Zusammenfassung
In dieser Untersuchung werden die abhängigen Variablen bzw. die Kreditrisiko-Parameter mit ESG-Variablen und mit emissions- und unternehmensspezifischen Kontrollvariablen geschätzt. Für die Schätzung werden lineare und logistische Regressionsanalysen angewandt. Die Grundlage der Stichprobe bilden Anleiheemissionen von europäischen Unternehmen der Jahre 2012–2022.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Vgl. Bortz/Schuster, 2010,183.
- 2.
Vgl. Stoetzer, 2017, 28.
- 3.
Alternative Bezeichnungen für die abhängige bzw. unabhängige Variable wären: endogene und exogene oder erklärte und erklärende Variable, sowie auch Prognose- und Prädiktorvariable oder Regressand und Regressoren. Vgl. Backhaus et al., 2018, 61.
- 4.
Wolf/Best (2010) bezeichnen die einfache lineare Regressionsanalyse auch als „bivariate Regressionsanalyse“. Vgl. Wolf/Best, 2010, 612.
- 5.
Vgl. Stoetzer, 2017, 5.
- 6.
Vgl. Bortz/Schuster, 2010,183.
- 7.
Vgl. Backhaus et al., 2018, 59.
- 8.
Vgl. Stoetzer, 2020, 30; Backhaus et al., 2018, 61.
- 9.
Vgl. Aldrich/Nelson, 1984, 10–11.
- 10.
Vgl. Stoetzer, 2017, 78.
- 11.
Vgl. Backhaus et al., 2018, 73.
- 12.
Vgl. Backhaus et al., 2018, 68.
- 13.
Vgl. Aldrich/Nelson, 1984, 11.
- 14.
Vgl. Backhaus et al., 2018, 69.
- 15.
Vgl. Aldrich/Nelson, 1984, 11.
- 16.
Vgl. Stoetzer, 2017, 29.
- 17.
Vgl. Backhaus et al., 2018, 69 und 72.
- 18.
Vgl. Aldrich/Nelson, 1984, 12.
- 19.
Vgl. Stoetzer, 2017, 47.
- 20.
Vgl. Aldrich/Nelson, 1984, 9–10.
- 21.
Vgl. Ohr, 2010, 642.
- 22.
Vgl. Ohr, 2010, 653.
- 23.
Siehe dazu Ohr, 2010, 639–641.
- 24.
Nach Ohr (2010) stellt die Annahme bezüglich der Autokorrelation häufig ein Problem bei der Untersuchung von Zeitreihen dar. Vgl. Ohr, 2010, 654.
- 25.
Vgl. Ohr, 2010, 654.
- 26.
Vgl. Bortz/Schuster, 2010, 359.
- 27.
Vgl. Ohr, 2010, 653.
- 28.
Vgl. Aldrich/Nelson, 1984, 9–10.
- 29.
Vgl. Backhaus et al., 2018, 62; Ohr, 2010, 654.
- 30.
Vgl. Backhaus et al., 2018, 268–269; Stoetzer, 2020, 32.
- 31.
Vgl. Backhaus et al., 2018, 268.
- 32.
Vgl. Backhaus et al., 2018, 286.
- 33.
Vgl. Pampel, 2000, v–vi.
- 34.
Siehe bspw. Stoetzer, 2020, 30–31.
- 35.
Vgl. Stoetzer, 2020, 36.
- 36.
Vgl. Aldrich/Nelson, 1984, 20.
- 37.
Vgl. Pampel, 2000, v–vi.
- 38.
Vgl. Stoetzer, 2020, 35; Pampel, 2000, 3.
- 39.
Vgl. Aldrich/Nelson, 1984, 31–32.
- 40.
Vgl. Pampel, 2000, v–vi.
- 41.
Vgl. Stoetzer, 2020, 359.
- 42.
Vgl. Backhaus et al., 2018, 288.
- 43.
„Diese Idee ist so generell, dass sie sowohl auf lineare wie auch nichtlineare Modelle angewandt werden kann.“ Gautschi, 2010, 205.
- 44.
Vgl. Gautschi, 2010, 207.
- 45.
Vgl. Wolf/Best, 2010, 827; Aldrich/Nelson, 1984, 20.
- 46.
Vgl. Stoetzer, 2020, 31; Wolf/Best, 2010, 827.
- 47.
Vgl. Aldrich/Nelson, 1984, 20.
- 48.
Vgl. Backhaus et al., 2018, 274.
- 49.
Zur Herleitung siehe bspw. auch Stoetzer, 2020, 33.
- 50.
Vgl. Wolf/Best, 2010, 828.
- 51.
Vgl. Backhaus et al., 2018, 274.
- 52.
Vgl. Aldrich/Nelson, 1984, 20.
- 53.
Vgl. Wolf/Best, 2010, 828.
- 54.
Vgl. Pampel, 2000, 3; Backhaus et al., 2018, 275.
- 55.
Vgl. Pampel, 2000, 8–9; Wolf/Best, 2010, 829.
- 56.
Vgl. Pampel, 2000, 7–8.
- 57.
Vgl. Behnke, 2015, 67.
- 58.
Vgl. Pampel, 2000, 5.
- 59.
Vgl. Wolf/Best, 2010, 829.
- 60.
Vgl. Pampel, 2000, 5.
- 61.
Vgl. Backhaus et al., 2018, 279; Wolf/Best, 2010, 830.
- 62.
Vgl. Backhaus et al., 2018, 269 und 279.
- 63.
Vgl. Stoetzer, 2020, 35.
- 64.
Das Probit-Modell stellt eine Alternative zum Logit-Modell dar und wird im Rahmen der eigenen empirischen Untersuchung als Robustheitstest angewendet.
- 65.
Vgl. Wolf/Best, 2010, 829–830.
- 66.
Vgl. Wolf/Best, 2010, 829.
- 67.
Vgl. Backhaus et al., 2018, 269.
- 68.
Vgl. Backhaus et al., 2018, 275–276.
- 69.
Vgl. Pampel, 2000, 13.
- 70.
Vgl. Backhaus et al., 2018, 293.
- 71.
Vgl. Wolf/Best, 2010, 829.
- 72.
Vgl. Pampel, 2000, 13.
- 73.
Vgl. Backhaus et al., 2018, 294.
- 74.
Vgl. Pampel, 2000, 13.
- 75.
Vgl. Wolf/Best, 2010, 829.
- 76.
Vgl. Wolf/Best, 2010, 830.
- 77.
Vgl. Pampel, 2000, 13.
- 78.
Vgl. Wolf/Best, 2010, 829.
- 79.
Wolf/Best, 2010, 830.
- 80.
Vgl. Wolf/Best, 2010, 830.
- 81.
Vgl. Backhaus et al., 2018, 279.
- 82.
So ist der Zusammenhang mit Wahrscheinlichkeiten nichtlinear, in Bezug auf die Logits soll jedoch eine lineare Funktion vorliegen.
- 83.
Vgl. Stoetzer, 2020, 51.
- 84.
Da vereinfacht ausgedrückt gilt: var(ei) = bxi*(1-bxi) bei Funktion y = bxi + ei. Vgl. Gourieroux, 2000, 6–8.
- 85.
Vgl. Gourieroux, 2000, 7–8; Wolf/Best, 2010, 829.
- 86.
Vgl. Backhaus et al., 2018, 274.
- 87.
Vgl. Pampel, 2000, 8–9.
- 88.
Vgl. Stoetzer, 2020, 359.
- 89.
Vgl. Pampel, 2000, v–vi.
- 90.
Vgl. Backhaus et al., 2018, 271.
- 91.
Stoetzer, 2020, 362.
- 92.
Vgl. Pampel, 2000, 41.
- 93.
Vgl. Backhaus et al., 2018, 288.
- 94.
Vgl. Stoetzer, 2020, 363.
- 95.
Vgl. Pampel, 2000, 41. Um die geschätzte Wahrscheinlichkeit zu berechnen, werden – determiniert durch die unbekannten Werte der Regressionskoeffizienten und der unabhängigen Variablen – Odds in Logits umgewandelt und in die logistische Regressionsfunktion (siehe Formel 9) eingesetzt.
- 96.
Vgl. Backhaus et al., 2018, 289; Pampel, 2000, 41.
- 97.
Die Notation E-x gibt an, um wie viele Dezimalstellen (x-Stellen) die errechneten Likelihood nach rechts verschoben wird. Vgl. Stoetzer, 2020, 363.
- 98.
Vgl. Pampel, 2000, 43.
- 99.
Vgl. Stoetzer, 2020, 364; Backhaus et al., 2018, 289.
- 100.
Vgl. Pampel, 2000, 44.
- 101.
Vgl. Backhaus et al., 2018, 289.
- 102.
Vgl. Backhaus et al., 2018, 289.
- 103.
Vgl. Pampel, 2000, 45.
- 104.
Vgl. Stoetzer, 2020, 365.
- 105.
Vgl. Behnke, 2015, 71.
- 106.
Vgl. Pampel, 2000, 18.
- 107.
Das heißt: \(Logit = b_{0} + {\varvec{b}}_{1} ({\varvec{x}}_{1} + 1) + \ldots + b_{k} x_{k} = b_{0} + b_{1} x_{1} + {\varvec{b}}_{1} + \ldots + b_{k} x_{k}\).
- 108.
Vgl. Pampel, 2000, 19.
- 109.
Vgl. Backhaus et al., 2018, 294.
- 110.
Vgl. Behnke, 2015, 73.
- 111.
Vgl. Wolf/Best, 2010, 831.
- 112.
Vgl. Wolf/Best, 2010, 831.
- 113.
Vgl. Pampel, 2000, 21.
- 114.
Vgl. Backhaus et al., 2018, 293.
- 115.
Vgl. Behnke, 2015, 74.
- 116.
Vgl. Pampel, 2000, 22.
- 117.
Vgl. Wolf/Best, 2010, 832.
- 118.
Vgl. Backhaus et al., 2018, 293 und 295.
- 119.
Vgl. Pampel, 2000, 22–23.
- 120.
Vgl. Pampel, 2000, 19.
- 121.
Vgl. Behnke, 2015, 75.
- 122.
Conditional Effect Plots stellen geschätzte Wahrscheinlichkeiten für ausgewählte Ausprägungen einer X-Variable gegen eine andere X-Variable in einem Koordinatensystem graphisch dar. Vgl. Wolf/Best, 2010, 852. Mittels AME kann der durchschnittliche additive marginale Effekt der X-Variablen auf die Wahrscheinlichkeiten für P(Y = 1) mit einer einzigen Größe berechnet werden. Nimmt der Wert der unabhängigen Variable dabei um eine Einheit zu, steigt die Wahrscheinlichkeit des Eintritts eines Zustands bzw. Ereignisses um AME-Punkte. Vgl. Wolf/Best, 2010, 838–840 und 852.
- 123.
Vgl. Backhaus et al., 2018, 296.
- 124.
Der Likelihood-Ratio-Test wird auch als Likelihood-Quotienten-Test bezeichnet. Vgl. Backhaus et al., 2018, 297.
- 125.
Vgl. Stoetzer, 2020, 368.
- 126.
Vgl. Pampel, 2000, 47.
- 127.
Vgl. Backhaus et al., 2018, 297.
- 128.
Vgl. Pampel, 2000, 45.
- 129.
Vgl. Stoetzer, 2020, 368.
- 130.
Vgl. Backhaus et al., 2018, 297–298.
- 131.
Vgl. Pampel, 2000, 45–46.
- 132.
Vgl. Backhaus et al., 2018, 298–299.
- 133.
Vgl. Stoetzer, 2020, 369.
- 134.
Vgl. Backhaus et al., 2018, 299.
- 135.
Das maximal zu erreichende Pseudo-R2 nach Cox & Snell beträgt \(1 - \left( {L_{0} } \right) ^{\frac{2}{K}}\). Vgl. Behnke, 2015, 104.
- 136.
Vgl. Backhaus et al., 2018, 299.
- 137.
Vgl. Behnke, 2015, 104.
- 138.
Vgl. Backhaus et al., 2018, 300–301.
- 139.
Vgl. Backhaus et al., 2018, 301–302.
- 140.
Vgl. Pampel, 2000, 48.
- 141.
Vgl. Behnke, 2015, 116; Backhaus et al., 2018, 301.
- 142.
Vgl. Behnke, 2015, 116.
- 143.
Vgl. Backhaus et al., 2018, 302.
- 144.
Vgl. Backhaus et al., 2018, 307.
- 145.
Vgl. Kühnel/Krebs, 2010, 864.
- 146.
Vgl. Williams, 2016, 7.
- 147.
Vgl. Stoetzer, 2020, 64.
- 148.
Vgl. Kühnel/Krebs, 2010, 864.
- 149.
Vgl. Fullerton, 2009, 307–308. Für eine Übersicht der verschiedenen Modelle und deren Einordnung siehe Fullerton, 2009, 309.
- 150.
Vgl. Williams, 2016, 7.
- 151.
Vgl. Kühnel/Krebs, 2010, 865.
- 152.
Vgl. Fullerton, 2009, 309.
- 153.
Vgl. Fullerton, 2009, 311.
- 154.
Das Einkommen könnte in Kategorien wie $ 0 als Kategorie 1, $ 1-$ 10.000 als Kategorie 2, $ 10.001-$ 30.000 als Kategorie 3, $ 30.001-$ 60.000 als Kategorie 4 und $ 60.001 oder höher als Kategorie 5 codiert werden. Vgl. Williams, 2016, 8.
- 155.
Vgl. Stoetzer, 2020, 64.
- 156.
Vgl. Kühnel/Krebs, 2010, 864.
- 157.
Vgl. Fullerton, 2009, 311.
- 158.
Vgl. Kühnel/Krebs, 2010, 864–865.
- 159.
Außer von den durch die Stichprobenvariabilität verursachten Unterschieden. Vgl. Williams, 2016, 9.
- 160.
Zudem wird das Ordered Logit Modell auch als Proportional Odds Modell bezeichnet, denn wenn die Annahmen des Modells erfüllt sind, werden die Odds Ratios gleich bleiben in den K-1 Regressionen. So wird für die Annahme oftmals auch der Terminus „proportional odds assumption“ verwendet. Vgl. Williams, 2016, 9.
- 161.
Vgl. Stoetzer, 2020, 64.
- 162.
Vgl. Kühnel/Krebs, 2010, 865.
- 163.
Vgl. Stoetzer, 2020, 64–65.
- 164.
Vgl. Kühnel/Krebs, 2010, 864.
- 165.
Vgl. Stoetzer, 2020, 65.
- 166.
Vgl. Williams, 2016, 9.
- 167.
Vgl. Stoetzer, 2020, 64–65.
- 168.
Vgl. Buckley et al., 1976.
- 169.
Einflussreiche Beiträge stellen jene von Amiraslani et al., 2023; Stellner et al., 2015 dar. In den folgenden Abschnitten wird jedoch jeweils auf die Studien referenziert, die als Orientierung dienen.
- 170.
Vgl. Fitch, 2021, 1. Für eine genauere Beschreibung der einzelnen Buchstabenkombinationen siehe Abschnitt 3.1.
- 171.
In anderen Beiträgen werden die Rating-Kategorien auch in die andere Richtung recodiert, d. h. mit „1“ für das beste und „7“ für das schlechteste Rating. Siehe bspw. Stellner et al., 2015, 544. Diese Codierung erschwert in Bezug auf die Anwendung in der Regressionsanalyse jedoch die Interpretation.
- 172.
Die Variable SPREAD wird der Datenbank Datastream entnommen.
- 173.
Vgl. Oikonomou et al., 2014, 61.
- 174.
Vgl. Refinitiv, 2022, 3–5.
- 175.
Vgl. Refinitiv, 2022, 22.
- 176.
Von den i. d. R. jährlich aktualisierten ESG-Scores sind die letzten 5 Jahre jeweils „continuous“ und können wöchentlich aktualisiert werden, die Scores die länger als 5 Jahre zurückliegen werden als „definitive“ eingestuft und nicht mehr aktualisiert. Die Aktualisierung der Daten führt zu einer Re-Evaluierung der ESG Scores bspw. durch die Neuaufnahme eines Unternehmens in die Datenbank, durch eine (unterjährige) Änderung in der Berichts- oder Unternehmensstruktur oder durch in den Medien berichtete Kontroversen. Vgl. Refinitiv, 2022, 4.
- 177.
Vgl. Refinitiv, 2022, 3–5.
- 178.
Siehe bspw. Barth et al., 2019.
- 179.
Siehe dazu bspw. Sun/Cui, 2014, 279.
- 180.
Siehe dazu bspw. Handler et al., 2022.
- 181.
Siehe dazu bspw. Bannier et al., 2022; Stellner et al., 2015; OIkonomou et al., 2014; Bauer/Hann, 2010.
- 182.
Zu Untersuchungen inkl. Finanzdienstleistern siehe bspw. Amiraslani et al., 2023; Shahrour et al., 2021.
- 183.
Der ROIC wird in der ESG-Kreditrisiko-Literatur durchaus als Profitabilitäts-Variable herangezogen, siehe bspw. Stellner et al., 2015, 543 oder Ge/Liu, 2015, 604.
- 184.
In die Regressionsmodelle werden die Variablen TOT.ASSETS, AM.ISSUED und MOD.DURATION als natürlicher Logarithmus aufgenommen.
- 185.
Vgl. Stellner et al., 2015, 543; Goss/Roberts, 2011, 1800.
- 186.
Vgl. Ge/Liu, 2015, 604.
- 187.
Vgl. Stellner et al., 2015, 543.
- 188.
Vgl. Dorfleitner et al., 2019, 9.
- 189.
Vgl. Amiraslani et al., 2023, 432; Stellner et al., 2015, 543; Campbell/Taksler, 2003.
- 190.
Vgl. Amiraslani et al., 2023, 432; Stellner et al., 2015, 543; Merton, 1974.
- 191.
Das Gesamtvermögen wird der Worldscope-Datenbank (aus Datastream) mit dem Code WC02999 entnommen und entspricht: sum of total current assets, long term receivables, investment in unconsolidated subsidiaries, other investments, net property plant and equipment and other assets. Speziell wird von Worldscope neben dieser genannten Berechnung für grds. alle Branchen aber auch die Berechnung von Banken, Versicherungsgesellschaften und sonstigen Finanzdienstleistern genannt. Das Gesamtvermögen von Banken entspricht: sum of cash & due from banks, total investments, net loans, customer liability on acceptances (if included in total assets), investment in unconsolidated subsidiaries, real estate assets, net property, plant and equipment and other assets. Das Gesamtvermögen von Versicherungsgesellschaften entspricht: sum of cash, total investments, premium balance receivables, investments in unconsolidated subsidiaries, net property, plant and equipment and other assets. Das Gesamtvermögen von sonstigen Finanzunternehmen entspricht: sum of cash & equivalents, receivables, securities inventory, custody securities, total investments, net loans, net property, plant and equipment, investments in unconsolidated subsidiaries and other assets.
- 192.
Der Return On Invested Capital wird der Worldscope-Datenbank (aus Datastream) mit dem Code WC08376 entnommen. Die Kennzahl wird wie folgt berechnet: (Net Income – Bottom Line + ((Interest Expense on Debt – Interest Capitalized) * (1-Tax Rate))) / Average of Last Year's and Current Year’s (Total Capital + Short Term Debt & Current Portion of Long Term Debt) * 100.
- 193.
Die Price Volatility wird der Worldscope-Datenbank (aus Datastream) mit dem Code WC08806 entnommen. Eine Kursvolatilität von 20 % bedeutet beispielsweise, dass die jährlichen Höchst- und Tiefstkurse einer Aktie in der Vergangenheit um + 20 % bis -20 % von ihrem jährlichen Durchschnittskurs abgewichen sind.
- 194.
Total Debt % Total Capital wird der Worldscope-Datenbank (aus Datastream) mit dem Code WC08221 entnommen. Die Kennzahl wird wie folgt berechnet: (Long Term Debt + Short Term Debt & Current Portion of Long Term Debt) / (Total Capital + Short Term Debt & Current Portion of Long Term Debt) * 100.
- 195.
Das Beta wird Datastream entnommen, DS HISTORICAL BETA LOCAL INDEX, Code: 897E.
- 196.
Die Daten zu den Emissionsvolumina werden aus den abgerufenen Refinitiv Eikon-Daten zu den Anleiheemissionen entnommen.
- 197.
Die Daten zum Emissions- und Tilgungszeitpunkt werden aus den abgerufenen Refinitiv Eikon-Daten zu den Anleiheemissionen entnommen.
- 198.
Die Modified Duration (in Jahren) wird Datastream entnommen, Code: DMFL. Die Variable wird wie folgt berechnet:\(MD = \frac{D}{{1 + \frac{Yh}{{H*100}}}} , D = Duration\, to\, maturity\, in\, years, Yh = Yield\, compounded\, H\, times\, per\, annum, H = Coupon \, frequency.\)
- 199.
Die Daten zur Besicherung einer Anleihe werden aus den abgerufenen Refinitiv Eikon-Daten zu den Anleiheemissionen entnommen.
- 200.
Vgl. Ge/Liu, 2015, 604.
- 201.
Vgl. Sengupta, 1998, 463.
- 202.
Vgl. Ge/Liu, 2015, 604; Sengupta, 1998, 463.
- 203.
Es existiert jedoch auch Literatur, die analysiert, dass Banken besicherte Kredite an Kreditnehmer mit geringer Qualität vergeben, während Kreditnehmer mit höherer Qualität unbesicherte Kredite aushandeln. Vgl. Goss/Roberts, 2011, 1800.
- 204.
Die TRBC-Klassifikation wird Datastream entnommen (Code: TRIN) und unterteilt grds. in 14 grobe Sektoren (Economic Sector): TR1N returns the Economic Sector name from The Refinitiv Business Classification system. Covering over 250,000 securities in 130 countries to 5 levels of granularity, The Refinitiv Business Classifications (TRBC) is the most comprehensive, detailed, and up-to-date sector and industry classification available. Dedicated, local language speaking analysts utilize company filings, Reuters news, and our corporate actions services in order to assign and maintain a company's activity. The basis for our sector indices, TRBC helps you identify, monitor, and analyze companies and industries across global markets. It is the ideal tool for benchmarking, peer comparison and navigation, and building custom sector and thematic indices. TRBC consists of five levels of hierarchical structure. Each company is allocated an Activity which falls under an Industry, then an Industry group, then Business Sector, which is then part of an overall Economic Sector. Nach der TRBC-Klassifikation werden grds. folgende Branchen klassifiziert: Energy, Basic Materials, Industrials, Consumer Cyclicals, Consumer Non-Cyclicals, Financials, Healthcare, Technology, Utilities, Real Estate, Institutions, Associations & Organizations, Government Activity, Academic und Educational Services.
- 205.
Es wird in der Stichprobe insgesamt in 10 Branchen klassifiziert, wie auch bspw. in Goss/Roberts, 2011, 1800. Vier der insgesamt 14 von TRBC klassifizierten Branchen sind demnach nicht in der Stichprobe enthalten.
- 206.
Siehe Kritik zur Kontrolle der Länderfaktoren auch in Brunner-Kirchmair, 2019, 217–218; Geppert et al., 2004, 385.
- 207.
Vgl. Marquis et al., 2016, 499.
- 208.
Vgl. Stellner et al., 2015.
- 209.
Vgl. Barth et al., 2022, 2.
- 210.
Werden nur in Euro notierte Anleihen herangezogen, wird eine vergleichbare Basis geschaffen und Währungseffekte eliminiert. Siehe dazu bspw. auch Stellner et al. (2015): „Since we obviously have to incorporate bonds from various countries in our data sample […] we would have to adjust for currency risk if we compare yield spreads from countries with different currencies. In a data sample drawn from a monetary union, this problem does not occur.“ Stellner et al., 2015, 539.
- 211.
Siehe bspw. Oikonomou et al., 2014, 60; Menz, 2010, 124.
- 212.
Da die Schätzung abhängiger Variablen die innerhalb eines Jahres variieren (aufgrund mehrerer Emissionen pro Jahr) mit jährlich konstanten unternehmensspezifischen Kontrollvariablen (einschließlich ESG) die Ergebnisse verzerren könnte. Vgl. bspw. Moulton, 1986.
- 213.
Im Vergleich dazu berechnen sich die Multiple von Bauer et al. (2009) mit ca. 4 (2.265 Anleihen emittiert von 568 Unternehmen), von Oikonomou et al. (2014) mit ca. 4,4 (3.240 Anleihen emittiert von 742 Unternehmen), Salvi et al. (2021) mit ca. 5,2 (mit 4.574 Anleihen emittiert von 881 Unternehmen) oder von Ge/Liu (2015) mit 1,8 (4.260 Emissionen von 2.317 Unternehmen).
- 214.
Vgl. Vittinghoff/McCulloch, 2007, 710.
- 215.
Für eine genauere Erläuterung zur binären logistischen Regression siehe Abschnitt 5.1.2.1.
- 216.
Für eine genauere Erläuterung zur ordinalen logistischen Regression siehe Abschnitt 5.1.2.2.
- 217.
Siehe dazu die Überprüfung der Verteilung der Variable SPREAD in den empirischen Ergebnissen in Kapitel 6.
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
Copyright information
© 2024 Der/die Autor(en), exklusiv lizenziert an Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Gappmaier, A. (2024). Methodik der empirischen Untersuchung zu ESG und Kreditrisiko. In: Der Einfluss von ESG auf das Kreditrisiko. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-45004-5_5
Download citation
DOI: https://doi.org/10.1007/978-3-658-45004-5_5
Published:
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-45003-8
Online ISBN: 978-3-658-45004-5
eBook Packages: Business and Economics (German Language)