Analysmetoder

Statistikprogrammet IBM SPSS har använts i syfte att analysera de samband denna studie har avsikt att undersöka. Enligt Bryman och Bell (2017) är IBM SPSS det främst använda programmet vid kvantitativa studier. För att genomföra studien analyserades variablerna i flera steg. Först genom univariat analys följt av bivariat analys och slutligen multivariat analys. För att kontrollera eventuell felkälla har ett multikollinearitetstest genomförts.

3.4.1 Univariat analys

En univariat analys innebär att endast en variabel studeras i taget (Bryman & Bell, 2017). Detta bör göras innan en vidare analys eftersom det bringar klarhet i de enskilda variablernas egenskaper (Djurfeldt & Barmark, 2009). Den univariata analysen inleds med att analysera variablernas centraltendens och spridning genom att beräkna medelvärde, standardavvikelse och median för vardera variabel. Variabelns centraltendens mäts inledningsvis genom medelvärdet, vilket beräknas genom att summera all data i en fördelning och dividera detta med antalet värden i fördelningen (Bryman & Bell, 2017). Följande formel beräknas för att undersöka medelvärdet där ȳ=medelvärde, Σ= summa och n= antal:

ȳ=𝑇𝑜𝑡𝑎𝑙/𝑛=∑𝑦∕𝑛

Formel 10: Medelvärde enligt De Veaux, Velleman & Bock, 2016

Efter att medelvärdet har studerats analyseras datamaterialets standardavvikelse vilket är medelvärdets spridning. Standardavvikelsen är således den genomsnittliga variationen av värdet och är en vanlig metod för att mäta detsamma (Bryman & Bell, 2017; De Veaux et al., 2016). För att beräkna standardavvikelsen kan följande formel beräknas där s= standardavvikelsen, y= värdet på variabeln, ȳ= medelvärde, ∑= summa och n= antal:

𝑠 = ^{∑(𝑦 − ŷ)} 𝑛 − 1

30 Variabelns centraltendens studeras ytterligare genom en jämförelse mellan medelvärdet och variabelns median. Medianen är värdet i mitten av variabelns spridning då samtliga värden sorterats i storleksordning (De Veaux et al., 2016).

Denna analys genomförs således för att undersöka medelvärde, standardavvikelse och median för samtliga variabler. Vidare undersöks även histogram av varje variabel för att ytterligare säkerställa att dessa antar en godtagbar fördelning (De Veaux et al., 2016). För att genomföra en univariat analys kommer deskriptiv statistik från IBM SPSS att analyseras i denna studie. Detsamma gäller för datainsamlingen i den nedan beskrivna bivariata och multivariata analysen. I kapitel 4.1 samt tabell 1 återfinns resultatet av den univariata analysen.

3.4.2 Bivariat analys

En bivariat analys innebär att två variabler analyseras samtidigt för att undersöka hur dessa variabler är relaterade till varandra (Bryman & Bell, 2017). Detta syftar till att undersöka huruvida variationen i den ena variabeln sammanfaller med variationen i den andra variabeln. Arten av de studerade variablerna avgör vilken analysmetod som bör användas i det enskilda fallet. Att studera korrelationen är viktigt för att undvika multikollinearitet (Nirino et al., 2021).

Analysen genomförs med Pearsons r vilken är den metod som förespråkas vid kvot- och intervallvariabler. Den erhållna korrelationskoefficienten ligger mellan 1 och 1 där extremvärdena -1 och -1 utgör perfekta samband, det vill säga det starkaste sambandet som går att erhålla (Bryman & Bell, 2017). Ju närmare värdet är 0, desto svagare är således sambandet (De Veaux et al., 2016). Ett positivt respektive negativt samband indikerar vilken riktning sambandet har. Det innebär därmed i vilken omfattning den ena variabeln minskar eller ökar då den andra variabeln ökar (Bryman & Bell, 2017). Resultaten från den bivariata analysen återfinns i avsnitt 4.2 samt tabell 2.

3.4.3 Multivariat analys

En analys av tre eller fler variabler benämns multivariat analys (Bryman & Bell, 2017). Djurfeldt och Barmark (2009, s.19) definierar analysmetoden som en “statistisk analys av flera variabler på samma gång”. Denna multipla regressionsanalys genomförs med en beroende variabel, en oberoende variabel, kontrollvariabler samt ESG-betygets sociala dimension som moderator. Resultatet av den multipla analysen presenteras i avsnitt 4.4. Metoden är välbeprövad och har använts tidigare i

31 liknande studier (Utz, 2019; Aouadi & Marsat, 2018; Nirino et al., 2021). Analysen i studien utgår från signifikansnivån p <0,05 (femprocentsnivå) vilket innebär att risken för att erhålla ett samband i urvalet som inte finns i populationen inte överstiger fem fall av hundra. För det fall detta skulle överskridas förkastas således hypotesen (De Veaux et al., 2016).

I överensstämmelse med ovan tre beroende variabler, en oberoende variabel samt fem kontrollvariabler upprättas regressionsanalyser i denna studie. Dessa regressionsanalyser upprättas för att inledningsvis testa studiens första hypotes, följt av den andra hypotesen. De beroende variablerna testas, i kombination med moderatorn, i separata regressionsanalyser för att undersöka om den oberoende variabeln har någon påverkan på den beroende variabeln. Regressionsanalysen genomförs med den s.k. minsta kvadratmetoden; Ordinary Least Squares (OLS) (Djurfeldt & Barmark, 2009). Resultatet av denna metod genererar sambandet mellan variablerna. Den beroende variabeln (y) och de oberoende variablerna, inklusive kontrollvariabler (𝑥1,𝑥2, osv), samt en konstant (α) utgör den beskrivande funktionen och ser ut enligt följande (Djurfeldt & Barmark, 2009):

y = α + β1x1 + β2x2 +…βnxn + ε y = beroende variabel

xn = oberoende variabler (inkl kontrollvariabler) också kallat prediktorer α = konstantterm

βn= regressionskoefficienter

n = antal oberoende variabler (inkl kontrollvariabler) ε = residualen

De kausala faktorer vilka de oberoende variablerna och kontrollvariablerna inte inkluderar summeras av residualerna (Djurfeldt & Barmark, 2009). Regressionskoefficienterna avser respektive variabels (xn) påverkan på den beroende variabeln (y). Mot bakgrund av ovanstående funktion bildas nedan multipla regressioner för att testa studiens två hypoteser:

Hypotes 1:

Finansiell prestation (Tobin’s Q) = α + β1 Neg Controversies + β2 Ln Total Assets + β3 Ln Employees + β4 Ln Leverage + β5 Ln Liquidity+ β6 Beta + ε

32 Finansiell prestation (ROA) = α + β1 Neg Controversies + β2 Ln Total Assets + β3 Ln Employees + β4 Ln Leverage + β5 Ln Liquidity+ β6 Beta + ε

Finansiell prestation (ROE) = α + β1 Neg Controversies + β2 Ln Total Assets + β3 Ln Employees + β4 Ln Leverage + β5 Ln Liquidity+ β6 Beta + ε

Hypotes 2:

Finansiell prestation (Tobin’s Q) = α + β1 Zscore (NegControversies) + β2 Zscore (SocScore) + β3

CONTxSocScore + β4 Ln Total Assets + β5 Ln Employees + β6 Ln Leverage + β7 Ln Liquidity+ β8 Beta + ε

Finansiell prestation (ROA) = α + β1 Zscore (NegControversies) + β2 Zscore (SocScore) + β3

CONTxSocScore + β4 Ln Total Assets + β5 Ln Employees + β6 Ln Leverage + β7 Ln Liquidity+ β8 Beta + ε

Finansiell prestation (ROE) = α + β1 Zscore (NegControversies) + β2 Zscore (SocScore) + β3

CONTxSocScore + β4 Ln Total Assets + β5 Ln Employees + β6 Ln Leverage + β7 Ln Liquidity+ β8 Beta + ε

Tobin’s Q=företagens börsvärde adderat med totala skulder, dividerat med totala tillgångar

ROA=rörelseresultat efter avskrivningar plus finansiella intäkter, dividerat med totalt kapital.

ROE=resultat efter skatt dividerat med det egna kapitalet.

α = konstantterm

NegControversies= Antalet sociala kontroverser i negativ form.

Zscore(NegControversies)= Z-scores för NegControversies (z-score= antalet st. avv. datan är från medelvärdet).

33 Zscore(SocScore)= Z-scores för SocScore (z-score= antalet st. avv. datan är från medelvärdet).

CONTxSocScore= Zscore(NegControversies) multiplicerat med Zscore(SocScore).

Ln Total Assets= ln(totala tillgångar).

Ln Employees= ln(antal anställda).

Ln Leverage= ln(förhållandet mellan den totala skulden vid räkenskapsperiodens slut och det totala kapitalet för samma period uttryckt i procent).

Ln Liquidity= ln(balanslikviditet=omsättningstillgångar/kortfristiga skulder).

Beta= kovariansen för tillgångens avkastning dividerat med variansen för hela marknadens avkastning.

ε = residualen

3.4.4 Multikollinearitet

För att studiens kvalitet och resultat inte ska komma att påverkas kommer felkällan multikollinearitet att studeras. Multikollinearitet studeras vanligtvis vid regressionsanalyser (Djurfeldt & Barmark, 2009; Aouadi & Marsat, 2018) varför denna tillämpas i studien och beskrivs nedan.

Studiens design bygger på flertalet variabler vilka antas vara oberoende av varandra. En kontroll av det antagandet ansågs därav vara av stor vikt. Multikollinearitet beskrivs vara samvariationen mellan oberoende variabler (Djurfeldt & Barmark, 2009). Detta kontrolleras för att undvika ett snedvridet resultat, vilket kan uppkomma om de oberoende variablerna samvarierar eftersom en variabels påverkan på den beroende variabeln inte kan särskiljas från andra variablers påverkan (Djurfeldt, Larsson & Stjärnhagen, 2010).

För att undersöka om det föreligger multikollinearitet bland de oberoende variablerna samt kontrollvariablerna studeras först korrelationen mellan dessa, där inget värde bör överstiga 0,8 eller understiga -0,8 (Djurfeldt & Barmark, 2009). Korrelationsmatrisen presenteras i kapitel 4.2.