Multipel regressionsanalys

(Aupperle et al., 1985; McWilliams & Siegel, 2000) och då detta är vanligt bland tidigare forskning kommer även denna studie att utgå från denna metod.

4.8 DESKRIPTIV DATA OCH KORRELATIONSMATRIS

Enligt Saunders et al. (2012, s. 502) kan deskriptiv data användas för att analysera studiens erhållna data och ge en överblick av variablerna. Studenmund (2001, s. 70) menar att forskaren ska studera datautskriftens medel-, max- och minimumvärden och avgöra ifall dessa värden är att anse vara rimliga, annars kan avvikande värden vara närvarande. Djurfeldt et al. (2010, s. 59) och Saunders et al. (2012, s. 504) menar att det aritmetiska medelvärdet är det vanligaste centralmåttet för kvantitativa studier. I denna studie kommer uppförandet av en deskriptiv datatabell att ske, där medel-, max- samt minimumvärden att studeras för att se vilka tendenser som finns i datan. Ifall datamaterialet innehåller extrema värden kommer utfallet av medelvärdet att påverkas i hög grad (Saunders et al., 2012, s. 506), detta då medelvärdet beräknas genom att addera samtliga värden av variabeln sedan dividera med antal observationer (Djurfeldt et al., 2010, s. 59). Utöver att studera medel-, max och minimivärde kommer denna studie även att presentera standardavvikelse, vilket Saunders et al. (2012, s. 50) beskriver som värdenas spridning kring medelvärdet.

Vidare kommer även en korrelationsmatris att presenteras för att ge en uppskattning och en överskådlig blick över de variabler som inkluderas i studien. Saunders et al. (2012, s. 521) beskriver att Pearsons korrelationsmatris kan användas för att mäta två variablers relation till varandra. För att utföra korrelationsmatrisen har variablerna i denna studie jämförts med varandra för att enkelt kunna utgöra korrelationen mellan två variabler. Utfallet i en korrelation ger ett värde mellan -1 och 1, där ett värde av noll indikerar att variablerna är icke korrelerar och således är oberoende av varandra (Saunders, 2012, s. 521). Ett positivt värde indikerar att en rörelse i den ena variabeln resulterar i en positiv rörelse i den andra variabeln, medan ett negativt värde indikerar att en positiv rörelse i den ena variabeln resulterar i en negativ rörelse i den andra variabeln. 0,8 till 0,9 anses vara acceptabla gränsvärden där eventuella överstigande värden kräver en närmare examination då risk finns för en för hög korrelation om de ingår i samma modell (Djurfeldt et al., 2010, s. 366; Field et al., 2012, s. 276). ¹

4.9 MULTIPEL REGRESSIONSANALYS

Denna studie syftar till att undersöka förhållandena mellan CSP och CFP-mått, och för allt helt säkerställa resultatet måste kontrollvariabler inkluderas för att undersöka ifall de kan ha en inverkan på effekten. Genom en multipel regressionsanalys kan forskaren klarlägga ett förhållande mellan en beroende variabel och ett flertal oberoende variabler (Saunders et al., 2009, s. 523; Tabachnick & Fidell, 2006, s. 117). Således kommer denna studie att använda en multipel regressionsanalys vilket kommer hjälpa till att besvara problemformuleringen och därmed uppfylla syftet. Körner och Wahlgren (2005, s. 173) menar att forskare måste göra bedömningar angående vilka variabler som ska inkluderas i analysen, och modellen som framställs bör innehålla alla viktiga förklarande variabler men samtidigt inte blir för omfattande och komplicerad. I litteratursökningen för denna studie har noggranna genomgångar av tidigare empiriska modeller varit till grund för

43

utformandet av regressionsmodellen, där denna studie likt annan forskning kommer att inkludera storlek, risk, FoU och industri utöver variablerna CSP och CFP.

Ejvegård (2009, s. 38) menar att då forskaren använder statistiska modeller minskar risken för forskaren att dra egna slutsatser som inte stöds av det funna empiriska materialet. Då denna studie har för avsikt att använda multipel regressionsanalys som en statistisk modell minimeras risken för att konkludera något som ej styrks av studiens insamlade material. För att undersöka förhållandena mellan CSP och CFP, samt för att kunna genomföra den multipla regressionsanalysen krävs en modell innehållande en beroende variabel och oberoende variabler som hålls konstanta och kan förklara värdet i denna.

Vidare ämnar studien till att undersöka effekten av en tidsaspekt; det vill säga fördröjd påverkan av CSP och av respektive CFP-mått. Modellen som används i denna studie utgår från Barnett och Salomons (2012) studie som utformat ekvationen med hänsyn till fördröjd påverkan för ett år mot den beroende variabeln CFP, vilket de benämner autoregression. Liknande använde Callan och Thomas (2011) även en fördröjd effekt där CSP var den beroende variabeln. I likhet med dessa studier kommer således denna studie att utforma ekvationerna med inkluderande av ett års fördröjd CSP och CFP. Övriga variabler och kontrollvariabler hålls i samma tidsperiod som den beroende variabeln, detta i enlighet med McWilliams och Siegel (2000).

Denna studies ekvationer är konstruerad enligt följande, där ekvationerna nedan använder CSP beroende variabel. 𝐶𝑆𝑃₂₀₁₄= 𝛽₀+ 𝛽₁𝑅𝑂𝐸₂₀₁₄+ 𝛽₂𝑅𝑂𝐸₂₀₁₃+ 𝛽₃𝑅𝑂𝐸₂₀₁₂+ 𝛽₄𝐶𝑆𝑃₂₀₁₃+ 𝛽₅𝐶𝑆𝑃₂₀₁₂ + 𝛽₆𝑆𝑡𝑜𝑟𝑙𝑒𝑘₂₀₁₄+ 𝛽₇𝑅𝑖𝑠𝑘₂₀₁₄+ 𝛽₈𝐹𝑜𝑈₂₀₁₄+ ɛ 𝐶𝑆𝑃₂₀₁₄= 𝛽₀+ 𝛽₁𝑅𝑂𝐴₂₀₁₄+ 𝛽₂𝑅𝑂𝐴₂₀₁₃+ 𝛽₃𝑅𝑂𝐴₂₀₁₂+ 𝛽₄𝐶𝑆𝑃₂₀₁₃+ 𝛽₅𝐶𝑆𝑃₂₀₁₂ + 𝛽₆𝑆𝑡𝑜𝑟𝑙𝑒𝑘₂₀₁₄+ 𝛽₇𝑅𝑖𝑠𝑘₂₀₁₄+ 𝛽₈𝐹𝑜𝑈₂₀₁₄+ ɛ 𝐶𝑆𝑃2014= 𝛽0+ 𝛽1𝐴𝑣𝑘2014+ 𝛽2𝐴𝑣𝑘2013+ 𝛽3𝐴𝑣𝑘2012+ 𝛽4𝐶𝑆𝑃2013+ 𝛽5𝐶𝑆𝑃2012 + 𝛽6𝑆𝑡𝑜𝑟𝑙𝑒𝑘2014+ 𝛽7𝑅𝑖𝑠𝑘2014+ 𝛽8𝐹𝑜𝑈2014+ ɛ

Då studien undersöker orsakssambandet mellan CSP och CFP, presenteras även ekvationerna med CFP-måtten som beroende variabel nedan.

𝑅𝑂𝐸₂₀₁₄= 𝛽₀+ 𝛽₁𝐶𝑆𝑃₂₀₁₄+ 𝛽₂𝐶𝑆𝑃₂₀₁₃+ 𝛽₃𝐶𝑆𝑃₂₀₁₂+ 𝛽₄𝑅𝑂𝐸₂₀₁₃+ 𝛽₅𝑅𝑂𝐸₂₀₁₂ + 𝛽₆𝑆𝑡𝑜𝑟𝑙𝑒𝑘₂₀₁₄+ 𝛽₇𝑅𝑖𝑠𝑘₂₀₁₄+ 𝛽₈𝐹𝑜𝑈₂₀₁₄+ ɛ 𝑅𝑂𝐴₂₀₁₄= 𝛽₀+ 𝛽₁𝐶𝑆𝑃₂₀₁₄+ 𝛽₂𝐶𝑆𝑃₂₀₁₃+ 𝛽₃𝐶𝑆𝑃₂₀₁₂+ 𝛽₄𝑅𝑂𝐴₂₀₁₃+ 𝛽₅𝑅𝑂𝐴₂₀₁₂ + 𝛽₆𝑆𝑡𝑜𝑟𝑙𝑒𝑘₂₀₁₄+ 𝛽₇𝑅𝑖𝑠𝑘₂₀₁₄+ 𝛽₈𝐹𝑜𝑈₂₀₁₄+ ɛ 𝐴𝑣𝑘₂₀₁₄= 𝛽₀+ 𝛽₁𝐶𝑆𝑃₂₀₁₄+ 𝛽₂𝐶𝑆𝑃₂₀₁₃+ 𝛽₃𝐶𝑆𝑃₂₀₁₂+ 𝛽₄𝐴𝑣𝑘₂₀₁₃+ 𝛽₅𝐴𝑣𝑘₂₀₁₂ + 𝛽₆𝑆𝑡𝑜𝑟𝑙𝑒𝑘₂₀₁₄+ 𝛽₇𝑅𝑖𝑠𝑘₂₀₁₄+ 𝛽₈𝐹𝑜𝑈₂₀₁₄+ ɛ

44 Där:

𝛽₀ = Intercept på y-axeln

𝛽₁, 𝛽₂, 𝛽₃… 𝛽₆ = Regressionskoefficienter CSP = Nivån av ansvarsfullt företagande ROE = Avkastning på eget kapital ROA = Avkastning på totala tillgångar Avk = Aktieägarnas avkastning

Storlek = Totala tillgångar logaritmerat Risk = Skuldsättningsgrad

FoU = Forskning och utveckling i relation till företagets försäljning

Industri = Industritillhörighet, 1=Tillverkandeföretag, 0=Icke-tillverkandeföretag = Slumpterm

I ekvationen inkluderas även en stokastisk felterm () för att förklara avvikelse från linjen. Enligt Studenmund (2014, s. 9) bör den stokastiska feltermen inkluderas i modellen då den beroende variabeln ej till fullo kan förklaras av de oberoende variablerna då en viss variation av observationerna kan finnas kring linjen. Observationernas nominella avvikelse från den uppskattade linjen brukar benämnas residualer och har ett väntevärde på noll (Körner & Wahlgren, 2006, s. 367).

I denna studie kommer F-test att nyttjas, detta då enligt Greene (2012, s. 166) en signifikansnivå på F-testet kan användas för att acceptera eller förkasta regressionsmodellen. Regressionsmodellen består i sin tur av en grupp koefficienter och Studenmund (2014, s. 165) menar att om hypotesen som formuleras förkastas så förkastas regressionsmodellen som en helhet. I denna studie består regressionsmodellen och dess koefficienter av de oberoende variablerna samt kontrollvariablerna. Om p-värdet understiger signifikantsnivån (p<0,10) accepteras regressionsmodellen.

Vidare brukar denna studie minsta kvadratmetoden [Ordinary Least Square, OLS] vid genomförandet av riktningen på koefficienten i regressionsmodellen. Minsta kvadratmetoden innebär att en regressionslinje kan anpassas och uppskattas genom det observerade data (Körner & Wahlgren, 2006, s. 360). Studenmund (2014, s. 97) menar att OLS är den bäst lämpade metoden för att estimera linjen, givet att sju stycken klassiska antagande uppfylls. En av de viktigaste delarna i utförandet av en regressionsanalys att säkerställa dessa antaganden, för om de ej uppfylls kan andra metoder vara bättre att tillämpa (Studenmund, 2014, s. 97). Dessa antagande består av att regressionsmodellen är linjär, att residualernas populationsmedelvärde är noll, att de förklarande variablerna ej korrelerar med residualerna, att observationerna av residualer är icke-korrelerade till varandra (seriell korrelation), att residualernas varians är konstant (heteroskedasticitet), att de förklarande variablerna inte bör vara korrelerade med varandra (multikollinearitet) och till sist att residualerna är normalfördelade (Stundenmund, 2014, s. 98-104). Då det är viktigt att dessa uppfylls för att kunna använda OLS undersöktes dessa klassiska antaganden ytterligare.