Oberoende variabel

Den oberoende variabeln utgörs i båda hypoteserna av miljökontroverser (MK) och studien ska undersöka om den har någon påverkan på de beroende variablerna. Miljökontroverser definieras enligt Refinitiv (2020) som kontroverser relaterade till den miljöpåverkan företagets verksamhet har på naturresurser eller lokala samhällen. Refinitiv (personlig kommunikation, 5 november 2020) samlar in information om kontroverser genom högt rankade redaktionella källor som bland annat Reuters, Associated Press och Financial Times. Även vissa offentligt tillgängliga hemsidor från tillsynsmyndigheter används som källa vid insamling av kontroverser.

Miljökontroverser mäts i antal miljökontroverser per år som företaget varit inblandad i och antar bara heltal från noll och uppåt. Variabeln är en kvotvariabel, precis som variabeln miljödimension, och har således samma statistiska egenskaper. Nyligen inträffade miljökontroverser kan bara kopplas till det senaste stängda räkenskapsåret (Refinitiv, 2020). Det innebär till exempel att kontroverser som sker under år 2020, först kopplas till år 2019. När räkenskapsåret 2020 sedan är klart och stängts, flyttas kontroverser som hör till år 2020 dit. Det leder till att studien kommer att avgränsa tidsperioden och ha år 2018 som det senaste året, eftersom år 2019 kan innehålla fler miljökontroverser än de som verkligen skett under år 2019 och påverka ESG-betyget för 2019. Detta skulle kunna leda till ett missvisande resultat.

27 3.3.3 Kontrollvariabler

Inom samhällsvetenskapen skriver Djurfeldt et al. (2018) att det är vanligt att den oberoende variabeln inte själv kan förklara variationen i den beroende variabeln. Författarna menar att det i de flesta fall handlar om flera variabler som samtidigt påverkar utfallet i komplexa orsaksförhållanden. Därför adderas kontrollvariabler till studien. Deras uppgift är att ta reda på om det finns andra variabler som kan förklara variationen i den beroende variabeln. En annan funktion som kontrollvariabler har är att se vad som händer med originalsambandet (sambandet mellan den beroende och oberoende variabeln) när en eller flera kontrollvariabler införs. Nedan följer en beskrivning av studiens kontrollvariabler och hur de mäts.

3.3.3.1 Storlek

Storlek på företag är en vanlig kontrollvariabel i forskning kring ESG-betyg och har använts i flera andra studier som till exempel Chatterji et al. (2009), Utz (2019) samt Semenova och Hassel (2015).

Drempetic et al. (2020) har sett att företagens ESG-betyg påverkas positivt av företagsstorlek, alltså att större företag skulle få ett högre ESG-betyg enbart på grund av att de är större. Även Hackston och Milne (1996) kom i sin studie fram till att företagsstorlek är signifikant associerat med mängden hållbarhetsinformation. Det finns därför ett starkt skäl till att ta med företagsstorlek som kontrollvariabel. Företagsstorlek kan mätas på en mängd olika sätt och i denna studie kommer logaritmen av de totala tillgångarna i amerikansk dollar (USD) att användas (formel 3). Anledningen till att de totala tillgångarna logaritmeras är för att få mer hanterbara värden och en jämnare fördelning.

𝑆𝑡𝑜𝑟𝑙𝑒𝑘 = 𝑙𝑛(𝑡𝑖𝑙𝑙𝑔å𝑛𝑔𝑎𝑟)

Formel 3. Storlek (kontrollvariabel).

3.3.3.2 Lönsamhet

Även lönsamhet har använts som kontrollvariabel i tidigare studier som ett mått på företags ekonomiska framgång (Chatterji et al., 2009; Drempetic et al., 2020; Semenova och Hassel, 2015;

Utz, 2019). Lönsamhet kan mätas på olika sätt, till exempel genom avkastning på totalt kapital, avkastning på eget kapital eller avkastning på investerat kapital.

Enligt Drempetic et al. (2020) är korrelationen mellan företags ekonomiska framgång och ESG-betyg en av de viktigaste forskningsfrågorna inom hållbara investeringar. Clarkson et al. (2008) såg ingen korrelation mellan variablerna medan Rodriguez-Fernandez (2016) såg ett dubbelriktat samband.

28

Johnson och Greening (1999) visade i sin studie att lönsamhet påverkar miljöprestanda. Själv hittade Drempetic et al. (2020) inget stöd för att lönsamhet var betydelsefullt för ett företags ESG-betyg. På grund av delade resultat kring lönsamhetens påverkan, kommer måttet användas som kontrollvariabel i studien.

I denna studie kommer avkastning på totalt kapital att användas för variabeln lönsamhet och anges i procent. Den beräknas genom nettoinkomst dividerat med totalt kapital (formel 4).

𝐿ö𝑛𝑠𝑎𝑚ℎ𝑒𝑡 = 𝑛𝑒𝑡𝑡𝑜𝑖𝑛𝑘𝑜𝑚𝑠𝑡 𝑡𝑜𝑡𝑎𝑙𝑡 𝑘𝑎𝑝𝑖𝑡𝑎𝑙

Formel 4. Lönsamhet (kontrollvariabel).

3.3.3.3 Leverage

Nästa kontrollvariabel i studien utgörs av företagens leverage för att se om den kan ha någon påverkan på sambandet mellan ESG-betygets miljödimension och miljökontroverser. I tidigare studier har leverage ingått som kontrollvariabel (Drempetic et al., 2020; Utz, 2019). Leverage kan räknas ut genom att dividera total skuld med totalt kapital (Clarkson et al., 2008; Utz, 2019) eller total skuld dividerat med eget kapital (Drempetic et al., 2020).

Tidigare studie menar att korrelationen mellan ESG-poäng och leverage inte är direkt uppenbar, men att mer skuld ökar intressenternas inflytande (Drempetic et al., 2020). Positiva kopplingar mellan leverage och miljöinformation har hittats av Sulaiman et al. (2014) och Clarkson et al. (2008).

Samtidigt finns det studier som hävdar det motsatta. Barnea och Rubin (2010) fann ett negativt samband mellan leverage och ESG. På grund av dessa motstridiga resultat är det av vikt att använda leverage som kontrollvariabel även i denna studie.

I denna studie mäts leverage (formel 5) som Utz (2019) gjort, vilket innebär total skuld (tusentals USD) dividerat med totalt kapital (tusentals USD).

𝐿𝑒𝑣𝑒𝑟𝑎𝑔𝑒 = 𝑡𝑜𝑡𝑎𝑙 𝑠𝑘𝑢𝑙𝑑 𝑡𝑜𝑡𝑎𝑙𝑡 𝑘𝑎𝑝𝑖𝑡𝑎𝑙

Formel 5. Leverage (kontrollvariabel).

29 3.3.3.4 Bransch

I flera tidigare studier inom ämnet har forskare delat upp företag efter branschtillhörighet och använt det som kontrollvariabel (Chatterji et al., 2009; Utz, 2019). Till exempel visar Utz (2019) i sin forskning att företag i olika branscher är associerade med olika typer av kontroverser. Två andra författare som sett att bransch är starkt korrelerad med mängden hållbarhetsinformation som företaget publicerar är Hackston och Milne (1996). Sulaiman et al. (2014) kom fram till att hur företag rapporterar om miljömässiga aspekter varierar inom olika branscher och därför anses det vara relevant att ha branschtillhörighet som kontrollvariabel. Företagens branschtillhörighet kommer att operationaliseras genom elva olika dummyvariabler, en för varje bransch i ICB:s indelning.

3.3.3.5 Land

Land är den sista kontrollvariabeln som inkluderats i studien. Användningen av ESG-information vid investeringar skiljer sig åt mellan länder (Global Sustainable Investment Alliance, 2013).

Konsekvensen av detta blir att världens länder inte representeras jämnt i studien. Det har också visat sig i tidigare studie att lagar och regelverk kan skilja sig mycket åt mellan olika länder. Om företag väljer att utnyttja detta ökar risken för inblandning i fler kontroverser (Nieri och Giuliani, 2018).

Studien utgår ifrån det land där företaget har sitt huvudkontor. Liksom för variabeln bransch, kommer land att operationaliseras genom dummyvariabler.

30 Variabel Operationalisering

M-dim Poängsumma mellan 0 och 100

MK Antal miljökontroverser/år och företag CSR-team 1 = har hållbarhetsteam

0 = inget hållbarhetsteam

CSR-rapport 1 = publicerar hållbarhetsrapport 0 = ingen hållbarhetsrapport

GRI 1 = enligt GRI

0 = följer ej GRI

MLS 1 = ISO och/eller annat MLS 0 = inget MLS

Storlek Logaritmerade totala tillgångar (USD) Lönsamhet Procent, (nettoinkomst/totalt kapital) Leverage Procent, (totala skulder/totalt kapital) Land Land där företagets huvudkontor är beläget Bransch 11 branscher (ICB:s indelning)

Tabell 3. Förteckning över studiens samtliga variabler och dess operationalisering.

Förteckning över de mätpunkter i Eikon som använts för de olika variablerna finns i bilaga 3.

3.4 Analysmetoder

I kommande avsnitt beskrivs de analysmetoder som använts för att kunna besvara studiens syfte om det finns ett samband mellan företags miljökontroverser och ESG-betygets miljödimension.

Analyserna är av typen sekundäranalys, vilket innebär att forskaren inte själv samlat in data (Bryman och Bell, 2017). En fördel med sekundäranalys är att det möjliggör longitudinella analyser, vilket annars inte är så vanligt inom företagsekonomisk forskning. Det anses för kostsamt och tidskrävande (Bryman och Bell, 2017).

Inledningsvis gjordes en beskrivande analys eller univariat analys, där en variabel åt gången undersöks och beskrivs (Djurfeldt et al., 2018). Vidare gjordes en bivariat analys med hjälp av Spearmans rho för att undersöka om det fanns en samvariation mellan två variabler i taget. Till sist genomfördes multivariat analys i form av två olika slags regressioner, multipel regression och logistisk regression. Analyserna har gjorts i statistikprogrammet SPSS Statistics, vilket enligt Bryman och Bell (2017) är den mest använda statistiska mjukvaran när det gäller kvantitativa analyser.

31

För att kunna acceptera resultatet i denna studie krävs en signifikansnivå där p <0,05. Enligt Bryman och Bell (2017) är detta den vanligaste acceptabla signifikansnivån inom samhällsvetenskaplig forskning. Det innebär att risken är fem på hundra att resultatet visar på det undersökta sambandet trots att sambandet inte existerar.

3.4.1 Univariat analys

Den univariata analysen beskriver variationen och andra statistiska egenskaper hos studiens variabler var för sig (Djurfeldt et al., 2018). Författarna menar att det ofta är information kring variablernas fördelning, centraltendens och spridning som eftersöks. För studiens kvantitativa variabler (miljödimension, miljökontroverser, storlek, lönsamhet och leverage) anges medelvärde, standardavvikelse och extremvärden.

Det vanligaste centralmåttet är medelvärde (formel 6) och visar en fördelnings mittpunkt. Värdet är ofta abstrakt och motsvaras sällan av en reell observation (Djurfeldt et al., 2018). Medelvärde ger inte alltid en representativ bild av fördelningens tyngdpunkt eftersom måttet lätt påverkas av avvikande värden som till exempel extremvärden (Djurfeldt et al., 2018). Eftersom medelvärdet är känsligt för extremvärden, redovisas minimum och maximum för variablerna. Minimi- och maximivärdena visar fördelningens största och minsta värde.

𝑥̅ = Σ 𝑥_𝑖 𝑛

Formel 6. Medelvärde.

𝑥̅ = 𝑚𝑒𝑑𝑒𝑙𝑣ä𝑟𝑑𝑒 𝛴 = 𝑠𝑢𝑚𝑚𝑎

𝑥_𝑖 = 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑡𝑖𝑜𝑛𝑠𝑣ä𝑟𝑑𝑒 𝑛 = 𝑎𝑛𝑡𝑎𝑙 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑡𝑖𝑜𝑛𝑒𝑟

Standardavvikelse är ett mått på den genomsnittliga variationen kring ett medelvärde (Bryman och Bell, 2017; Djurfeldt et al., 2018). Ett lågt värde på standardavvikelsen betyder att observationerna i studien är mer koncentrerade kring medelvärdet och höga värden visar att observationerna är mer utspridda (Djurfeldt et al., 2018). Kortfattat beskriver Bryman och Bell (2017) att måttet beräknas genom att ta den kvadrerade skillnaden mellan varje värde i fördelningen och medelvärdet. Summan av skillnaderna delas sedan med antalet värden -1 (formel 7). Även standardavvikelsen påverkas av

32

extremvärden men effekten minskar tack vare division med antalet värden i fördelningen (Bryman och Bell, 2017).

𝑠 = √Σ (𝑥_𝑖− 𝑥̅)² 𝑛 − 1

Formel 7. Standardavvikelse.

s = standardavvikelse Σ = summa

x_i = observationsvärde 𝑥̅ = medelvärde n = antal observationer

För den oberoende variabeln miljökontroverser redovisas även antalet miljökontroverser per år samt hur miljökontroverserna fördelar sig mellan branscher respektive länder. Variablerna CSR-team, CSR-rapport, GRI och MLS redovisas i en frekvenstabell (tabell 7) med antal och andel.

3.4.2 Bivariat analys

När studien presenterat den beskrivande statistiken övergår den i bivariat analys där två variabler analyseras åt gången (Bryman och Bell, 2017). Syftet med analysen är att visa hur variablerna är relaterade till varandra. Bryman och Bell (2017) beskriver hur analysen går ut på att söka tecken på att variationen i en variabel sammanfaller med variationen i den andra variabeln. För att göra detta finns det olika metoder.

I denna studie används Spearmans rho eftersom studien har både kvotvariabler och dikotoma variabler (Bryman och Bell, 2017). Analysmetoden innebär att variablerna, trots olika egenskaper, kan undersökas i samma analys. Bryman och Bell (2017) skriver att resultatet från Spearmans rho tolkas på samma sätt som resultaten i Pearsons r. De beräknade värdena kommer att variera mellan -1 och -1. Värden nära -1 eller --1 visar på ett starkt samband medan ett värde nära 0 indikerar inget samband. Det är också värt att poängtera att även om resultatet visar på ett statistiskt samband mellan två variabler, behöver det inte spegla ett reellt orsakssamband (Djurfeldt et al., 2018). Ibland beror statistisk samvariation endast på tillfälligheter och kallas då skensamband.

33

Barmark och Djurfeldt (2020) betonar att det är svårt att generellt säga vad som är ett starkt respektive svagt samband eftersom det till stor del beror på vad som förväntas eller vad som tycks vara önskvärt.

Stukát (2012) ger riktlinjer för vad som kan räknas som starkt respektive svagt samband (tabell 4).

r (korrelationskoefficienten) Samband

0 – 0,25 Inget eller mycket svagt

0,26 – 0,50 Ganska svagt

0,51 – 0,75 Ganska starkt

0,76 - Mycket starkt

Tabell 4. Tolkning av Spearmans korrelationskoefficient (Stukát, 2012).

3.4.3 Felkällor

Vid regressionsanalyser kan flera felkällor uppträda (Djurfeldt, 2009a). I studien kontrolleras multikollinearitet för att uppnå ett mer tillförlitligt resultat. Multikollinearitet anger om inbördes samvariation förekommer mellan de oberoende variablerna var för sig eller gruppvis (Djurfeldt et al., 2018). Ett sätt att upptäcka multikollinearitet är att ta fram en korrelationsmatris där alla oberoende variabler korreleras med varandra. Om någon korrelation är över 0,7–0,8 finns det skäl att bekymra sig (Djurfeldt, 2009a). Djurfeldt et al. (2018) skriver att problemet med multikollinearitet inte alltid syns i en korrelationsmatris eftersom den kan ligga mellan grupper av variabler eller bero på icke linjära samband mellan variabler.

För att kontrollera dessa problem kan VIF (Variance Inflation Factor) och toleransfaktor beräknas (Djurfeldt et al., 2018). Ett VIF-värde på 1 innebär att det inte finns multikollinearitet i modellen (Djurfeldt, 2009a). Författaren anger att det kritiska VIF-värdet skrivs till 2,5, vilket skulle innebära att ett värde över 2,5 indikerar på problem med kollinearitet. Rekommendationerna kring det kritiska värdet varierar dock kraftigt. Toleransen visar om en variabel är överflödig i modellen. Ju lägre toleransvärde, desto mer överflödig är variabeln i modellen. Det kritiska värdet anges ofta till 0,5, vilket inte bör understigas (Djurfeldt, 2009a).

3.4.4 Multivariat analys

När den beskrivande statistiken och Spearmans rho genomförts avslutades analyserna med regressionsanalyser, vilka utgår ifrån tre eller fler variabler (Bryman och Bell, 2017). För att genomföra analysen för hypotes 1 användes multipel regression, likt tidigare studier (Chatterji et al.,

34

2009; Utz, 2019). För hypotes 2 har istället logistisk regression använts. I regressionerna har beroende, oberoende och kontrollvariabler ingått.

3.4.4.1 Multipel regressionsanalys

Styrkan med multipel regressionsanalys är enligt Djurfeldt (2009a) att den kan hantera flera olika oberoende variabler (x1, x2, x3 osv.). I denna studie används den minsta kvadratmetoden, vilket är den vanligaste formen av regressionsanalys (Djurfeldt, 2009b). Med hjälp av den multipla regressionsanalysen testas studiens första hypotes. Den beroende variabeln kan ses som en funktion av en konstant och flera oberoende variabler samt en residual (formel 8). Residualen är summan av de kausala faktorer som bestämmer den beroende variabeln y och som inte har inkluderats bland de oberoende variablerna x.

I resultatet från en multipel regressionsanalys anges regressionskoefficienten β för varje oberoende variabel. Regressionskoefficienten anger hur y förändras när x ökar en enhet. En regressionskoefficient över 0 visar på ett positivt samband och under 0 på ett negativt samband. I resultatet anges också modellens determinationskoefficient R². R² visar total variation i den beroende variabeln som kan förklaras av de oberoende variablerna i modellen och anges i procent. Om R² är större än 0 kan variationen i beroende variabeln y helt eller delvis förklaras av de oberoende variablerna x (Djurfeldt et al., 2018). Resultatet från den multipla regressionsanalysen presenteras i avsnitt 4.3.1.

y = alfa + β1x1 + β2x2 +...βnxn + ε

Formel 8. Multipel regression (Djurfeldt, 2009c).

y = beroende variabel alfa = en konstant

β = regressionskoefficient (visar hur y förändras när x ökar en enhet) x = oberoende variabel (inklusive kontrollvariabler)

ε = residualen

Med ovanstående som modell testas hypotes 1 genom formel 9.

35

Miljöpoäng = alfa + β1 miljökontroverser + β2 storlek + β3 lönsamhet + β4 leverage + β5 CSR-team + β6 CSR-rapport + β7 GRI + β8 MLS + β9 bransch + β10 land + ε

Formel 9. Miljökontroversers effekt på ESG-betygets miljödimension.

3.4.4.2 Logistisk regressionsanalys

När den beroende variabeln är dikotom, kan inte den minsta kvadratmetoden användas eftersom den metoden kräver en kvantitativ beroende variabel (Barmark och Djurfeldt, 2009). I dessa fall kan logistisk regressionsanalys användas istället. Den logistiska regressionen har inte heller samma krav på att fördelningen ska vara normalfördelad som när regression genom minsta kvadratmetoden tillämpas.

Även tolkningen av resultat skiljer sig jämfört med den multipla regressionen. β-koefficienterna vid en logistisk regression anger hur det logaritmerade oddset förändras när respektive x-variabel ökar med en enhet (Barmark och Djurfeldt, 2009). För varje variabel anges även oddskvot, vilket är antiloggen av β-koefficienten, som anger förändringen i oddset. En oddskvot över 1 visar på ett positivt samband och en oddskvot under 1 visar på ett negativt samband (Barmark och Djurfeldt, 2009). En oddskvot på 1 innebär att variablerna är oberoende av varandra.

I hypotes två är den beroende variabeln dikotom, vilket innebär att logistisk regression använts som analysmetod. Fyra logistiska regressioner görs totalt med följande variabler som den beroende variabeln i var och en av analyserna: CSR-team, CSR-rapport, GRI och MLS. I resultatet från de logistiska regressionerna anges även Nagelkerkes R². Nagelkerkes R² är en motsvarighet till determinationskoefficienten R² och antar ett värde mellan 0 och 1. Ju högre värde desto bättre men Nagelkerkes R² förklarar inte lika exakt den del av variationen i den beroende variabeln y som kan förklaras av de oberoende variablerna x, som determinationskoefficienten R² gör (Barmark och Djurfeldt, 2009). Därför kommer Nagelkerkes R² endast användas för att jämföra studiens modeller mellan varandra. Resultatet från de logistiska analyserna presenteras i avsnitt 4.3.2.

3.5 Kvalitetskriterier

Tre viktiga kvalitetskriterier inom företagsekonomisk forskning och kvantitativ metod är reliabilitet, validitet och replikerbarhet (Bryman och Bell, 2017). Det är även dessa tre kriterier som valts ut i denna studie för att diskutera studiens kvalitet. Begreppen presenteras nedan i varsitt avsnitt.

36 3.5.1 Reliabilitet

Reliabilitet handlar om huruvida studien går att upprepa och få samma resultat (Bryman och Bell, 2017, Eliasson, 2013). Ju högre reliabilitet undersökningen har desto mer går det att lita på att resultatet går att upprepa (Eliasson, 2013). Låg reliabilitet tyder på att den ursprungliga studien påverkats av slumpmässiga eller tillfälliga förutsättningar (Bryman och Bell, 2017). Författarna betonar att reliabiliteten oftast är aktuell i kvantitativa undersökningar samt att mått och mätningar är det som ligger i fokus. Reliabilitet ämnar svara på hur något mäts (Djurfeldt et al., 2018).

Två viktiga faktorer inom reliabilitet är stabilitet och intern reliabilitet (Bryman och Bell, 2017). Det förstnämnda handlar om stabilitet över tid. Studien använder sig av data från Eikon vilket gör att andra forskare kan erhålla samma dataunderlag. Stabilitet uppfylls så länge Refinitiv inte ändrar sina beräkningsmetoder för ESG-betyg. Det finns en risk med data från de senaste fem åren i och med att den kan ändras. Att endast ha med data från mer än fem år tillbaka i tiden står i konflikt med att använda sig av nyare data. Studien utgår från företag med inrapporterade data från år 2018 och sju år bakåt. År 2019 anses ha för stor risk för fluktuationer eftersom skandaler från år 2020 till en början belastar år 2019. För att stärka reliabiliteten i studien har därför år 2019 uteslutits.

Intern reliabilitet redogör för om indikatorerna som indexet, i detta fall ESG-betyget, är pålitliga och följdriktiga. Eftersom Thomson Reuters är ett ledande kreditvärderingsinstitut (Pagano et al., 2018) med avancerade system för att bedöma väsentligheten hos de olika indikatorerna, styrker det reliabiliteten.

För att öka reliabiliteten skriver Eliasson (2013) att det är viktigt att förbereda undersökningen väl samt att ordentligt gå igenom tillsammans vad som ska göras och hur det ska göras. Det sistnämnda gäller om det är flera personer som tillsammans genomför forskningen, vilket är fallet med denna studie. För att skriva tillsammans med andra krävs ett nära samarbete där planering och genomgångar görs tillsammans. Skrivandet har skett i ett gemensamt dokument, för att alltid få tillgång till de senaste uppdateringarna. Dessutom har artiklar hanterats och delats genom referenshanteringssystemet Mendeley för att skapa struktur och överskådlighet. Detta har påverkat reliabiliteten positivt och högre reliabilitet ger bättre förutsättningar för hög validitet, som tas upp i nästa avsnitt (Eliasson, 2013).

37 3.5.2 Validitet

Validitet utgår från giltigheten i det som mäts. En viktig fråga att ställa är om studien verkligen mäter det som det är meningen att den ska mäta (Eliasson, 2013). Hög validitet anger frånvaron av systematiska fel (Djurfeldt et al., 2018).

Enligt Bryman och Bell (2017) är validitet i flera avseenden det viktigaste kvalitetskriteriet.

Författarna beskriver olika typer av validitet. Till att börja med tar de upp begreppsvaliditet som handlar om att ta fram mått på samhällsvetenskapliga begrepp. Det är viktigt att ta hänsyn till om måttet verkligen speglar de begrepp som ska undersökas. Viktiga begrepp i denna studie är miljökontroverser och ESG-betygets miljödimension, vilka noggrant redogörs för i avsnitt 3.3 om operationaliseringen.

Intern validitet har att göra med kausaliteten (Bryman och Bell, 2017). Om resultatet visar att det finns ett samband mellan den oberoende och beroende variabeln är frågan om det går att vara säker på att det är den oberoende variabeln som orsakar förändringen på den beroende variabeln eller om det finns andra faktorer som påverkar. För att stärka den interna validiteten har flera kontrollvariabler tagits med i studien. Studien har också kontrollerat felkällor för samvariation mellan variabler.

Den externa validiteten tar upp frågan om resultatet från forskningen kan generaliseras utanför det sammanhang som forskningen är gjord inom. Bryman och Bell (2017) skriver att representativa urval är viktigt för att kunna generalisera resultatet. Ett representativt urval var inte möjligt att genomföra eftersom endast företag med ESG-betyg är relevanta för studien och dessa företag oftast är stora och publika. Istället har studien fokuserat på att få ett så stort och brett urval som möjligt. Studien innehåller därför 1752 företag spridda över världens alla kontinenter.

Det sista kriteriet som Bryman och Bell (2017) tar upp är ekologisk validitet. Här önskas att resultatet kan tillämpas i människors vardag och i deras naturliga sociala miljöer. Eftersom ESG-betyget används av många investerare (Pagano et al., 2018) kan resultatet i denna studie anses vara värdefullt och tillämpningsbart ur ett investerarperspektiv.

3.5.3 Replikerbarhet

Ibland kan forskare vilja replikera, det vill säga upprepa, en studie och de resultat som framkommit i den. Om det ska gå att replikera en tidigare studie måste den vara replikerbar (Bryman och Bell, 2017). Det innebär att forskaren noggrant måste beskriva och redogöra för sitt tillvägagångssätt. Till exempel genom att beskriva urval, utformning av begreppens mått och de analyser som utförts. Det

38

är även viktigt att beskriva metoderna eftersom resultatens validitet kan ifrågasättas om inte studien och dess resultat går att replikera (Bryman och Bell, 2017).

I denna studie beskrivs tillvägagångssättet detaljerat i metoddelen. Datainsamlingen, urvalsprocessen och de analyser som gjort av materialet är exempel på delar i studien som beskrivs noggrant och därmed höjer studiens replikerbarhet. Referenser finns tydligt angivet genom hela studien för att källorna lätt ska kunna återfinnas. Likaså gör användningen av sekundärdata att replikerbarheten höjs.

Andra forskare med tillgång till samma databas, kan hämta den data som ligger till grund för denna

Andra forskare med tillgång till samma databas, kan hämta den data som ligger till grund för denna