Det andra steget i analysen består av att undersöka om det finns någon multikollinearitet eller heteroskedasticitet i det insamlade datamaterialet. Multikollinearitet innebär att de oberoende variablerna samvarierar, det vill säga mäter samma sak, medan heteroskedasticitet innebär att variansen i feltermen inte är konstant utan ökar längs regressionslinjen (Djurfeldt & Barmark 2009). För att säkerställa att det inte finns någon multikollinearitet bör korrelationen mellan de oberoende variablerna understiga .700, annars kan ett VIF-test genomföras. Toleransen bör i detta test överstiga .500, och VIF-faktorn understiga 2.5 för att det inte ska föreligga någon multikollinearitet. För att säkerställa att det inte finns någon heteroskedasticitet har vi studerat utfallet i en P-P plot (Hair Jr. et al. 2019).
6.3 Faktoranalys
För att kunna genomföra en klusteranalys, och på så sätt identifiera var företagen befinner sig i för stadium i livscykel, måste vi först reducera antalet indikatorer som mäter OLC-stadium, detta för att enklare kunna dela in företagen i grupper efter vilka egenskaperna de har. För att reducera antalet indikatorer på bästa sätt har vi gjort en faktoranalys, där målet är att slå ihop indikatorerna till ett mindre antal faktorer, utan att förlora för mycket information (Djurfeldt & Barmark 2009). För att kunna göra en faktoranalys bör antalet observationer vara minst 50, och helst över 100. Utöver detta bör antalet observationer vara minst fem gånger så många som an- talet indikatorer (Hair Jr. et al. 2019). Då vi har elva indikatorer som identifierar var företagen befinner sig, måste enkätsvaren överstiga 55 för att vi ska kunna genomföra detta.
En faktoranalys genomfördes i tre steg; 1) att testa om faktoranalys är möjlig att göra alls, 2) att reducera antalet variabler och 3) identifiera de latenta variabler som förklarar variationen i indikatorerna. Det första steget, att testa om en faktoranalys är möjlig att göra, handlar om att studera korrelationsmatrisen för att se vilka indikatorer som samvarierar. En tumregel är att det ska finnas några korrelationskoefficienter som överstiger ett värde på .300 för att det ska vara meningsfullt att gå vidare med att göra en faktoranalys. Två andra mått som bör studeras är KMO-faktorn och Bartletts test, vilka ska vara över .800 respektive under .050, för att det ska vara lämpligt att göra en faktoranalys. Det andra steget, reducering av antalet variabler, syftar till att göra datamaterialet lättare att tolka. Målet med detta är att hitta latenta variabler som förklarar variationen i datamaterialet. För att kunna bestämma hur många faktorer som ska tas med i analysen kan forskaren antingen kolla efter eigenvalues som överstiger 1, eller leta efter ett knä i en scree plot. Det sista steget, att identifiera de latenta variablerna, handlar om att ro- tera axlarna för att fördela den totala variansen mellan de latenta variablerna. Målet är att hitta grupper av indikatorer som laddar högt på en viss faktor. På så vis är det enklare att hitta de latenta variablerna och tolka deras innebörd. En tumregel är att laddningen för en indikator bör överstiga .400 för att den ska inkluderas i faktorn (Hair Jr. et al. 2019).
6.4 Klusteranalys
Efter att vi reducerat antalet variabler, slog vi ihop företagen i grupper med hänsyn till dess egenskaper i förhållande till de faktorer vi identifierat i faktoranalysen. Detta gjordes med en
klusteranalys. Skillnaden från den deskriptiva statistiken, där undersökningsobjekten också kan delas in i grupper, är inte dessa fördefinierade i en klusteranalys utan målet är att skapa grupper med samma egenskaper (Djurfeldt & Barmark 2009). För att göra en klusteranalys måste urvalet på samma sätt som i alla andra analysmetoder vara tillräckligt representativt. Begräns- ningen ligger inte här i det matematiska, utan hur de underliggande antagandena ser ut i urvalet. Om urvalet är litet i förhållande till populationen finns det en risk att de mindre grupperna i populationen inte representeras i urvalet, och att dessa därför felaktigt klustras ihop med andra undersökningsobjekt i urvalet. Ett exempel är att det kan finnas outliers som i populationen till- hör en mindre grupp. I en klusteranalys är det därför viktigt att analysera om outliers verkligen är extremvärden även i populationen (Hair Jr. et al. 2019).
En klusteranalys består av tre steg; 1) att hitta likheter mellan undersökningsobjekten, 2) att identifiera kluster och 3) göra en analys över de olika klustrens egenskaper. Det första steget, att hitta likheter bland undersökningsobjekten, handlar om att bestämma hur många kluster som ska inkluderas i undersökningen. Detta görs med hjälp av en icke-hierarkisk metod, det vill säga att antalet kluster är förbestämt till de fyra stadierna i livscykeln. Det andra steget, att identifiera kluster, handlar om själva utförandet, det vill säga bestämma vilka undersöknings- objekt som hamnar i de olika klustren. Det sista steget, att göra en analys över klustrens egen- skaper, handlar om att identifiera vilka egenskaper som skiljer sig åt mellan klustren (Hair Jr. et al. 2019).
6.5 Regressionsanalys
För att besvara de konstruerade hypoteserna gjorde vi två regressionsanalyser i varje stadium, en multipel linjär för att besvara hypoteserna om enabling controls och constraining controls, och en enkel linjär för att besvara hypoteserna kring dynamic tension. En regressionsanalys används för att identifiera hur mycket, och på vilket sätt den beroende variabeln påverkas av den eller de oberoende variablerna i undersökningsmodellen. Målet är att konstatera om föränd- ringar som uppstår i den beroende variabeln uppkommer till följd av att värdet ändrats på den eller de oberoende variablerna. När forskaren enbart vill studera sambanden mellan en beroen- de variabel och en oberoende variabel kallas det för en enkel linjär regressionsanalys, och om det finns två eller fler oberoende variabler som förklarar förändringar i den beroende variabeln är det en multipel linjär regressionsanalys (Hair Jr. et al. 2019). De ekvationer som ligger till grund för att besvara hypoteserna presenteras nedan:
Multipel linjär regressionsekvation: Prestation(OLC-stadium) = α+β1ECi+β1CCi+εi
Enkel linjär regressionsekvation: Prestation(OLC-stadium) = α+β1DTi+εi
EC = enabling controls CC = constraining controls
DT = dynamic tension
Parametrarna α och β är konstanter som visar interceptet på y-axeln respektive den lutning som regressionslinjen antar. Lutningen på β kan både vara positiv och negativ, vilket visar om det finns ett positivt eller negativt samband. Om värdet på β ligger nära 0 är lutningen flack, vilket innebär att sambandet svagt. På samma sätt visar ett värde nära -1 eller 1, att linjen är brantare, och att det därför finns ett starkare samband. Feltermen ε visar skillnaden som hade funnits om inga störningsvariabler eller mätfel hade förekommit i regressionen. Eftersom en regressions- analys antar att datamaterialet i feltermen är normalfördelad, kommer denna anta ett väntevärde