5 Empiriskt resultat
5.4 Multipel regressionsanalys
Multipel regressionsanalys används för att på ett mer tillförlitligt sätt mäta ett kausalt samband mellan den beroende och oberoende variabeln genom att ta hänsyn till övriga kontrollvariabler som kan ha en påverkan på resultatet.
Således kontrollerar man för så kallade falska samband vilket innebär att effekten på den beroende variabeln kan förklaras av en annan variabel än den oberoende (Bryman & Bell, 2017).
Genomförda medelvärdesjämförelser samt bivariata analyser visade att den oberoende variabeln inte har någon signifikant påverkan på den beroende, vilket även en regressionsanalys visar. Syftet med denna regressionsanalys är därför främst att kontrollera ifall det finns några andra samband mellan den beroende variabeln och studiens resterande variabler. Tester på separata undergrupper i studien har också genomförts för att identifiera befintliga samband i dessa. Med undergrupper menar vi en specifik utvald grupp från vårt urval, exempelvis bilägare, de som tror att SRI bidrar till ett hållbart samhälle osv.
Vi har i detta avsnitt valt att presentera sammanlagt sex regressionsmodeller fördelade mellan två tabeller (se tabell 7 på sida 100 och tabell 8 på sida 102). Tabell 7 visar två modeller där vi genomför analyser på hela studiens tillgängliga urval. Tabell 8 visar däremot modeller som testar specifika undergrupper av urvalet. Av denna anledning har vi valt att separera de sex modellerna för att göra det enklare att tyda för läsaren.
Regressionstabellerna presenterar statistiskt signifikanta samband enligt två signifikansnivåer, antingen på 0,05 nivån eller på 0,01 nivån. I denna studie godtar vi samband som minst har en signifikansnivå på 0,05, vilket innebär att vi med 95 % säkerhet kan säga att det finns ett samband mellan variablerna som inte berott på slumpen.
Tabellerna visar även antal respondenter, justerat R2-värde, signifikans via ANOVA-mått, ostandardiserade betakoefficienter samt standardfel för samtliga sex modeller som presenteras i denna studie. Det justerade R2 -värdet är ett mått som uttalar sig om de oberoende variablernas förklaringsgrad av förändringen på den beroende variabeln. Enkelt förklarat visar den i procent hur stor grad av den beroende variabelns variation kan hänföras till de oberoende variablerna. Signifikansen enligt ANOVA-måttet visar huruvida modellen är signifikant i sin helhet. Ett värde som är över 0,05 innebär att modellen inte är signifikant och måste därmed förkastas i sin helhet. Ostandardiserade betakoefficienter visar graden av påverkan på den beroende variabeln, dvs. hur en ökning av den oberoende variabeln påverkar den beroende. Asterisken vid siffran visar huruvida denna påverkan är signifikant.
Förutom den information som tabellerna 7 och 8 visar har även VIF-test genomförts för att återigen kontrollera för multikollinearitet. Testet visade att ingen modell har ett VIF-värde som överstiger 2, därmed råder det ingen risk för multikollinearitet.
Tabell 7. Påverkan på valet av SRI. Ostandardiserade b-koefficienter, standardfel inom parenteser. Beroende variabel: Greener Pastures fund.
5.4.1.1 Modell 1
Sambandet mellan studiens samtliga relevanta variabler testas i modell 1.
Modellen visar inget signifikant samband mellan vår oberoende variabel experimentenkät och beroende variabel Greener Pastures fund. Signifikansen enligt ANOVA-måttet överstiger dessutom gränsen som är satt vid 0,05, vilket innebär att modellen förkastas i sin helhet. Därmed accepteras inga övriga samband som denna modell uppvisar.
5.4.1.2 Modell 2
Eftersom den första modellen inte gav upphov till några användbara resultat beslutade vi oss för att testa regressionsanalyser enligt stepwise-metoden.
Med detta menas att statistikprogrammet identifierar de variabler med högst prediktor och stegvis lägger in dessa i modeller utefter deras påverkan på den beroende variabeln. De variabler som ej har en signifikant påverkan på den beroende variabeln lämnas utanför modellen.
Enligt denna modell identifierades enbart flygtimmar som en prediktor för minskade investeringar i Greener Pastures fund. Värt att konstatera är att detta samband ej hittades via en bivariat analys enligt Pearsons r (Se bilaga 4). Dessutom inkluderades inte riskvillighet som en prediktor i denna modell, vilket identifierades ha en signifikant och större påverkan än flygtimmar enligt korrelationsmatrisen.
Vad betakoefficienten säger oss är att en ökning i antal flygtimmar leder till en signifikant minskning av investeringar i SRI. Det justerade R2-värdet är dock enbart 2,3 %, vilket innebär att flygtimmar endast förklarar 2,3 % av förändringen i investeringar i Greener Pastures fund. Enbart flygtimmar har således en ganska låg förklaringsgrad på respondenternas preferenser av SRI, men det går trots allt att se det finns en negativ samverkan däremellan.
Tabell 8. Påverkan på valet av SRI hos utvalda undergrupper av studiens urval.
Ostandardiserade b-koefficienter, standardfel inom parenteser. Beroende variabel: Greener Pastures fund.
5.4.1.3 Modell 1a
I modell 1a gick vi vidare med att enbart testa undergruppen som svarat “ja”
på frågan om att socialt ansvarstagande investeringar leder till mer hållbarhet. Det identifieras således som en grupp som tror på att det går att bidra till positiva samhällsförändringar genom att investera i SRI. Även denna modell genomfördes enligt stepwise-metoden eftersom ett test med samtliga variabler inte gav någon signifikant modell.
Modellen visar att flygtimmar är en något högre prediktor för minskade investeringar i Greener Pastures fund i denna undergrupp. Men mest intressant här är att även föräldrarnas examen utgör en signifikant prediktor
för investeringar i SRI. Att ha minst en akademiskt utbildad förälder utgör alltså i denna modell en hög prediktor för att investera hållbart. Det justerade R2-värdet uppgår även till 12,1 % i denna modell, vilket är en klar ökning från de tidigare modellerna. Det säger oss att akademiskt utbildade föräldrar bidrar med en högre förklaringsgrad för preferenser av SRI än flygtimmar.
Viktigt att återigen påpeka är dock att detta resultat enbart hänför sig till undergruppen som tror att SRI bidrar till ett hållbart samhälle.
5.4.1.4 Modell 2b
I modell 2b testas den undergrupp som identifierats som riskaversiv. Även här kan vi se att flygtimmar till och med har en högre negativ påverkan på investeringar i Greener Pastures fund än tidigare modeller. Det nya fyndet här är dock att politiskt vänster identifierats som en prediktiv variabel. Att vara politiskt vänster inom denna undergrupp utgör alltså en markant positiv prediktor för att investera i SRI. R2-värdet uppgår dock endast till 6,3 % vilket innebär att modellen överlag har en låg förklaringsgrad.
5.4.1.5 Modell 3c
I modell 3c testas den undergrupp som utgörs av bilägare. Här hittades ett signifikant samband mellan välgörenhet och investeringar i Greener Pastures fund. Det innebär att bilägare som skänker till välgörenhet också investerar i SRI i större utsträckning.
Det justerade R2-värdet uppgår till 5,7 %.
5.4.1.6 Modell 4d
Modell 4d ger en återkoppling till modell 1a genom att undersöka undergruppen vars föräldrar har en akademisk examen. Som förutspått ser vi att tron på att SRI leder till ett mer hållbart samhälle utgör en prediktor att investera i SRI. Sammanfattningsvis säger det oss att den undergrupp vars
föräldrar har en akademisk examen och samtidigt tror på att SRI bidrar till ett bättre samhälle också investerar mer i Greener Pastures fund.