Analysmetoder

3.3.3.3 Rättssystem

Det rättssystem som råder i ett land har stor påverkan på lagar, regleringar och ekonomiska resultat (La Porta, Lopez-De-Silanes & Shleifer, 2008). Således kan rättssystemet påverka både hur företag presterar och redovisar avseende den finansiella prestationen. Då urvalet i denna studie omfattar företag från hela världen samt mätt FP med ett redovisningsbaserat mått har rättssystem inkluderats som en dummyvariabel där företag i länder som utövar civil law eller common law kodats som 0 respektive 1.

3.3.4 Sektorer

Det finns olika sätt att klassificera sektorer. Denna studie utgår från GICS vilket är ett välanvänt klassificeringssystem som använts i studier av bland annat Dazynska-Zygadlo et al. (2016), Feng et al. (2017) och Hoepner et al., (2010). Enligt GICS indelning finns det elva sektorer (MSCI, u.å.):  Energi

 Material

 Industrivaror och -tjänster  Sällanköpsvaror och -tjänster  Dagligvaror  Hälsovård  Finans  Informationsteknik (IT)  Kommunikationsservice  Kraftförsörjning  Fastigheter 3.4 Analysmetoder

Den data som ligger till grund för att besvara syftet har analyserats med hjälp av statistiska metoder, närmare bestämt regressionsanalyser i tre led vars genomförande och syfte beskrivs mer utförligt nedan. Då syftet med studien är att jämföra samband mellan CSR-dimensioner och FP mellan olika sektorer har den insamlade datan delats upp och analyserats för varje sektor. Analysen inleddes med univariata analyser, vilket innebär att varje variabel undersöktes var för sig. Därefter genomfördes bivariata analyser där två variabler analyserades för att undersöka variablernas korrelation. Slutligen analyserades samtliga variabler med hjälp av multivariata regressionsanalyser. Samtliga statistiska analyser har genomförts i statistikprogrammet SPSS som är ett av de mest använda programmen vid statistiska analyser (Körner & Wahlgren, 2005; Bryman & Bell, 2017).

37 3.4.1 Univariat analys

Den univariata analysen utgör studiens beskrivande statistik som syftar till att undersöka och synliggöra variablernas egenskaper i form av centraltendens och spridning (Djurfeldt, Larsson & Stjärnhagen, 2018). Med centraltendens åsyftas ett centralmått som visar var variabelns tyngdpunkt ligger (Eliasson, 2013). De centralmått som använts i denna studie är medelvärde och median. Medelvärdet är det vanligaste centralmåttet för kvantitativa variabler och beräknas genom att ta summan av alla observerade värden dividerat med antalet observationer (Djurfeldt et al., 2018). Medelvärdet är således känsligt på så sätt att det kraftigt påverkas av avvikande värden, så kallade extremvärden (Djurfeldt et al., 2018), därför kompletterades medelvärdet med beräkningar av medianen som motsvarar värdet för den mittersta observationen och därmed är ett mer robust mått som inte påverkas av extremvärden.

För att undersöka spridningen kontrollerades variablernas lägsta och högsta värde (minimum- och maximumvärde) och även standardavvikelse och kvartiler beräknades. Standardavvikelsen är det vanligaste måttet på spridning och är det spridningsmått som är kopplat till medelvärdet (Wahlgren, 2012; Eliasson, 2013). Standardavvikelsen anger de enskilda observationernas genomsnittliga avvikelse från medelvärdet, det vill säga spridningen runt medelvärdet (Djurfeldt et al., 2018). Genom att studera observationernas första och tredje kvartil (Q1 och Q3) ges även möjlighet att beräkna kvartilavståndet, vilket är ett lämpligt kompletterande spridningsmått till

standardavvikelsen (Djurfeldt et al., 2018).

3.4.2 Bivariat analys

Efter analys av den beskrivande statistiken genomfördes bivariata analyser i syfte att undersöka variablernas relation till varandra. Den metod som användes var Pearsons korrelationstest vilket är en bivariat analysmetod som används vid studerandet av sambandet mellan två kvantitativa

variabler (Bryman & Bell, 2017; Djurfeldt et al, 2018). Korrelationskoefficienten (r) anger styrkan i det linjära sambandet mellan variablerna samt beskriver vilken riktning sambandet antar (Djurfeldt et al., 2018). Måttet kan anta värden mellan -1 och 1 där -1 motsvarar ett fullständigt negativt samband och 1 ett fullständigt positivt samband, medan värdet 0 innebär att samband helt saknas. Korrelationskoefficienten beskriver endast samvariationen mellan två variabler och är således ett symmetriskt mått, det säger därmed inte något om orsaksförhållandet mellan variablerna (Djurfeldt et al., 2018).

I samband med beräkningen av korrelationskoefficienten r i SPSS utfördes även ett signifikanstest på 5%-nivå, vilket ofta betraktas som den högsta acceptabla signifikansnivån inom

38 samhällsvetenskaplig forskning (Bryman & Bell, 2017; Djurfeldt et al., 2018). För varje korrelation anges p-värdet som beskriver sannolikheten för att det uppmätta sambandet kan bero på slumpen (Djurfeldt et al., 2018). Ett p-värde som är lika med eller understiger 0,05 tolkas därmed som att sambandet är statistiskt signifikant.

3.4.3 Multivariat analys

I den tredje och avslutande fasen av dataanalysen inkluderades samtliga variabler i multivariata analyser i form av multipla regressionsanalyser, vilket är en vanligt förekommande metod vid multivariat analys (Djurfeldt et al, 2018). Multipel regressionsanalys är även en flitigt använd metod inom tidigare forskning som undersökt sambandet mellan CSR och FP (Feng et al., 2017; McWiliiams et al., 2000; Waddock et al., 1997). Då ett flertal kontrollvariabler inkluderats i studien utgör multipel regressionsanalys en lämplig metod då metoden möjliggör analys av variationen i den beroende variabeln med hjälp av flera förklarande (oberoende) variabler (Körner & Wahlgren, 2005).

Studiens syfte är att undersöka hur de olika CSR-dimensionerna påverkar den finansiella

prestationen inom olika sektorer. För att möjliggöra detta har 33 multipla regressioner genomförts där ROA utgjort den beroende variabeln och de tre CSR-dimensionerna miljö, social och

bolagsstyrning ingått som oberoende variabler i separata regressionsmodeller tillsammans med kontrollvariablerna som sedan beräknats inom varje sektor. De multipla regressionsanalyserna bygger på följande ekvation (Djurfeldt et al., 2018):

𝑦 = 𝑎 + 𝛽 𝑥 + 𝛽 𝑥 . . . +𝛽 𝑥 + 𝜀 där: 𝑦 = 𝑏𝑒𝑟𝑜𝑒𝑛𝑑𝑒 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙 𝑎 = 𝑘𝑜𝑛𝑠𝑡𝑎𝑛𝑡 𝛽 = 𝑏𝑒𝑡𝑎𝑘𝑜𝑒𝑓𝑓𝑖𝑐𝑒𝑛𝑡 𝑥 = 𝑜𝑏𝑒𝑟𝑜𝑒𝑛𝑑𝑒 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙 𝜀 = 𝑟𝑒𝑠𝑖𝑑𝑢𝑎𝑙

De multipla regressionsanalyserna är den del av dataanalysen som syftat till att besvara studiens syfte och frågeställningar. Följande multipla regressioner har genomförts inom varje sektor för att testa studiens hypoteser:

39

𝐹𝑃 = 𝑎 + 𝛽 𝑀𝑖𝑙𝑗ö + 𝛽 𝑆𝑡𝑜𝑟𝑙𝑒𝑘 + 𝛽 𝑅𝑖𝑠𝑘 + 𝛽 𝑅ä𝑡𝑡𝑠𝑠𝑦𝑠𝑡𝑒𝑚 +𝜀 (Ekvation 1)

Ekvation 1 syftar till att testa H1: Den miljömässiga CSR-dimensionens påverkan på den finansiella prestationen i företag varierar inom olika sektorer.

𝐹𝑃 = 𝑎 + 𝛽 𝑆𝑜𝑐𝑖𝑎𝑙 + 𝛽 𝑆𝑡𝑜𝑟𝑙𝑒𝑘 + 𝛽 𝑅𝑖𝑠𝑘 + 𝛽 𝑅ä𝑡𝑡𝑠𝑠𝑦𝑠𝑡𝑒𝑚 +𝜀 (Ekvation 2)

Ekvation 2 syftar till att testa H2: Den sociala CSR-dimensionens påverkan på den finansiella prestationen i företag varierar inom olika sektorer.

𝐹𝑃 = 𝑎 + 𝛽 𝐵𝑜𝑙𝑎𝑔𝑠𝑠𝑡𝑦𝑟𝑛𝑖𝑛𝑔 + 𝛽 𝑆𝑡𝑜𝑟𝑙𝑒𝑘 + 𝛽 𝑅𝑖𝑠𝑘 + 𝛽 𝑅ä𝑡𝑡𝑠𝑠𝑦𝑠𝑡𝑒𝑚 +𝜀 (Ekvation 3)

Ekvation 3 syftar till att testa H3: Bolagsstyrningsdimensionens påverkan på den finansiella prestationen i företag varierar inom olika sektorer.

𝐹𝑃 = 𝑅𝑂𝐴 𝑀𝑖𝑙𝑗ö = 𝐷𝑒𝑛 𝑚𝑖𝑙𝑗ö𝑚ä𝑠𝑠𝑖𝑔𝑎 𝑑𝑖𝑚𝑒𝑛𝑠𝑖𝑜𝑛𝑒𝑛 𝑎𝑣 𝐸𝑆𝐺 𝑆𝑜𝑐𝑖𝑎𝑙 = 𝐷𝑒𝑛 𝑠𝑜𝑐𝑖𝑎𝑙𝑎 𝑑𝑖𝑚𝑒𝑛𝑠𝑖𝑜𝑛𝑒𝑛 𝑎𝑣 𝐸𝑆𝐺 𝐵𝑜𝑙𝑎𝑔𝑠𝑠𝑡𝑦𝑟𝑛𝑖𝑛𝑔 = 𝐵𝑜𝑙𝑎𝑔𝑠𝑠𝑡𝑦𝑟𝑛𝑖𝑛𝑔𝑠𝑑𝑖𝑚𝑒𝑛𝑠𝑖𝑜𝑛𝑒𝑛 𝑎𝑣 𝐸𝑆𝐺 𝑆𝑡𝑜𝑟𝑙𝑒𝑘 = 𝐿𝑛(𝑇𝑜𝑡𝑎𝑙𝑎 𝑡𝑖𝑙𝑙𝑔å𝑛𝑔𝑎𝑟) 𝑅𝑖𝑠𝑘 = 𝐿å𝑛𝑔𝑓𝑟𝑖𝑠𝑡𝑖𝑔𝑎 𝑠𝑘𝑢𝑙𝑑𝑒𝑟 / 𝑇𝑜𝑡𝑎𝑙𝑎 𝑡𝑖𝑙𝑙𝑔å𝑛𝑔𝑎𝑟 𝑅ä𝑡𝑡𝑠𝑠𝑦𝑠𝑡𝑒𝑚 = 𝐶𝑖𝑣𝑖𝑙 𝑙𝑎𝑤/𝐶𝑜𝑚𝑚𝑜𝑛 𝑙𝑎𝑤 (𝐶𝑖𝑣𝑖𝑙 𝑙𝑎𝑤 = 0, 𝐶𝑜𝑚𝑚𝑜𝑛 𝑙𝑎𝑤 = 1) 3.4.3.1 Felkällor

Det finns ett flertal felkällor som kan uppkomma vid multipel regressionsanalys och enligt Djurfeldt et al. (2018) uppkommer många av dessa när normalitet i datamaterialet inte föreligger. Ett

grundläggande antagande vid multipel regressionsanalys är att modellens residualer är normalfördelade (De Veaux et al., 2016), vilket kontrollerades när de multipla

regressionsanalyserna genomfördes. Normalitetsantagandet kan kontrolleras med hjälp av ett histogram över den standardiserade residualen, där residualerna för observationerna bör vara centrerade kring medelvärdet 0 och förhålla sig inom tre standardavvikelser från medelvärdet (Djurfeldt et al., 2018). Visuellt bör histogrammet således anta formen av en “klocka” och vara symmetrisk och unimodal. Genom att studera ett histogram över den standardiserade residualen för varje regressionsmodell i SPSS gjordes en visuell bedömning huruvida residualen visar på en approximativ normalfördelning och om antagandet om normalitet stämmer.

Multikollinearitet utgör en annan felkälla i multipel regressionsanalys som innebär att de oberoende variablerna i regressionsmodellen är inbördes korrelerade, vilket leder till att modellens skattning av koefficienterna för de oberoende variablerna inte är tillförlitliga (Djurfeldt et al., 2018).

40 Multikollinearitet kan upptäckas genom att studera korrelationen mellan de oberoende variablerna i en korrelationsmatris (Djurfeldt et al., 2018), vilket är den metod som använts för att undersöka om multikollinearitet föreligger. Vid kontrollerandet av denna felkälla har korrelationerna undersökts mellan de oberoende variabler som ingår i samma regressionsmodeller, det vill säga de tre CSR-dimensionerna var för sig samt kontrollvariablerna storlek och risk. Enligt Djurfeldt et al. (2018) bör korrelationen mellan de oberoende variablerna inte överstiga 0,8 vilket därmed är det

gränsvärde som tillämpats i denna studie. Multikollinearitet är dock inte alltid synlig i en

korrelationsmatris (Djurfeldt et al., 2018), därför kontrollerades även VIF (variance inflation factor) för varje oberoende variabel som ytterligare försäkran om att multikollinearitet inte förelåg.

Djurfeldt et al. (2018) menar att det kritiska värdet för VIF ofta sätts till 2,5, ett värde som är lika med eller överstiger detta värde signalerar alltså problem med multikollinearitet.