Hypotesprövning används för att testa antagande om populationer. Grundtanken med hypotesprövning är att forskaren ställer upp två hypoteser och undersöker hur sannolika hypoteserna är givet den insamlade data. Den hypotesen som är mer sannolik är den som är mest benägen att tro på. En hypotesprövning genomförs genom att forskaren väljer
signifikansnivå och formulerar hypoteser och bestämmer testvariabler. För att sedan kunna dra en slutsats utifrån hypotesprövningen (Wahlin, 2015, s. 171). Signifikansnivån visar hur signifikant det statistiska testet är. Den allmänna signifikansnivån inom statistiska tester är 5%-nivån (0,05). Den utgör en maxgräns för p-värdet av hypotestestet och värdet inte får
26 överstiga den nivån. P-värdet är sannolikheten att forskarens testvariabel ska anta ett värde som forskaren observerat. Det finns två olika former av hypoteser, den ena är en nollhypotes som betecknas som H0, och den andra hypotesen är mothypotesen som betecknas som H1. För att nollhypotesen ska kunna förkastas och mothypotesen bekräftas måste p-värdet av hypotestestet understiga den bestämda 5%-nivån (0,05). Om det inte understiger, kan
nollhypotesen inte förkastas och inte heller kan mothypotesen bekräftas (Ibid.). Denna studie har använt sig av hypotesprövning för att testa antaganden om population som den syftade att undersöka.
3.10 Regressionsanalys
Wahlin (2015, s. 255) förklarar att visualisering av data är nödvändig i en statistisk analys. För att det ska vara möjligt att åskådliggöra sambandet mellan kvantitativa variabler används regressionsanalys. En regressionsanalys ämnar avspegla effekten av en variabel eller flera kvantitativa variabler på en annan kvantitativ variabel. En variabel är den beroende variabeln, som påverkas av de övriga variablerna, den ligger på y-axeln av diagrammet som regressionsanalysen visar. De oberoende variablerna ligger på x-axeln av diagrammet, som visar hur de som påverkar den beroende variabeln. Regressionsanalys visar således effekten av de oberoende variablerna på den beroende variabeln. Effekten kan vara både negativ såväl som positiv, men det kan också vara att det inte föreligger någon effekt överhuvudtaget. Den typen av regressionsanalys som inkluderar flera oberoende variabler kallas för multipel linjär regression (Ibid.).
Med tanken på att denna studie ville undersöka sambandet mellan variablerna miljö och social av hållbarhetsredovisning och variabeln lönsamhet, var regressionsanalysen en passande statistisk metod som bidrog till att uppfylla studiens syfte. Då den visade om huruvida det föreligger någon effekt av de beroende variablerna, social och miljö, på beroende variabeln lönsamhet. Det användes två variabler för lönsamhet, den första var avkastning på totalt eget kapital, och den andra var avkastning på totalt kapital. Således genomfördes två regressionsanalyser.
Tolkningen om huruvida regressionsanalyserna var signifikanta eller icke-signifikanta utgick ifrån Wahlins (2015, s. 276) förklaring om hur signifikansnivån ska tolkas. Han förklarade att intercept och variabler som har en signifikansnivå som överstiger 5% inte är
27 signifikanta och kan därmed inte bekräftas och tolkas enligt Wahlin (2015, s. 276). Han påpekade dock att intercept och variabler vars signifikansnivå understiger 5% är signifikanta och således kan bekräftas och anses vara tolkningsbara. Förklaringsgraden av
regressionsanalyserna tolkades även utifrån Wahlins (2015, s. 259) redogörelse för hur förklaringsgrad ska tolkas. Han belyste att förklaringsgraden är ett mått på hur stor andel av variationen i y-variabeln som förklaras av den x-variabel som finns med i
regressionsmodellen. Han hävdade att en förklaringsgrad antar värden mellan 0 och 1, men uttrycks den i procent (0–100). En förklaringsgrad som ligger mellan 50%-70% anses vara hög, men en förklaringsgrad som ligger över 70% betraktas som mycket hög. En
förklaringsgrad som däremot ligger mellan 30%-50% tolkas som måttlig, men om den understiger 30%, då anses den vara låg. Det innebär att en regressionsanalys som visar en låg förklaringsgrad tenderar att vara opålitlig och det inte går att härleda ett tillförlitligt resultat från den (Ibid.).
Sundell (SPSS-Akuten, 2012) lyfter dock fram en betydande aspekt av regressionsanalys som är värd att beakta. Det är att forskaren måste inkludera kontrollvariabler i regressionsanalysen för att undvika att det uppstår ett skensamband. Det sambandet innebär att forskaren må betrakta ett samband mellan två variabler, men i själva verket beror sambandet på en annan variabel som påverkar både de två variablerna. Detta problem förhindrar forskaren från att upptäcka kausala effekter mellan två variablerna. Mot den bakgrunden måste forskaren mata in kontrollvariabler i regressionsanalysen som motverkar detta eventuella samband (Ibid). Därmed har studien valt att inkludera en kontrollvariabel för att förhindra den effekten från att uppstå. Den kontrollvariabeln är bolagens soliditet.
Wahlin (2015, s. 272) förklarar att grunden för regressionsanalys är: 𝑦 = 𝑎 + 𝑏!𝑥! + 𝑏"𝑥"+ 𝑏#𝑥#+. . . + 𝑏$𝑥$ Där; 𝑦 = 𝑑𝑒𝑛 𝑏𝑒𝑟𝑜𝑒𝑛𝑑𝑒 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙𝑛 𝑠𝑜𝑚 𝑓ö𝑟𝑘𝑙𝑎𝑟𝑎𝑠, 𝑎 = 𝑖𝑛𝑡𝑒𝑟𝑐𝑒𝑝𝑡 𝑚𝑜𝑡 𝑦 − 𝑎𝑥𝑒𝑙𝑛, 𝑥$ = 𝑒𝑛 𝑜𝑏𝑒𝑟𝑜𝑒𝑛𝑑𝑒 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙 𝑠𝑜𝑚 𝑓ö𝑟𝑘𝑙𝑎𝑟𝑎𝑠 𝑏$ = 𝑓ö𝑟ä𝑛𝑑𝑟𝑖𝑛𝑔𝑠𝑓𝑎𝑘𝑡𝑜𝑟 (𝑘𝑜𝑒𝑓𝑓𝑖𝑐𝑖𝑒𝑛𝑡) 𝑓ö𝑟 𝑑𝑒𝑛 𝑡𝑖𝑙𝑙ℎö𝑟𝑎𝑛𝑑𝑒 𝑜𝑏𝑒𝑟𝑜𝑒𝑛𝑑𝑒 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙𝑛
28
3.11 Reliabilitet och validitet
Bryman och Bell (2016, s. 174) konstaterar att reliabiliteten handlar om hur tillförlighet en studie är. Med det avses om huruvida resultaten från en undersökning blir desamma om undersökningen skulle genomföras på nytt, eller om undersökningen påverkades av slumpmässiga eller tillfälliga betingelser. Det finns tre faktorer att ta hänsyn till i
reliabiliteten enligt Bryman och Bell (2016). Den första faktorn är stabilitet, vilket innebär att måttet som använts i studien är stabilt över en tid och inte fluktuerar, exempelvis om en viss grupps attityd skulle mätas två gånger efter varandra, ska resultatet inte skiljas sig så mycket. Den faktorn finns i denna studie, eftersom måtten för variablerna är fastställda, måttet för hållbarhetsredovisningarna är variablerna samma under år 2013 och varierar inte, detsamma gäller måtten för nyckeltalen, de är stadiga och oföränderliga under år 2018. Därför går det att konstatera att om denna studie skulle genomföras på nytt, då skulle måtten för variablerna vara oföränderliga, vilket stärker reliabiliteten av studien.
En andra faktor som Bryman och Bell (2016) lyfter fram är intern reliabilitet. Den faktorn handlar om de indikatorer som utgör en skala eller index är pålitliga och följdriktiga, vilket innebär att variablerna poäng på någon av indikatorer ska vara överensstämmande med deras poäng på de andra indikatorerna. I denna studie är måtten för variablerna som användes för lönsamhet överensstämmande, eftersom måtten i form av poäng som används för variablerna är samma. Då måtten utgår från en procentskala på 0–100%. Detsamma gäller måtten för hållbarhetsredovisningen, de är också samma och utgår ifrån en intervallskala på 0–7. Detta stärker även studiens reliabilitet.
Vidare nämner Bryman och Bell (2016) en tredje faktor som är viktig att beakta i studiens reliabilitet. Den faktorn är internbedömarreliabilitet, som handlar om huruvida det har förekommit subjektiva tolkningar i samband med insamlandet av data. Det som åsyftas med subjektiva tolkningar är att forskaren tolkar den data som samlas in genom att kategorisera och klassificera den. Desto mindre subjektiva tolkningar det har förekommit, desto mer stärker det studiens reliabilitet, eftersom de subjektiva tolkningarna leder till att olika forskare får olika resultat beroende på hur de har tolkat data. Denna studie har en stark
internbedömarreliabilitet. Det beror på att inga subjektiva tolkningar förekommit i
insamlandet av data. Anledningen är att den data som samlats in bestod av sekundärdata, det vill säga att det är skapat av andra undersökare, vilket innebär att det är tolkning har gjorts av
29 dem och inte av studiens författare. Detta medför till att om denna studie skulle göras på nytt, skulle samma data användas och således blir resultatet samma.
Bryman och Bell (2016, s. 175) förklarar att validitet behandlar frågan om en eller flera indikatorer som utformats i syfte att mäta ett begrepp verkligen mäter just det begreppet. De nämner flera viktiga aspekter av validitet. En aspekt är begreppsvaliditet. Den handlar om huruvida ett mått för ett begrepp verkligen reflekterar det som begreppet anses beteckna. Måttet för de två nyckeltalen som användes för att avspegla lönsamhet är ett vanligt använt mått inom företagsekonomi. Därför stärker det studiens validitet. Dock finns det en
meningsskiljaktighet om hur hållbarhetsredovisning ska mätas. Det finns inget specifikt mått, utan det kan variera från forskare till forskare. Det beror på att definitionen på
hållbarhetsarbete är tvetydig i den akademiska världen och det faktumet lyfter Lin, Liou och Yang (2009) fram i sin studie. Detta medför till att det någorlunda försvagar studiens validitet inom den aspekten. Med tanken på att det är oklart om huruvida det måttet som använts verkligheten avspeglar hållbarhetsredovisningen.
En annan viktig dimension av validitet är intern validitet. Det handlar om huruvida en slutsats som rymmer ett kausalt samband förhållande mellan två och flera variabler är hållbar eller inte. Till exempel kan det vara att forskaren kommer fram till en slutsats att variabel X påverkar variabler Y, och därmed bekräftar ett kausalt samband (Bryman & Bell, 2016). Medan i själva verket kan det bero på en annan dold faktor som orsakar detta samband. För att lösa detta eventuella problem har denna studie inkluderat en kontrollvariabel. I avsnittet 3.10 av metoddelen har det förklarats på djupt om hur påvisat problem kan uppstå och vad som har gjorts för att motverka det. Mot den bakgrunden går det att konstatera att studien har en stark intern validitet (Bryman & Bell, 2016).
En till viktig aspekt som (Bryman och Bell (2016) redogör är extern validitet. Den externa validiteten ämnar belysa frågan om huruvida resultatet som forskaren genererar från sin undersökning kan generaliseras utöver den specifika undersökningskontexten. Därför är det av stor vikt att forskaren tar hänsyn till att välja ut ett urval som är representativt för
populationen som han syftar att undersöka, när undersökningen är baserad på kvantitativ metod. Det noterades tidigare att studien siktar på att undersöka aktiebolag på
30 För att räkna procentsatsen på hur mycket urvalet representerar populationen görs det
31
4. Empiri
Följande avsnitt ger en introduktion till korrelationen mellan studiens variabler. Det efterföljs av regressionsanalyser som visar hur de oberoende variablerna påverkar de beroende
variablerna.
4.1 Korrelationskoefficient
Korrelationer Avkastning på Totalt Kapital Avkastning påEget Kapital Social Miljö Soliditet Avkastning på Totalt Kapital Pearson korrelation 1 0,598** -0,063 0,056 0,053 Sig. (Dubbelsidig) 0,000 0,411 0,462 0,490 N 173 173 173 173 173 Avkastning på Eget Kapital Pearson korrelation 0,598** 1 -0,165* 0,083 0,156* Sig. (Dubbelsidig) 0,000 0,030 0,276 0,040 N 173 173 173 173 173
Social Pearson korrelation -0,063 -0,165* 1 0,631** -0,282**
Sig. (Dubbelsidig) 0,411 0,030 0,000 0,000
N 173 173 173 173 173
Miljö Pearson korrelation 0,056 0,083 0,631** 1 -0,286**
Sig. (Dubbelsidig) 0,462 ,276 0,000 0,000
N 173 173 173 173 173
Soliditet Pearson korrelation 0,053 0,156* -0,282** -0,286** 1
Sig. (Dubbelsidig) 0,490 0,040 0,000 0,000
N 173 173 173 173 173
**. Korrelation är significant på nivå 0.01 (Dubbelsidig). *. Korrelation är significant på nivå 0.05 (Dubbelsidig). Tabell 1: Samtliga variablers korrelationskoefficient.
Pearssons korrelationstest genomfördes för att ta reda om huruvida det förekommer en multikollinearitet mellan de oberoende variablerna. Testet visade att det inte föreligger någon multikollinearitet mellan variablerna. Anledningen är att enligt Wahlin (2015, s 279) existerar det inte någon multikollinearitet om korrelationen inte överstiger 0,70–0,80. Således har samtliga oberoende variabler inkluderats då de inte innehåller samma information.
32
4.2 Regressionsanalys totalt kapital
Modellöversikt
Model R R-kvadrat
Justerad R-
kvadrat Standardavvikelse
1 ,149a ,022 ,005 0,281
a. Predikatorer: (Intercept), Soliditet, Social, Miljö Tabell 2. Regressionsanalys totalt kapital, modellöversikt.
Förklaringsgraden som benämns justerad R-kvadrat, är 0,05. Modellen förklarar därför 5% av variansen på totalt kapital. Det innebär att x-variablerna har en väldigt låg förklaringsgrad på variationen y-variabeln.
ANOVA
Model Kvadratsumma Frihetsgrader
Medelkvadrat
summa F Sig.
1 Regression 0,110 3 0,037 1,287 0,281
Residual 4,7986 169 0,028
Total 4,908 172
a. Beroende variabel: Avkastning på Eget Kapital b. Predikatorer: (Intercept), Soliditet, Social, Miljö Tabell 3. Regressionsanalys totalt kapital, Anova.
Signifikansnivån på regressionsmodellen är högre än 5%, vilket innebär att modellen inte är signifikant och kan därmed inte bekräftas och tolkas.
33 Koefficienter Model Ostd. Koefficienter Std. Koefficienter t Sig. B Std. Fel. Beta 1 (Intercept) 0,058 0,050 1,166 0,245 Social -0,023 0,015 -0,154 -1,555 0,122 Miljö 0,020 0,012 0,170 1,716 0,088 Soliditet 0,048 0,066 0,058 0,725 0,470
a. Beroende variabel: Avkastning på Totalt Kapital Signifikansnivå på 5%
Tabell 4. Regressionsanalysen totalt kapital, samtliga koefficienter.
Interceptet för totalt kapital visar ett positivt resultat på 5,8%. Det betyder att eget kapitalt är positivt när de oberoende variablerna inte ökar. Interceptet är dock inte signifikant och kan därmed inte bekräftas och tolkas.
Koefficienten för oberoende variabeln social visar att eget kapital minskar med 2,3% när social ökar med en enhet givet att andra variabler oberoende är konstanta. Detta påvisar att den sociala aspekten av hållbarhetsredovisningen har en negativ påverkan på eget kapital. Koefficienten är dock inte signifikant och kan därmed inte bekräftas och tolkas.
Koefficienten för oberoende variabeln miljö visar att eget kapital ökar med 2% när miljö ökar med en enhet givet att andra variabler oberoende förblir oförändrade. Detta påvisar att den miljömässiga aspekten av hållbarhetsredovisningen har en positiv påverkan på eget kapital. Koefficienten är dock inte signifikant och kan därmed inte bekräftas och tolkas.
Koefficienten för kontrollvariabeln soliditet visar att eget kapital ökar med 4,8% när soliditet ökar med en enhet givet att andra variabler oberoende förblir oförändrade. Detta påvisar att den kontrollvariabeln soliditet har en positiv påverkan på eget kapital. Koefficienten är dock inte signifikant och kan därmed inte bekräftas och tolkas.
34
4.3 Regressionsanalys eget kapital
Modellöversikt
Modell R R-kvadrat
Justerad R-
kvadrat Standardavvikelse
1 0,330a 0,109 0,093 0,000215
a. Prediktorer : (Intercept), Soliditet, Social, Miljö Signifikansnivå 5%
Tabell 5. Regressionsanalys eget kapital, modellöversikt.
Förklaringsgraden som benämns justerad R-kvadrat, är 0,093. Modellen förklarar därför 9,3% av variansen på totalt kapital. Det innebär att x-variablerna har en väldigt låg förklaringsgrad på variationen y-variabeln.
ANOVA
Model Kvadratsumma Frihetsgrader
Medelkvadrat
summa F Sig.
1 Regression 5,911 3 1,970 6,872 ,000b
Residual 48,456 169 ,287
Total 54,367 172
a. Beroende variabel: Avkastning på Eget Kapital b. Predikatorer: (Intercept), Soliditet, Social, Miljö Tabell 6. Regressionsanalysen eget kapital, Anova.
Signifikansnivån på regressionsmodellen är lägre än 5%, vilket innebär att modellen är signifikant och kan därmed bekräftas och tolkas.
35 Koefficientera Model Ostd. Koefficienter Std. Koefficienter t Sig. B Std. Fel. Beta 1 (Interceptet) -0,033 0,158 -0,208 0,836 Social -0,170 0,048 -0,335 -3,549 0,001 Miljö 0,136 0,038 0,341 3,598 0,000 Soliditet 0,437 0,210 0,159 2,082 0,039
a. Beroende variabel: Avkastning på Eget Kapital Signifikansnivå 5%
Tabell 7. Regressionsanalys eget kapital, samtliga koefficienter.
Interceptet för eget kapital visar ett negativt resultat på -3,3%. Det betyder att eget kapitalt är negativt när de oberoende variablerna inte ökar. Interceptet är dock inte signifikant och kan därmed inte bekräftas och tolkas.
Koefficienten för oberoende variabeln social är signifikant och kan således bekräftas och tolkas. Den visar att eget kapital minskar med -0,170=-17% när variabeln social ökar med en enhet givet att andra variabler oberoende förblir oförändrade. Det påvisar att den sociala aspekten av hållbarhetsredovisningen har en negativ påverkan på eget kapital.
Koefficienten för den oberoende variabeln miljö är signifikant och kan således bekräftas och tolkas. Den visar att eget kapital ökar med 0,136=13,6% när variabeln miljö ökar med en enhet. Detta är givet att värden på övriga oberoende variabler förblir oförändrade. Ökningen påvisar att den miljömässiga aspekten av hållbarhetsredovisningen har en positiv påverkan på eget kapital.
Koefficienten för kontrollvariabeln soliditet är signifikant och kan således bekräftas och tolkas. Den visar att eget kapital ökar med 43,7% när variabeln soliditet ökar med en enhet givet att övriga oberoende variabler förblir oförändrade. Denna ökning påvisar att
36
5. Analys
Följande avsnitt inleder med att redogöra för hur tolkning av regressionsanalyserna adresserar hypoteserna som formulerades. Därefter användes valda teorier som analysverktyg för att analysera resultatet som regressionsanalyserna utmynnade i.