibleasset.asp

Investopedia, (2023b), R-Squared: Definition, Calculation Formula, Uses, and Limitations,

https://www.investopedia.com/terms/r/r-
squared.asp#:~:text=With%20a%20multiple%20regression%20made,squared%20an
d%20never%20decreases%20it.

Johnson & Johnson, (2022), 2022, Johnson & Johnson Annual Report,
https://www.investor.jnj.com/files/doc_financials/2022/ar/2022-annual-report.pdf

Kaplan & Ruback, (1995), The Valuation of Cash Flow Forecasts: An Empirical Analysis, The
Journal of Finance, Vol 50, 1059-1093

Kim & Ritter, (1998), Valuing IPOs, Journal of Financial Economics, vol 53, 409-437

Kim, (2019), Multicollinearity and misleading statistical results, Korean Journal of

Anesthesiology,
https://www.researchgate.net/publication/334468147_Multicollinearity_and_misle
ading_statistical_results#fullTextFileContent

Knudsen, (2017), Stick to the Fundamentals and Discover Your Peers, Financial Analyst
Journal and CFA Institute,
 51

http://gregmccall.s3.amazonaws.com/Stick+to+the+Fundamentals+and+Discover+
Your+Peers.pdf

Koller, Goedhart, Wessels, McKinsey & Company Inc (2010), Valuation: Measuring and
Managing the Value of Companies, John Wiley & Sons

Koller, Goedhart, Wessels, McKinsey & Company Inc (2015), Valuation: Measuring and
Managing the Value of Companies, John Wiley & Sons

Lie & Lie, (2002), Multiples Used to Estimate Corporate Value, Financial Analyst Journal,
Vol. 58, 44-54, https://sci-hub.se/10.2307/4480377

Macabacus, (2023), Valuation Multiples, https://macabacus.com/valuation/multiples

McKinsey, (2005), The right role for multiples in valuation,

https://www.mckinsey.com/capabilities/strategy-and-corporate-finance/our-
insights/the-right-role-for-multiples-in-valuation

McKinsey, (2020a), Prioritizing health: A prescription for prosperity.

https://www.mckinsey.com/industries/healthcare/our-insights/prioritizing-health-
a-prescription-for-prosperity

McKinsey, (2020b), Building an R&D strategy for modern times,

https://www.mckinsey.com/capabilities/strategy-and-corporate-finance/our-
insights/building-an-r-and-d-strategy-for-modern-times

McKinsey, (2023a), What to expect in US healthcare in 2023 and beyond.

https://www.mckinsey.com/industries/healthcare/our-insights/what-to-expect-in-
us-healthcare-in-2023-and-beyond

McKinsey, (2023b), The times for multiples: Five situations when multiples need more than
a second look. https://www.mckinsey.com/capabilities/strategy-and-corporate-
finance/our-insights/the-times-for-multiples-five-situations-when-multiples-need-
more-than-a-second-look

Morgan Stanley, (2020), The Match of Value and Growth,

https://www.morganstanley.com/im/publication/insights/articles/article_thematho
fvalueandgrowth.pdf?1695045277294

Morgan Stanley, (2023), ROIC and the Investment Process,

https://www.morganstanley.com/im/publication/insights/articles/article_roicandth
einvestmentprocess.pdf?1695983611238

MSCI, (2023), The Global Industry Classification Standard (GICS®),

https://www.msci.com/our-solutions/indexes/gics

Myers, (2001), Capital Structure, The Journal of Economic Perspectives, Vol. 15, 81-102,
https://www.jstor.org/stable/2696593
 52

Novo Nordisk, (2023), What we do. https://www.novonordisk.com/about/what-we-do.html

OECD, (2015), Concepts and definitions for identifying R&D, https://www.oecd-

ilibrary.org/docserver/9789264239012-4-
en.pdf?expires=1696064126&id=id&accname=guest&checksum=F4431A29BD96DA
2ECEA6071D6402FE44

Plenborg & Pimentel, (2016), Best Practices in Applying Multiples for Valuation Purposes,
The Journal of Private Equity, Vol. 19, 55-64,
https://www.jstor.org/stable/44397547?read-
now=1&seq=4#page_scan_tab_contents

PWC, (2016), Company valuations and the new IFRS 16 leases standard,
https://www.pwc.fi/en/services/deals/valuations/blog-may-2018.html

PWC, (2023), Corporate - Taxes on corporate income,

https://taxsummaries.pwc.com/united-states/corporate/taxes-on-corporate-income

Qureshi, (2020), The Effect of Intangible Assets on Financial Performance, Financial

Policies, and Market Value of Technology Firms: A Global Comparative Analysis,
University of Karach,
https://pdfs.semanticscholar.org/fa93/da1c72813c8ff1e2155442537cac30617809.pdf

Sharma & Prashar, (2013), A Conceptual Framework for Relative Valuation, The Journal of
Private Equity, Vol. 16, 22-32

Tax Foundation, (2019), Net Operating Loss Carryforward,

https://taxfoundation.org/taxedu/glossary/net-operating-loss-carryforward/

Tse, (2017), Corporate Finance the Basics, Taylor & Francis

UBS Warburg, (2001), Valuation Multiples: A Primer,

http://www.rgquintero.com/media/91f679831d8e9521ffff80e8ffffe906.pdf

Varaiya et al. (2016), The Relationship between Growth, Profitability, and Firm Value,
Strategic Management Journal, Vol. 8, 487-497, https://sci-
hub.se/https://www.jstor.org/stable/2486235

Vatcheva et al., (2016), Multicollinearity in Regression Analyses Conducted in Epidemiologic

Studies, https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4888898/

Verbeek, (2004), A Guide to Modern Econometrics, 2nd edition,

https://thenigerianprofessionalaccountant.files.wordpress.com/2013/04/modern-
econometrics.pdf

WHO, (2020), The top 10 causes of death. https://www.who.int/news-room/fact-

sheets/detail/the-top-10-causes-of-death
 53

Wooldridge, J. M. (2012). Introductory Econometrics: A modern approach. 5 uppl.

Toronto: Nelson Education, Ltd.

World Intellectual Property Organization, n.d, Building a Competitive Edge – Protecting

Inventions by Patents / Utility Models,
https://www.wipo.int/edocs/mdocs/sme/en/wipo_smes_bwn_13/wipo_smes_bwn
_13_5_park.pdf

Yale University, (n.d.), Multiple Linear Regression, http://www.stat.yale.edu/Courses/1997-

98/101/linmult.htm

Young & Zeng, (2015), Accounting Comparability and the Accuracy of Peer-Based Valuation
Models, The Accounting Review, Vol. 90, 2571-2601,
https://www.jstor.org/stable/26550622
 54

BILAGOR

BILAGA 1 DEFINITIONER
Förkortninga Definition
BIO Biotechnology: en industri inom GICS definition av sjukvårdssektorn.

DA Depreciation & Amortization: totala avskrivningarna för bolaget.

EBIT Earnings Before Interest and Taxes: vinsten före räntekostnaderna och skatterna.

EBITDA Earnings Before Interest, Taxes, Depreciation & Amortization: vinsten före räntekostnaderna, skatterna och
totala avskrivningarna.
EPS Earnings Per Share: vinst per aktie.

EV Enterprise Value: företagsvärde: detta kan definieras som diskonterade FCFF (kolla defintionen av FCFF).

EV/EBIT Enterprise Value to EBIT: företagsvärdet dividerat med EBIT.

EV/EBITDA Enterprise Value to EBITDA: företagsvärdet dividerat med EBITDA.

EVEBITDA Naturliga logaritmen av EV/EBITDA NTM. Detta är beroende variabeln i modellen (kolla NTM).

FCFF Free Cash Flow to Firm: Kassaflödet till företaget. Kan definieras som NOPAT + DA - ΔWC - CAPEX.

WC Working Capital: rörelsekapital.

CAPEX Captal Expenditure: investeringar i långfristiga tillgångar.

FY Financial Year: räkenskapsår.

G Growth: omsättningstillväxt.

GICS General Industry Classification Standard: en industriklassificeringsstandard

HCES Health Care Equipment & Supplies: en industri inom GICS definition av sjukvårdssektorn.

HCPS Health Care Providers & Services: en industri inom GICS definition av sjukvårdssektorn.

HCT Health Care Technology: en industri inom GICS definition av sjukvårdssektorn.

IC Invested Capital: investerat kapital i företaget. Kan räknas som tola räntebärande skulden + aktiekapitalet
+ icke operativa likvida medel & investeringar.
IFRS 16 Redovisningsstandard som kräver företag att rapportera vissa leasingavtal på balansräkningen.

IPO Initial Public Offering: börsnoteringen av företag.

IT Intangible Assets/Total Assets: immateriella tillångarnas andel av total tillgångar.

LSDV Least Square Dummy Variable: tillägger N-1 dummyvariabler för N företag som tar i beaktande
företagsspecifika effeker som är konstanta över tiden.
LSTS Life Sciences Tools & Services: en industri inom GICS definition av sjukvårdssektorn.

LTM Last Tvelwe Months: senaste tolv månaderna.

NOPAT Net Operating Profit After Taxes: operativa vinsten efter skatter. NOPAT = EBIT * (1-t)

NTM Next Tvelwe Months: följande tolv månader.

P/B Price to Book: aktiepriset dividerat med bokvärdet.

P/E Pricet to Earnings: aktiepriset dividerat med aktiepriset.

PH Pharmaceuticals: en industri inom GICS definition av sjukvårdssektorn.

R/r Reinvestment rate: procentuella andelen av NOPAT som investeras tillbaka i företaget. (1-
FCFF/NOPAT)=r
RD Research & Development: forskningens och utvecklingens andel av omsättningen.

SIC Standard Industrial Classification: ett industriklassificeringssystem som SEC använder.

T/t Tax percentage: effektiva skatteprocenten.

WACC Weighted Average Cost of Capital: kostnaden av investerat kapital. Investerare och lånegivare kräver en
viss avkastning som är en kostnad för företaget.
 55

BILAGA 2 VIF-test

Förklarande variabel Första modellen Andra modellen Tredje modellen

D 1,2 1,2 5,5
G 1,0 1,1 2,4
IT 1,1 1,4 6,7
RD 1,1 1,8 7,8
ROIC 1,3 1,3 4,2
T 1,2 1,3 3,2
WACC 1,0 1,2 3,5
HCES - 2,0 -
LSTS - 1,6 -
PH - 2,1 -
BIO - 2,1 -
HCT - 1,4 -
Tidseffekter Nej Ja Ja
Företagseffekter Nej Nej Ja

BILAGA 3 Korrelation mellan tidseffekter och WACC

 56

BILAGA 4 EV/EBITDA och IT

Figuren illustrerar sambandet mellan EV/EBITAD-multipeln och immateriella tillgångarnas

storlek av totala tillgångar i företag. Sambandet visar sig vara negativt.
 57

BILAGA 5 FÖRETAGSFÖRTECKNING
Företag GICS
Abbott Laboratories HCES
Abbvie Inc BIO
Acadia Healthcare Company Inc HCPS
Accuray Inc HCES
Adapthealth Corp HCPS
Addus Homecare Corp HCPS
Agilent Technologies Inc LSTS
Agiliti Inc HCPS
Align Technology Inc HCES
Alkermes Plc BIO
Amedisys Inc HCPS
Amgen Inc BIO
AMN Healthcare Services Inc HCPS
Amneal Pharmaceuticals Inc PH
Amphastar Pharmaceuticals Inc PH
ANI Pharmaceuticals Inc PH
Apollo Medical Holdings Inc HCPS
Artivion Inc HCES
Assertio Holdings Inc PH
Avanos Medical Inc HCES
Avantor Inc LSTS
Aveanna Healthcare Holdings Inc HCPS
Bausch + Lomb Corp HCES
Baxter International Inc HCES
Becton Dickinson and Co HCES
Bio Rad Laboratories Inc LSTS
Biogen Inc BIO
Biomarin Pharmaceutical Inc BIO
Bio-Techne Corp LSTS
Bioventus Inc HCES
Boston Scientific Corp HCES
Bristol-Myers Squibb Co PH
Bruker Corp LSTS
Cardinal Health Inc HCPS
Catalent Inc PH
Cencora Inc HCPS
Centene Corp HCPS
Certara Inc HCT
Charles River Laboratories International Inc LSTS
Chemed Corp HCPS
Cigna Group HCPS
Collegium Pharmaceutical Inc PH
Conmed Corp HCES
Cooper Companies Inc HCES
Cross Country Healthcare Inc HCPS
 58

CVS Health Corp HCPS

Danaher Corp LSTS
DaVita Inc HCPS
Definitive Healthcare Corp HCT
DENTSPLY SIRONA Inc HCES
Dexcom Inc HCES
DocGo Inc HCPS
Doximity Inc HCT
Edwards Lifesciences Corp HCES
Elanco Animal Health Inc PH
Electromed Inc HCES
Elevance Health Inc HCPS
Eli Lilly and Co PH
Embecta Corp HCES
Encompass Health Corp HCPS
Enhabit Inc HCPS
Enovis Corp HCES
Envista Holdings Corp HCES
Evolent Health Inc HCT
GE Healthcare Technologies Inc HCES
Gilead Sciences Inc BIO
Globus Medical Inc HCES
GoodRx Holdings Inc HCT
Haemonetics Corp HCES
Halozyme Therapeutics Inc BIO
Harmony Biosciences Holdings Inc PH
Harvard Bioscience Inc LSTS
Healthequity Inc HCPS
HealthStream Inc HCT
Henry Schein Inc HCPS
Hologic Inc HCES
Horizon Therapeutics PLC BIO
Humana Inc HCPS
ICON PLC LSTS
ICU Medical Inc HCES
IDEXX Laboratories Inc HCES
Illumina Inc LSTS
Incyte Corp BIO
InfuSystem Holdings Inc HCPS
Innoviva Inc PH
Insulet Corp HCES
Integer Holdings Corp HCES
Integra Lifesciences Holdings Corp HCES
Intuitive Surgical Inc HCES
IQVIA Holdings Inc LSTS
 59

IRadimed Corp HCES

Jazz Pharmaceuticals PLC PH
Johnson & Johnson PH
Laboratory Corporation of America Holdings HCPS
Lantheus Holdings Inc HCES
LeMaitre Vascular Inc HCES
LivaNova PLC HCES
Maravai LifeSciences Holdings Inc LSTS
Masimo Corp HCES
Mckesson Corp HCPS
Medicine Man Technologies Inc PH
Medpace Holdings Inc LSTS
Medtronic PLC HCES
Merck & Co Inc PH
Merit Medical Systems Inc HCES
Mesa Laboratories Inc LSTS
Mettler-Toledo International Inc LSTS
ModivCare Inc HCPS
Multiplan Corp HCT
Neogen Corp HCES
Neurocrine Biosciences Inc BIO
NextGen Healthcare Inc HCT
Omnicell Inc HCES
Option Care Health Inc HCPS
Organogenesis Holdings Inc BIO
Organon & Co PH
Owens & Minor Inc HCPS
Pacira Biosciences Inc PH
Patterson Companies Inc HCPS
Pediatrix Medical Group Inc HCPS
Pennant Group Inc HCPS
Penumbra Inc HCES
Perrigo Company PLC PH
PetIQ Inc HCPS
Pfizer Inc PH
Phibro Animal Health Corp PH
Premier Inc HCPS
Progyny Inc HCPS
Puma Biotechnology Inc BIO
Qiagen NV LSTS
Quest Diagnostics Inc HCPS
QuidelOrtho Corp HCES
RadNet Inc HCPS
Regeneron Pharmaceuticals Inc BIO
Repligen Corp LSTS
 60

Resmed Inc HCES

Revvity Inc LSTS
Select Medical Holdings Corp HCPS
Shockwave Medical Inc HCES
Simulations Plus Inc HCT
Sotera Health Co LSTS
STAAR Surgical Co HCES
STERIS plc HCES
Stevanato Group SpA LSTS
Stryker Corp HCES
Supernus Pharmaceuticals Inc PH
Syneos Health Inc LSTS
Teleflex Inc HCES
Tenet Healthcare Corp HCPS
Thermo Fisher Scientific Inc LSTS
UFP Technologies Inc HCES
United Therapeutics Corp BIO
UnitedHealth Group Inc HCPS
US Physical Therapy Inc HCPS
Varex Imaging Corp HCES
Veeva Systems Inc HCT
Veradigm Inc HCT
Vertex Pharmaceuticals Inc BIO
Viatris Inc PH
Waters Corp LSTS
West Pharmaceutical Services Inc LSTS
Zimmer Biomet Holdings Inc HCES
ZimVie Inc HCES
Zoetis Inc PH
Zynex Inc HCES
 61

BILAGA 6 RESULTAT FRÅN GLS-MODELLEN

Alla dessa modeller inkluderar tidseffekter.

Tabell GLS-variant av första modellen i kapitel 6

Tabell GLS-variant av andra modellen i kapitel 6

Tabell GLS-variant av tredje modellen i kapitel 6