ForordFormålet med oppgaven er å se på de kvantitative metoder som trengs for å utføre

regresjonsanalyse og moderatoranalyse av et gitt datamateriale i SPSS. Vi har tilegnet oss

kunnskapen for å kunne gjennomføre oppgaven ved forlesninger, notater og utleverte

artikler og dokumentasjon.

Ved å løse en slik oppgave har vi lært en del nye ting, samt bygd på de kunnskaper vi hadde

fra før. Oppgaven har latt seg gjennomføre greit, men noen problemer og misforståelser

oppsto underveis. Alt i alt er dette en nyttig oppgave som har gitt stor læreeffekt. Oppgaven

er gjennomført av to mastergradsstudenter ved høgskolen i Buskerud avd. Hønefoss. Vi har

tidligere samarbeidet på prosjekter, og ser på dette som en fordel.

Vi vil rette en stor takk til emneansvarlig Kåre Sandvik for gode forelesninger og datalabkurs,

samt Jon Reinertsen for oppfriskning av statistikkunnskapene og Øystein Sørebø for

innføring i kritisk realisme.

________________________ ________________________

Erik Bjercke Bjørn Erlend Kjellevoll

1

InnholdsfortegnelseForord…………………………………………………………………………………………………………………...1

Innholdsfortegnelse………………………………………………………………………………………………2

Innledning…………………………………………………………………………………………………………….4

1.1 FORSKNINGSMODELL, HYPOTESER OG RASJONALE...............................................5

1.1.1 Forskningsmodell............................................................................................................................. 5

1.1.2 Hypoteser........................................................................................................................................ 5

1.1.3 Rasjonale......................................................................................................................................... 6

1.2 TEST AV MODELLEN OG HYPOTESENE VED BRUK AV MULTIPPEL REGRESJON........................................................................................................................... 7

1.2.1 Tester av tallmateriale..................................................................................................................... 71.2.1.1 Normalfordeling.............................................................................................................................71.2.1.2 Korrelasjon......................................................................................................................................91.2.1.3 Lineæritet.......................................................................................................................................91.2.1.4 Alle variabler skal ha varians...........................................................................................................91.2.1.5 Fravær av autokorrelasjon..............................................................................................................91.2.1.6 Normalfordelte residualer............................................................................................................101.2.1.7 Fravær av heteroskedastisitet......................................................................................................101.2.1.8 Fravær av multikollinearitet.........................................................................................................11

1.2.2 Hypotesetesting med regresjonsanalyse.........................................................................................11

1.3 STATISTIKK TEORI OG KRITISK REALISME............................................................14

1.3.1 Statistisk teori................................................................................................................................ 141.3.1.1 Modellsammendrag tabellen........................................................................................................141.3.1.2 ANOVA tabellen............................................................................................................................151.3.1.3 Koeffisient tabellen.......................................................................................................................15

1.3.2 Kritisk realisme (KR)....................................................................................................................... 16

1.3.3 Interaksjonsanalyse........................................................................................................................ 18

1.3.4 Korrelasjon..................................................................................................................................... 19

2

1.4 DISKUTER RESULTATET OG LEDELSEMESSIGE IMPLIKASJONER....................20

2.1 KVASI- OG HOMOLOGIZERTEST..................................................................................22

2.1.1 Kvasimoderatortest........................................................................................................................ 232.1.1.1 Regresjonsanalyse med interaksjonsledd.....................................................................................242.1.1.2 Kontroll av Interaksjonsledd.........................................................................................................252.1.1.3 Kvasimoderatortest med kontroll variabel...................................................................................26

2.1.2 Homologizertest............................................................................................................................. 272.1.2.1 Homologizertest med kontroll variabelen....................................................................................29

2.2 FORUTSETNINGSTEST.................................................................................................... 30

2.3 DRØFT RESULTATENE.................................................................................................... 31

Litteraturliste………………………………………………………………………………………………………………….34

Vedlegg:

Appendix A - Oppgave 1

Appendix B - Oppgave 2

3

InnledningDenne oppgaven er første del av hjemmeeksamen i kvantitative metoder. Hovedinnholdet i

oppgaven dreier seg om å løse oppgaver ved hjelp av regresjonsanalyse og

moderatoranalyse. I oppgave en har vi analysert forskningsmodellen med tilhørende tre

hypoteser. Oppgave to tar for seg to forskningsmodeller som analyseres ved

kvasimoderatortest og homologizertest. Analysene i begge oppgavene er løst, forklart og

kommentert underveis. Da oppgavens hovedvekt ikke er bakgrunnen for undersøkelsen vil vi

i rapporten ikke kommentere dette noe nærmere.

4

1 Regresjonsanalyse

1.1 Forskningsmodell, hypoteser og rasjonale

1.1.1 Forskningsmodell

Forskningsmodell en er basert på følgende variabler:

Avhengig variabel: Preferanse rentefondplassering (PR)

Uavhengige variabeler: Kundens rentefondinnsikt (KR)

Husstandens sparing (HS)

Husstandens inntekt (HI)

H2 +

H3 +

Kundens rentefondinnsikt

Preferanse rentefondplassering

Husstandens inntekt

Husstandens sparing

H1 +

1.1.2 Hypoteser

På bakgrunn av oppgavens forskningsmodell konstruerer vi følgende tre hypoteser:

H1: Kundens rentefondinnsikt vil korrelere positivt med rentefondplassering

H2: Husstandens sparing vil korrelere positivt med rentefondplassering

H3: Husstandens inntekt vil korrelere positivt med rentefondplassering

5

1.1.3 Rasjonale

H1: Hvis kunden har god kjennskap om rentefond som investerer i rentepapirer som

sertifikater, obligasjoner og bankinnskudd (wikipedia, 2010), vil dette føre til at kunden har

en større vilje til å plassere verdier i rentefond.

H2: Hvis husstanden har høy sparingsevne, kan den være mer villig til å ta den risikoen og de

gevinster det kan medføre ved å spare i rentefond. Husstander med høy sparing vil ha en

større økonomisk buffer som kan brukes til investeringer enn de med lav sparing.

H3: Husstander som har høy inntekt har i større grad mulighet til å bruke deler av inntekten

til investering i rentefond enn de med lavere inntekt. De som har høy inntekt vil sitte igjen

med et høyere overskudd av inntekten, og overskuddet kan investeres i rentefond

6

1.2 Test av modellen og hypotesene ved bruk av multippel regresjon

Utgangspunktet for regresjonsanalysen er en antagelse om at det finnes en lineær

samvariasjon mellom variablene X i og den avhengige variabelen Y .

1.2.1 Tester av tallmateriale

Som en del av å teste forskningsmodellen skal vi først se om modellen tilfredsstiller kravet

for å kunne utføre statistiske analyser.

1.2.1.1 Normalfordeling

De fleste statistiske analyseteknikker krever, er et normalfordelt tallmateriale. Ved å se på

normalfordelingen, nærmere bestemt skjevhet og spisshetsmålene, vil vi se om variablene

tilfredsstiller disse kravene til videre statistiske analyser.

Kundens rentefondinnsikt (KR)

Preferanse rentefondplassering (PR)

Husstandens inntekt (HI)

Husstandens sparing (HS)

N Valid 400 137 329 254Missing 0 263 71 146Skjevhetsmål (skewness)

1.66 1.74 .14 .84

Spisshetsmål (kurtosis)

2.31 2.01 -.95 -.80

For at skjevhetsmålene og spisshetsmålene skal tilfredsstille kravet til statistiske analyse, må

utvalgets skjevhet være mindre enn 2 og utvalgets spisshet være mindre enn 4 (Sørebø,

2009). Alle verdiene er innenfor maks verdien på skjevhetsmålet og spisshetsmålet. Ser vi litt

nærmere på tallene så er variablene PR og KR nær grensen på 2 i skjevhetsmål. Dette betyr

at fordelingens hale er lengre til høyre enn normalfordelingskurven. Dette illustreres i

histogrammene under. Skjevheten på HI er 0,14 og dette indikerer at halene på fordelingen

er nesten like store på begge sider, men litt lengre på høyre enn venstre side. Dette ser vi

også på histogrammet under der de fleste har svart alternativ 3: 450.000-599.000.

Spisshetsmålet for variablene er innenfor kravet på 4, KR og PR har positiv verdi mens HI og

HS har negativ verdi. KR og PR som begge er rundt 2, dette betyr at fordelingens haler er

lengre og flatere enn normalfordelingen. HI og HS er negativ på rundt 1 og derfor spissere og

smalere enn normalfordelingen.(Sørebø, 2009). Når vi ser gjennom tabellen vil vi nevne at

7

det er mange som ikke har svart på variabelen preferanse rentefondplassering, 2/3 deler av

utvalget (263 respondenter).

Histogrammet under viser frekvensen for de forkjellige variablene og en normalfordelings-kurve.

8

1.2.1.2 Korrelasjon

Preferanse RentefondplasseringPreferanse rentefondplassering 1

Kundens rentefondinnsikt .472**

Husstandens sparing .126

Husstandens inntekt .171

**. Korrelasjon er signifikant ved 0,01 nivå (2-tailed).

Ved å se på tabellen finner vi at det er signifikant korrelasjon mellom variablene kundens

rentefondinnsikt og preferanse rentefondplassering. Dette resultatet peker i retning av at

hypotese 1 kan få støtte. Husstandens sparing og husstandens inntekt korrelerer ikke med

preferanse rentefondplassering og dette tyder på at hypotese 2 og 3 ikke får støtte.

1.2.1.3 Lineæritet

Det er en forutsetning for lineær regresjonsanalyse. Forventingsverdien til Y, E(Y|X), er en

lineær funksjon av X. I våre analyser har vi finnet en samvariasjon mellom kundens

rentefondinnsikt og rentefondplassering. Korrelasjon er ikke en lineær sammenheng, men

en statistiske samvariasjon. Hvis det ikke er en lineær samvariasjon vil vi ikke få signifikante

resultater i den lineære regresjonsanalysen.

1.2.1.4 Alle variabler skal ha varians

Variabler VariansLønnsinntekt 1,56samlede sparing 1.25Rentefondinnsikt 0,56

Som vi ser av tabellen har alle de uavhengige variablene en varians som overstiger 0, og

tallmaterialet tilfredsstiller dermed dette kravet.

1.2.1.5 Fravær av autokorrelasjon

Dette innebærer at det ikke skal være korrelasjon mellom den nåværende og påfølgende

verdien i en variabel. For å finne en eventuell autokorrelasjon benyttes en Durbin-Watson

test. Verdier nærme 2 betyr at vi ikke har et autokorrelasjons problem (Terje Eikemo, 2005).

Vi finner en verdi av testen som er 1,95 og bryter ikke med forutsetningen.

9

1.2.1.6 Normalfordelte residualer

Dette betyr at feilleddene skal være normalfordelte.

Ser vi på histogrammet ser vi at denne grafen er høyre tung, og ikke normalfordelt. Dette

skal betraktes som et brudd på forutsetningen, og vi burde ha brukt en

potenstransformasjon for at tallmaterialet skulle oppfylle dette kravet.

Potenstransformasjon ligger utenfor oppgaves omfang og vil ikke bli videre behandlet.

1.2.1.7 Fravær av heteroskedastisitet

Dette kravet sier at det ikke kan være konstant varians på feilleddene. Det vil si at modellen

ikke har et større avvik på de lave verdien enn de høye.

10

Ved et totalt fravær av heteroskedastisitet ville steken ha ligget på 0. I dette tilfellet ser det

ut til at modellen predikere en høyere feil ved lav rentefondsplassering. Om dette gir et godt

bilde av et eventuelt problem og om dette er nyttig for oppgaven er vi litt usikre på, men vi

har valgt å ta dette med.

1.2.1.8 Fravær av multikollinearitet

Dette har med korrelasjon mellom de uavhengige variablene å gjøre. Er korrelasjonen høy er

det vanskelig å skille de enkelte variablenes effekt fra hverandre.

Rentefond Rentefond Husstands sparing

Husstandens lønnsinntekt

Rentefond 1 ,47** ,13 ,17

Rentefond ,47** 1 ,25** ,17**

Husstands sparing

,13 ,25** 1 ,32**

Lønnsinntekt ,17 ,17** ,32** 1

Tabellen viser at det ikke er korrelasjoner mellom de uavhengige variablene som overstiger

0,8 (Terje Eikemo, 2005), og dette indikerer at det er fravær av multikollinearitet.

1.2.2 Hypotesetesting med regresjonsanalyse

Etter en multippel regresjonsanalyse får vi følgende resultater:

Tabellen under viser hvilken forklaringskraft de uavhengige variablene har på den avhengige variabelen.

Modell sammendragR Square Adjusted

R Square

Std. Error of the Estimate

Hele modellen ,31 ,29 ,51

R2 viser forklaringskraften for hele modellen. Og vi ser at 31,2 % av målt varians i den

avhengige variabelen forklares av de uavhengige variablene.

11

Ved å se på ANOVA (ANalysis Of VAriance) tabellen kan vi se om modellen som helhet er

signifikant, eller om funnene skyldes tilfeldigheter.

ANOVAb

Model Sum of Squares F Sig.

Regressio

n

10,44 13,29 ,00a

Residual 23,04

Total 33,48a Uavhengige variabler: Kundens Rentefondinnsikt, Husstandens sparing,

Husstandens inntektb Avhengig variable: Preferanse Rentefond.

Som tabellen viser er sig. nivået til modellen på 0,00 og viser at modellen som helhet kan

betraktes som signifikant.

Da modell har tre uavhengige variabler, må vi utfører en multippel regresjonsanalyse for å

finne ut av hvilken hypotese som evt. støttes. Denne analyse vil vise om variansen i de

uavhengige variablene har signifikant påvirking på den avhengige variabelen, noe vi antar.

Signifikansnivået for testen er 5 %.

Coefficients a

Ustandardisert

Beta

Std. Error Standardisert Beta

t Sig. nivå

(Konstant) -,05 ,23 -0,23 ,82Kundens rentefondinnsikt ,49 ,09 ,53 5,78 ,00Husstandens sparing -,02 ,05 -,05 -0,47 ,64Husstandens inntekt ,06 ,05 ,14 1,49 ,14

a Avhengig variabel : Preferanse rentefondplassering

H1: Kundens rentefondinnsikt vil korrelere positivt med rentefondplassering.

Signifikansnivået for denne hypotesen ligger på 0,00, dette vil si at det 0 % sannsynlighet for

at funnene skyldes tilfeldigheter. Videre ser vi av stigningstallet er positivt (,49). Null-

hypotesen om at det ikke er sammenheng mellom variable forkastes, og H1 får støtte. Dette

betyr at jo høyere kjennskap og innsikt i rentefond kunden har, jo mer vil dette økte

plasseringer i rentefond.

12

H2: Husstandens sparing vil korrelere positivt rentefondplassering

Denne hypotesen har et signifikansnivå på 0,64. Dette er vesentlig høyere enn testens

signifikansnivå som er 0,05. Dette betyr at vi ikke kan forkaste null-hypotesen. Ser vi på

stigningstallet er dette negativt (-.02). Dette betyr at hypotesen om en positiv sammenheng

ikke er korrekt. Testen viser at det i tallmaterialet ikke er lineær sammenheng mellom høy

sparing og økt rentefondplassering.

H3: Husstandens inntekt vil korrelere positivt med rentefondplassering.

Variabelen husstandens inntekt har et signifikansnivå på 0,14, denne er også høyere enn

0,05 og null-hypotesen kan ikke forkastes. Stigningstallet er positivt noe hypotesen også

antar. Testen viser at det i tallmaterialet ikke er en lineær sammenheng mellom høy inntekt i

husstanden og økt rentefondplassering.

13

1.3 Statistikk teori og kritisk realisme

I denne delen av oppgaven vil vi se på de funn som er gjort i den lineære regresjonsanalysen

i sammenheng med statistisk teori og kritisk realisme.

1.3.1 Statistisk teori

1.3.1.1 Modellsammendrag tabellen

Først ser vi på forklaringskraften til modellen. Den er uttrykt med R2 og det er den multiple

korrelasjonskoeffisienten som sier noe om hvor mye av variansen i de uavhengige variablene

(X) forklarerer variansen i den avhengige (Y) variabelen. R2 er et tall som går fra 0 til 1, og

hvor 0 ikke er noen forklaringskraft og 1 er fullstendig forklaringskraft.

Grunnlaget for den multiple korrelasjonskoeffisienten:

R2=SSMSST

Hvor SSMer forklart varians i Y, og SST er totalvarians i Y. Tallene finnes i sum of

squares kolonnen.

0,312≈10,43933,478

I vårt tallmateriale fant vi en forklart varians på 0,312. Dette betyr at X variablene forklarer

31 % av variansen i Y. Hva som er en høy forklaringskraft er ikke alltid så lett si noe om. Ved å

bruke R2 som forklaringskraft får man ett tall som øker med antall X variabler selv om det

ikke er signifikante sammenhenger mellomX i.og Y . I vårt tallmateriale fant vi at R2= ,031

når alle X variabler var med i modellen. På to av variablene var det ikke signifikante

sammenhenger, og hvis vi tar bort disse to sitter vi igjen med en forklaringskraft på R2=0,22.

Som vi ser av dette øker forklaringskraften når vi øker antall variabler, man skal på bakgrunn

av dette være på vakt når men leser dette tallet. Hvis vi ser på Adjusted R2 ser vi en

forklaringskraft som er justert, og som ikke øker med antall X variabler.

Vi kan si at vårt funn viser at det er en god del av preferanse rentefondplassering som

forklares av de X variablene i modellen, men det er også en god del som ikke er forklart. Tar

14

man i betrakting at en forklaringskraft på 70 % må sees på som meget god(Hallgeir Hallvari,

2010), må vi kunne se på modellen som betydningsfull.

1.3.1.2 ANOVA tabellen

Som nevnt tidligere er dette en variansanalyse. Tallene som fremkommer i tabellen er

kvadratsummene og F-verdien for hele modellen. I kolonnen Sum of Squares finner vi den

totale variasjonen i Y som forklares av X (10,44), rad to viser variansen som ikke er forklart av

variansen i X (23,04).

F-verdien er testobservatoren for testen og er 13,29. Dette tallet blir testet på 5% og 1%

nivået for å teste nullhypotesen når alle koeffisientene er 0. Med en F-verdi på 13,29 og et

signifikans nivå på 0,00 må modellen som helhet betraktes som signifikant.

Df er antall frihetsgrader. I dette tilfellet er den 3 da vi har 3 uavhengige variabler

1.3.1.3 Koeffisient tabellen

Denne tabellen viser alle X variablene mot Y variabelen. Vi kan lese av den enkelte variabels

betydning for Y og dens signifikans nivå. Leser vi den første linjen ser vi at hvis alle andre

variabler er null vil Y har en verdi på -,05. Det er knyttet en relativ høy standard feil og et

meget høyt signifikans nivå til denne konstanten. Ser vi på variabelen rentefondinnsikt ser vi

at den variabelen har en signifikant betydning for variansen i Y variabelen. Vi kan lese av

tabellen, at for hver enhet av rentefondinnsikt vil rentefondsplassering øke med 0,49 som er

stigningstallet og finnes i kolonnen Beta. Videre kan vi se at rentefondinnsikt har en lav

standard feil og at t-verdien forteller oss at funnet er signifikant forskjellig fra null. Kolonnen

med standardisert Beta viser en verdi hvor skalaene til variablene er standardisert og dette

gjør det mulig å sammenligne disse verdien for å finnet ut hvilken variabel som har størst

betydning for Y. I vårt tallmateriale er det bare ett funn som er signifikant, og det er også

dette funnet som har den høyeste ustandardiserte og standardiserte Beta verdien.

Disse funnene betyr at det er kunder med høy rentefondinnsikt som er de kundene som som

svarer at de er mest villig til å investere i rentefond. De andre variablene i vår modell ville ha

hatt en meget liten betydning for rentefondsplassering hvis de hadde vært signifikant, noe

det altså ikke er.

15

1.3.2 Kritisk realisme (KR)

Vi skal se på hva våre funn i tallmaterialet i sammenheng med kritisk realisme. Først en liten

kikk på kritisk realisme.

Kritisk realisme er et sammensatt begrep og består av kritisk (vitenskaplige aktiviteter må

forankres i en kritisk tradisjon) og realisme (det finnes noe som har reel eksistens). Denne

vitenskapsfilosofien setter et skille mellom: det som er, det som er tilgjengelig og det som er

målbart. Videre sier den at det reelle er større enn det aktuelle, og at virkeligheten er

lagdelt. Denne vitenskapsfilosofien sier at samfunnsvitenskapen skal være kritisk ovenfor de

studier, og det arbeidet som blir utført i innen for forskningsgrenen. Denne vitenskaps-

filosofien sier at vikeligheten eksister selv om vi ikke har kjennskap til den, og at fenomener

som ikke direkte kan observeres også kan godtas.

KR har som utgangspunkt: læren om virkeligheten beskaffenhet (ontologi), men at man må

igjennom det epistemologiske ”laget” for at funnene skal bli behandlet. Dette skaper

usikkerhet ved disse funnene. Ved å benytte seg av dette, og å bruke sin egen dømmekraft

vil man kunne komme nærme sannheten, men ikke være sikker på at det man finner er

absolutte sannheter (Wikipedia, 2010).

Forskningsmodellen er et begrunnet utkast til det reelle. Modellen kan altså forstås som en

forenklet avbildning av et utsnitt fra virkeligheten (Grønhaug, K. 1985). Denne avbildningen

er knyttet til de begreper man velger å jobbe med. Begrepene knyttes til de latente

variablene, og disse ikke er observerbare.

Direkte observerbar:

Dette er variabler som direkte kan måles med en skala. I vår modell er det bare denne typen

variabler. Dette betyr det er et fravær av latente variabler og variablene i modellen måles

direkte. Målemodeller og problematikken rundt disse diskuteres ikke videre, og vi merker

oss at kritisk realisme indirekte anbefaler refleksive målemodeller (Sørebø, 2010).

Undersøkelsen er gjort med en spørreundersøkelse og dette setter oss i stand til og ”se” det

fenomenet vi er ute etter.

16

17

Det reelle er mer omfangsrikt enn det aktuelle:

Hvilket betyr at det empiriske ikke fastsetter det reelle. Det betyr i vår sammenheng at de

funn vi gjør ved å sette sammen det vi ”ser” gjennom våre data, og det vi har laget et utkast

av som ”er”, ikke er en fastsettelse av virkeligheten men en indikasjon på at det vi har funnet

er en del av en større virkelighet. Dette ser vi av forklaringskraften til modellen hvor vi finner

at det er mye av variabelen som ikke forklarer det ”reelle”. KR sier videre at den sosiale

virkeligheten er lagdelt med kausale mekanismer i hvert lag. Dette illustrerer at de funn som

er gjort i vår undersøkelse ligger i et lag av årsaker til rentefondplassering. Det er også andre

ting man bør se på i andre ”lag” for å få en forklaring på variabelen. Er det mulig at

motivasjon kan være med på i bestemme kundens til investering?

Er det sammenhenger mellom det vi ”ser” og det som ”er” i vår modell?

Ja, til en viss grad er det sammenheng mellom vår avbildning av det reelle og det

tallmaterialet vi har fått inn med et spørreskjema. KR sier av dataene må tolkes i

sammenheng, ut fra problemstillingen og det teoriperspektiv man har. Et fullstendig og riktig

bilde av det reelle gir ikke vår modell. De analyser som er fortatt indikerer at det er en

signifikant sammenheng mellom fondsinnsikt og fondsplassering. Dette er noe vi kunne

forvente ut fra våre begrunnelser for hypotese 1. Vi antar at vi ut fra et KR syn kan si at med

denne hypotesen og de funn som er gjort er ganske nær sannheten om hva som påvirker

rentefondplassering, men at dette ikke er den fulle og hele sannhet. At det i tallmaterialet

ikke er noen signifikante sammenhenger mellom sparing og rentefondinnsikt, eller inntekt

og rentefondinnsikt er vel noe mer tvilsomt. Man skulle tro at disse to variablene har en eller

annen effekt på rentefondplassering, vi har sett litt mer på dette senere i oppgaven.

Moderne kvantitative teori om validitet er forankret i KR filosofien. Relevansen av de fire

typer validitet er avgjørende for hvilke slutninger som blir trukket. (Kleven, 2008). Intern-,

ekstern-, begreps- og statistisk validitet. I vårt tilfelle er ikke begrepsvaliditet det mest

sentrale da vi ikke trekker slutninger om latente variabler fra observerbare indikatorer

(empiriske). Statistisk validitet er i vårt tilfelle viktig da våre slutninger baserer seg på statiske

data og analyser. Ved å gå igjennom tallmaterialet og sjekke om dette tilfredsstiller de

kriterier som settes for de forskjellige typer analyser har vi fått en innsikt i om vårt 18

tallmateriale tilfredsstiller disse krav. Disse funnene er kommentert i kapittelet hvor testene

blir utført. Internvaliditet sier noen om de kriterier kausal forklaringer er sluttet på. Vi

trekker ikke kausalslutninger i denne oppgaven. Ekstern validet er heller ikke avgjørende i

denne omgang.

1.3.3 Interaksjonsanalyse

Som en del av oppgaven har vi valgt å se hvordan de forskjellige uavhengige variablene

spiller inn på effekten preferanse rentefondplassering. Vi har laget et interaksjonsledd som

består av alle de tre uavhengige variablene. Hvordan leddet lages kommer vi tilbake til i kap.

2.1.1. Vi lagde en koeffisienttabell med forskningsmodellens variabler og interaksjonsleddet.

Denne tabellen ble brukt i et Excel dokument slik at vi kunne manipulere virkningsgraden på

hver av de uavhengige variablene. Tabellen under viser interaksjonseffekten på preferanse

rentefondplassering med kombinasjoner av de uavhengige variablene. Når vi rangerer

resultatene i en tabell, får vi rangert fra best effekt til minst effekt.

Kundens rentefondsinnsikt

Husstandens sparing

Husstandens lønn

Interaksjons-ledd

Interaksjons-effekt

5 5 5 125 17,55 1 5 25 5,45 5 1 25 5,01 5 5 25 3,75 1 1 5 2,81 1 5 5 1,41 5 1 5 1,1

1 1 1 1 0,8

Som tabellen over viser er det størst effekt på rentefondsplasseringen hvis kundens

rentefondsinnsikt er høy, husstandens sparing er høy og husstandens lønn, faktisk tre ganger

så stor interaksjonseffekt som den neste beste effekten. Tabellen diskuters videre under kap.

1.4.

19

1.3.4 Korrelasjon

Korrelasjonskoeffisientene på hele modellen som er oppgitt under sier at hvis den ene

variabelen øker er tendensen at den andre også øker. Denne økningen behøver ikke være

lineær. Vi ser av figuren under at alle korrelasjoner er positive. Altså hvis den ene øker, øker

også den andre positivt. Videre ser vi at det er rentefondsinnsikt mot fondsplassering som

har den høyeste koeffisienten, og inntekt mot fondsplassering som har lavest.

For å få den totale oversikten ser vi også på skalaene variablene er målt med:

Rentefondsinnsikt: Ingen kjennskap til svært mye kjennskap

Plassering: lite- til svært aktuelt

Sparing: <100’, 100’-199’, 200’-499’, 500’ - ….

Inntekt: 100’-299’, 300’-449’, 450’-599’, 600’-799’, 800’ - ….

.32**

.17**

.25** Rentefond plassering

Rentefond innsikt

husstandens sparing

.47**

husstandens inntekt

20

1.4 Diskuter resultatet og ledelsemessige implikasjoner

Vi forutsetter at det i oppgaven dreier seg om en finansiellinstitusjon som tilbyr sine kunder

både rentefond, sparing og andre økonomiske tjenester. Tallmaterialet vi har er utdrag av en

større undersøkelse. På bakgrunn av denne informasjonen og de funn som er gjort i

undersøkelsen skal vi se nærmere på hvilke nytte og eventuelt hvilke konsekvenser dette kan

ha for bedriften.

Først litt generelt om resultatene. Vi har i første omgang fokusert på den hypotesetestende

delen av undersøkelsen. Vi har sett på om tallmaterialet tilfredsstiller de krav den statistiske

analysen setter. Tallmaterialet vårt tilfredsstiller de kravene, i de tilfeller hvor de ikke

tilfredsstiller kravene har vi kommentert dette. Vi har videre måtte betrakte tallmaterialet

som godt kjent for å kunne vise hvordan de forskjellige testene i oppgaven utføres. I den

hypotesetestende delen fikk undersøkelsen støtte for hypotese 1, men ikke de to andre

hypotesene. Ser vi H2 (sparing - rentefond) finner vi i analysen et negativt stigningstall,

hvilket var overraskende. Imidlertid ser vi også at det er en meget høy sjanse for at dette

funnet skyldes tilfeldigheter (Sig. nivå 0,64). Basert på disse tallene er denne hypotesen ikke

mulig å se på som relevant. H3 (inntekt - rentefond) får heller ikke støtte, men

sannsynligheten for at dette skyldes tilfeldigheter er mye mindre (Sig. nivå 0,14). Dette tallet

er for høyt til at vi kan betrakte det som signifikant. Stigningstallet for denne hypotesen er

positivt, men ikke spesielt høyt. Basert kun på den lineære regresjonsanalysen er det bare

rentefondsinnsikt som har betydelig påvirkning på kundens rentefondplassering.

Ser vi litt nøyere på hva analysen med interaksjonsleddet og den generelle

korrelasjonsanalysen vil ha for betydning for ledelsen i bedriften finner vi følgende: Vi

kommenter ikke det funnet hvor kunden har høye verdier av alle variabler, da dette er nok

mest en teoretisk kunde. Derimot er kunder med høy lønn i kombinasjon med god

rentefondinnsikt de kundene som med størst sannsynlighet er villig til å investeringer i

rentefond. Dette er en kundegruppe bedriften bør prøve å gripe fatt i for å få de til å benytte

sine midler til rentefondplassering. Nøkkelordet er økt rentefondsinnsikt. For å øke

kundenes rentefondinnsikt må man gi kundegrupper med høy inntekt spesiell

oppmerksomhet når det gjelder å formidle informasjon om rentefondplassering. Ved å gå ut

21

fra at kunder med rentefondinnsikt også har et rentefond kan man nå disse ved å sende dem

kvartals- og årsrapporter, og på denne måten øke deres rentefondinnsikt. Ut fra

undersøkelsen, tyder det på at dette er kunder med høyest inntekt, og dette vil være den

mest lønnsomme gruppen for bedriften.

Man kan ikke bruke opplysninger om sine kunder ukritisk, og utsending av informasjon

basert på informasjon bedriften sitter på vil rammes av personvernloven. Utarbeiding av

informasjonsmateriell med tilbud om høyrentekonto kombinert med rentefondplassering vil

være en måte å nå de kundene som har vilje til sparing. Vi ser ut fra våre analyser av også

sparing har en positiv effekt på rentefondplassering. Av de kunder med lav rentefondinnsikt

er det de kunder med høy lønn som har størst vilje til å investere i rentefond.

Disse resultatene er vel ikke nye og betydningsfulle funn. Det er vel slik at man må ha et visst

”headroom” i sin økonomi for å bruke penger på fond. Det er også en betydelig høyere risiko

man løper ved å benytte denne sparingsformen enn å sette pengene i banken. Vi har

gjennom vår studie vist at det er flere faktorer som er avgjørende for fondsplassering, vi har

også sett at det er flere faktorer enn de vi har med i undersøkelsen. Basert på dette trekker

vi ingen konklusjoner, men vi har sett på hvilke råd man kan gi basert på indikasjoner

tallmaterialet i undersøkelsen gir oss.

22

2 Moderatoranalyse

Forskningsmodeller:

Forskningsmodell 1

Husstandens inntekt

Kundens alder

Husstandens sparing

Preferanse høyrentefond

Forskningsmodell 2

Husstandens inntekt

Kundens alder

Husstandens sparing

Preferanse rentefondplassering

2.1 Kvasi- og homologizertest

Alle tester er basert på tallmaterialet fra filen Plasseringsundersokelsen2010.sav. Vi bruker

skalaene slik de er i filen. Vi forutsetter i denne delen av oppgaven at tallmaterialet

tilfredsstiller de forutsetninger statistiske analyser krever. Videre antar vi at variabelen

husstandens inntekt har en moderatoreffekt på forholdet husstandens sparing og den

avhengige variabelen til forskningsmodellene.

Alder er utelatt i analysene da moderatoreffekten ikke antas å være i forbindelse med

kundens alder og fondsplassering.

23

Beskrivende statistikk

N Gj. Std. avviket RangePreferanse rentefondplassering (skala: 1 - 3) 137 1,31 0,58 2Preferanse høyrentekonto (skala: 1 - 3) 383 2,33 0,78 2Kundens alder 400 45,9

714,03 64

Husstandens sparing (skala: 1 - 4) 254 1,90 1,12 3Husstandens inntekt (skala: 1 - 5) 329 2,78 1,25 4

Korrelasjonsanalyse av tallmaterialet

Høyrentefond Rentefond Inntekt Sparing AlderHøyrentefond

1 -.06 .11 .23** .08

Rentefond -.06 1 .1 .13 -.24**

Inntekt .11 .17 1 .32** -.17**

Sparing .23** .13 .32** 1 .32**

Alder .08 -.24** -.17** .32** 1 **. p <0,01

Dette er gjort for å få en oversikt over de signifikante sammenhengene mellom variabelene.

2.1.1 Kvasimoderatortest

Moderatorer som endrer formen på relasjonen mellom uavhengige (X) og avhengige (Y)

variabelen kalles for kalles kvasi- og puremoderatorer. Hvis en moderatorvariabel både

kommuniserer med X variabelen og er relatert til X eller Y variabelen, er det en

kvasimoderator. Hvis en moderatorvariabel bare kommuniserer med X variabelen og ikke er

relatert til X eller Y, er det en puremoderator (Sharma et al. 1981).

Først lager vi et interaksjonsledd som skal benyttes videre i oppgaven, for å lage dette leddet

benytter vi oss av den beskrivende statistikk for modellene. Ved å gjennomsnittssentere

variabelen husstandens sparing og husstandens inntekt lager vi interaksjonsleddet.

Interaksjonsleddet brukes til å se på og beskrive endringen av sammenhengen mellom X og Y

variabelen gjennom en tredje variabel.

Interaksjonsleddet er laget slik:

For å unngå mulig korrelasjon mellom x variablene (multikollineariten), må vi

24

gjennomsnittetssentrere variablene. Dette gjøres ved å trekke gjennomsnittsverdien fra alle

verdiene.

Husstandens_sparing_inntekt = (Husstandens Sparing - 1,9)*(Husstandens Inntekt – 2,78)

Nærmere forklaring på gjennomsnittssentrering gis i kap. 2.1.1.2

2.1.1.1 Regresjonsanalyse med interaksjonsledd

Forskningsmodell 1

Beta Std. Error Sig.

(Constant) 1,93 ,13 ,00Husstandens sparing ,18 ,05 ,00Husstandens inntekt ,04 ,04 ,29Husstandens _sparing_inntekt -,14 ,03 ,00

Avhengigvariabel: Preferanse Høyrentefond

Vi ser av tabellen at analysen med interaksjonleddet har et sig. nivå på 0,00. Dette sig. nivået

er tilstrekkelig lavt til å være uavhengig av om vi utfører en halet eller to halet test. Dette vil

si at husstandenes inntekt moderer forholdet mellom husstandens sparing og høyrentefond.

Denne moderatoreffekten gjør at husstandens inntekt enten er en pure- eller

kvasimoderator, da den har signifikant interaksjon (0,32**) med den uavhengige variabelen.

En kvasimoderatoren må ha relasjon til X eller Y variablene, i vår forskingsmodell er det

ingen relasjon mellom moderator variabelen og variablene. Dette indikerer at moderator

variabelen vi har med å gjøre er en puremoderator (Sharma et al. 1981).

25

Forskningsmodell 2

Beta Std. Error Sig.

(Constant) 1,09 ,18 ,00Husstandens sparing -,02 ,06 ,74Husstandens inntekt ,06 ,05 ,27Husstandens _sparing_inntekt ,10 ,04 ,01

Avhengigvariabel: Preferanse Rentefondsplassering

Her er det et signifikansnivå på 0,01 for interaksjonsleddet, dette gir det samme resultatet

som forskningsmodell 1. Her er forholdet mellom husstandens sparing og preferanse

rentefonsplassering moderert med husstandens inntekt. Vi legger også merke til at sig.

nivået på husstandens sparing er altfor høyt til at vi kan se på funnet som signifikant. Dette

tyder som sagt på at det er puremoderator vi har å gjøre med, og derfor ikke er en

homologizer moderator, med for oppgavens gjennomførelse vil vi gjøre denne analysen.

2.1.1.2 Kontroll av Interaksjonsledd

Hvis man sammenligner betaverdier på interaksjonsleddet med gjennomsnittssentering,

uten gjennomsnittssentering og uten interaksjonsleddet. Ser vi at interaksjonsleddet med

gjennomsnittsentering gir riktigere betaverdier, sammenlignet med de oppringelige

betaverdiene. Kontrollen gjøres ved å se på om verdiene er tilnærmet like.

Forskningsmodell 1

Uten interaksjonsledd Med interaksjonsledd Interaksjonsledd u gj(Constant) 2,00 1,93 1,18Husstandens sparing ,14 ,18 ,57Husstandeens Inntekt ,03 ,04 ,31Husstandens _sparing_inntekt -,14 -,14

Forskningsmodell 2

Uten interaksjonsledd Med interaksjonsledd Interaksjonsledd u gj(Constant) ,94 1,09 1,64Husstandens sparing ,03 -,02 -,31Husstandeens Inntekt ,10 ,06 -,14Husstandens _sparing_inntekt ,10 ,10

26

2.1.1.3 Kvasimoderatortest med kontroll variabel

Vi utfører denne testen for å kunne se om de resultater vi har kommet frem til ikke skylles

andre faktorer. Denne testen utføres på samme måte som kvasimoderatortesten, men vi

legger også kundens alder inn som en uavhengig variable.

Forskningsmodell 1

Beta Std. Error Sig.

(Constant) 2,02 ,23 ,00Husstandens sparing ,19 ,05 ,00Husstandens inntekt ,04 ,04 ,40Husstandens _sparing_inntekt -,15 ,04 ,00Kundens alder ,00 ,00 ,62

Avhengigvariabel: Preferanse Høyrentefond

Når vi sammenligner verdiene med og uten kontroll variabel, ser vi at inntekten er gått fra et

sig. nivå på 0,29 til et sig. nivå på 0,40. Alders variabelen har et sig. nivå på 0,62, og derfor

ikke har noen innvirkning på regresjonsanalyses utfall.

Forskningsmodell 2

Beta Std. Error Sig.

(Constant) 1,09 ,18 ,00Husstandens sparing ,02 ,07 ,71Husstandens inntekt ,04 ,06 ,44Husstandens _sparing_inntekt ,08 ,04 ,06Kundens alder ,01 ,01 ,21

Avhengigvariabel: Preferanse Rentefondsplassering

Ser vi på signifikans nivået på husstandens sparing er det fremdeles altfor høy. Her har også

sig. nivået på husstandens inntekt økt med ca 20 % poeng. Som vi ser av tabellene er ikke sig.

nivået på interaksjonsleddet forandret oppsiktsvekkende mye, men forskningsmodell 2 har

gått fra 0,01 til 0,06, dette har ingen betydning da interaksjonsleddet er signifikant ved

begge verdier. Dette betyr at moderatoren fremdeles er en puremoderator.

27

2.1.2 Homologizertest

Preferanse høyrentefond

Husstandens sparing

Husstandens lønnsinntekt

Alder

Preferanse høyrentefond

1 .13 .17 -.24**

Husstandens sparing .13 1 .32** .32**

Husstandens lønnsinntekt

.17 .32** 1 -.17**

Alder -.24** .32** -.17** 1

Som vi ser av tabellen over korrelerer husstandens sparing og husstandens lønnsinntekt

(0,32), dette stemmer ikke med de forutsetningene som kreves for en homologizer (Sharma

et al, 1981). Selv om ikke forutsetningene er oppfylt vil vi gå videre med homologizertest.

En homologizer er en moderator som påvirker stryken mellom den uavhengige- og den

avhengige variabelen. Moderatoren er ikke relatert til den uavhengige- eller den avhengige

variabelen og er korrelerer ikke med den uavhengige variabelen. I en homologizertest er det

feilmarginen som blir en funksjonen av moderator variabelen og påvirkningen vil være

avhengig av feilmarginen. Vi kan derfor dele variabelen inn i undergrupper. Jo større

feilmargin jo mindre påvirkning på relasjon og omvendt (Sharma et al. 1981).

Ved å dele tallmaterialet til moderator variabelen vil vi få forskjellige segmenter, og disse vil

korrelere forskjellig med feilmarginen. Segmentene er delt med tanke på antall

respondenter som faller i hver gruppe. Vi prøvde først å dele med gjennomsnittet som er

2,78, men da ble fordelingen for skjev, første gruppe med 138 respondenter og andre med

191. Vi prøvde da å dele inn i tre grupper, og da ble antall gruppemedlemmer jevnere

fordelt. Første gruppe med de mellom 100.000 og 449.000 kr som husstandens inntekt med

138 respondenter, den andre gruppen mellom 450.000-599.000 kr med 95 respondenter og

den tredje gruppen med 600.000 kr eller mer med 96 respondenter.

28

Preferanse høyrentefond (jfr. model 1) Preferanse Rentefondsplassering (jfr. model 2)

Interaksjon Lav gruppe <=2

Mellom gr. =3

Høy gr. >=4

Interaksjon Lav gruppe <=2

Mellom gr. =3

Høy gr. >=4

Husstandens sparing

0,061(0,050)

0,3912 0,23 -0,05 0,16(0,043)

-0,282 -0,16 0,28

1 sig. p<=0.012 partial correlation etter Fisher Z test

Forklaring til verdiene i tabellen over, interaksjonskolonnen har regresjonsverdiene

ustandarlisert koeffisient beta og i parentes standard error. Gruppekolonnene har

korrelasjonsverdier for de respektive gruppene.

Som vi ser av tabellen er det forskjell mellom de tre gruppene innenfor hver

forskningsmodell. Det vi skal nå se på om gruppe lav, mellom og høy har signifikante

forskjeller slik at moderatoren kan kalles en homologizer. På Internettsiden

http://faculty.vassar.edu/lowry/rdiff.html kan dette testes, korrelasjonskoeffisienten og

antall respondenter for de respektive gruppene skrives inn. Fishers Z ligning blir gjennomført

på forskningsmodell 1 der vi sammenligner lav og høy gruppe og Z-verdien blir da 2,91 og en

halet p er 0,0018. Hvis forutsettingene hadde stemt forskningsmodell 1 hadde den hatt en

moderator variabelen som tilfredsstilt kravet til homologizer på 1 % nivå. I forskningsmodell

2 er det ingen grupper som er signifikante, men også her skal vi gjennomføre Fishers Z test

på lav og høy gruppe. Etter gjennomført test er Z-verdien -2,16 og også her er testen

signifikant med en halet p på 0,0154 som tilfredsstiller kravet til homologizer. Det er viktig og

få frem at testen aldri ville vært startet hvis det ikke hadde vært for oppgavesettet.

29

2.1.2.1 Homologizertest med kontroll variabelen

Vi har valgt å teste for homologizer med kontrollvariabel også, dette er for og kontrollere at

det vi har kommet frem til ikke skyldes andre faktorer.

Preferanse høyrentefond (jfr. model 1) Preferanse Rentefondsplassering (jfr. model 2)

Interaksjon Lav gruppe <=2

Mellom gr. =3

Høy gr. >=4

Interaksjon Lav gruppe <=2

Mellom gr. =3

Høy gr. >=4

Husstandens sparing

0,136(0,046)

0,337 0,321 -0,063 0,028(0.055)

-0,066 -0,20 0,28

Bruker verdiene i gruppene høy og lav for hver modell i Fishers Z test og får en Z verdi på

2,55 og en p-verdi på 0,0054 på en halet test. Dette betyr at moderatoren i forskningsmodell

1 fremdeles ville vært en homologizer. Etter å ha gjennomført samme test med

forskningsmodell 2 er Z verdi nå blitt -1.25 og p-verdi: 0,1056. Dette betyr at moderatoren i

forskningsmodell 2 ikke lengre tilfredstiller kravet til en homologizer, men til en uavhengig

variabel.

30

2.2 Forutsetningstest

Det er noen forutsetninger som skal være til stede for at husstandens inntekt skal være en

homologizer moderator. Vi har allerede sett på moderatortesten i punkt 2.1.2

homologizertest, men skal nå gå kort igjennom dette teoretisk.

Det første man må se på er om variabelen tilfredsstiller kravet til en homologizer.

Moderatoren kan ikke være i relasjon med verken den uavhengige eller den avhengige

variabelen og ikke korrelert med den uavhengige variabelen. Første sjekk gjøres med en

korrelasjonsanalyse, denne avslører om den antatte moderatoren – husstandens inntekt og

den uavhengige variabelen – husstandenes sparing korrelerer. Allerede her bryter

moderatoren i krav som stilles for å kunne være en homologizer. Som en del av oppgaven

har vi valgt og fortsett med homologizertesten. Neste steg er å dele tallmaterialet i tre

grupper. Gruppene er basert på å få like mange respondener i hver gruppe. Målet med å

dele tallmaterialet er å se om man kan finne signifikante funn med å bruke hver av gruppene

uavhengig. Fishers Z test utføres for å kunne se om er det signifikant forskjell mellom to

koeffisienter. Ved gjennomføring uten kontrollvariabel ser vi at Fishers Z test tilfredsstiller

kravet til at moderatoren er en homologizer moderator.

Etter vi var ferdig med å tegne forskningsmodellen fant vi fort ut at moderatoren var av

typen pure moderator hjelp av Sharma et al. sin typology of specification variables(1981). Så

vi viste før vi gjorde moderatortestene at resultatet kom til å bli en pure moderator.

31

2.3 Drøft resultatene

En moderatorhypotese er en antagelse at det en tredje faktor som kan ha innvirkning på

forholdet mellom to variabler. En moderator kan endre formen eller styrken på forholdet

mellom den uavhengige og den avhengige variabelen. Formålet med en moderatorhypotese

er å kunne si noe mer enn det en hypotese kan gjøre. For eksempel: Det er positiv

sammenheng mellom husstandens sparing og høyrentefond som blir sterkere jo høyere

inntekt en husstanden har. Forskningsmodeller som ikke inneholder moderator variabel har

vist sin nytteverdi, men det noen modeller som ikke har gitt et fullgodt bilde av fenomenet

som skal studeres. Moderatorer har sitt opphav fra Saunders som i 1956 kom med et

alternativ til den klassiske forskningsmodellen. Saunders forslag var å bruke moderatorer i

forskningsmodellen innen psykologien og markedsføring (Sharma et al. 1981).

Vi har gjennom analysene som er gjort på tallmaterialet funnet at det er en signifikant

sammenheng mellom sparing og høyrentefond i forskningsmodell 1 og at den antatte

moderator- variabelen er en puremoderator. Denne variabelen vil påvirke formen på

forholdet mellom X og Y variabelen. Dette kan bety at husstandens inntekt bare påvirker X

og Y positivt opp til et vist punkt, og etter dette kan den ha en negativ påvirkning.

Forklaringskraften til denne modellen var på 5 % og er meget liten. Dette betyr at det er

mange andre faktorer som spiller inn på kundens vilje til å investere i rentefond.

Vi forutsetter igjen at bedriften det dreier seg om er en finansinstitusjon hvor det er blant

annet er avgjørende å få solgt høyrentefond. Salg av denne typen rentefond er gunstig for

bedriften da dette er ”lange penger” som representer ressurser bedriften kan benytte seg av

i et lenger perspektiv enn ved vanlige sparingsprodukter. Med fondsplassering vil det også

være knyttet gebyrer til som bedriften vil tjener penger på i lengre perioder. Våre funn tyder

på at hvor mye kunden sparer, ikke i stor grad predikerer i hvor stor grad kunden er villig til

plassering. Den modererende effekten vi har funnet sier også det bare er opp til et visst nivå

det er en positiv sammenheng mellom husstands sparing og preferanse rentefondplassering,

da inntekt ligger og modererer dette forholdet.

32

For ledelsen i bedriften vil det være gunstig og tilrette legge de rentefondstilbud de har mot

den gruppen av kunder som har fra lav til middels sparing og lav til middels inntekt. Et

alternativ er å lage en pakke hvor man tilbyr rentefond og høyrentesparing. Her vil man ha

muligheten til å tilby en noe høyere rente på sparekontoene enn man normalt ville gjort,

grunnet at man ville ha hett tilgang til de ”lange pengene” fra kundene.

Ser vi på modell 2 finner vi en forklaringskraft som ligger på 10 %. Hvilket også må betraktes

som lavt. Variablene vi har med i modellen forklar bare en liten del av den totale variansen i

rentefondplassering. Videre finner vi ingen signifikant forskjell mellom høy og lav gruppe i

denne modellen, og for høyt sig. nivå mellom sparing, inntekt og rentefondplassering. Da vi

ikke finner noen signifikant forskjeller mellom høy og lav gruppe kan vi ikke gi noen råd eller

anbefalinger som går på de forskjellige gruppene. Vi finner ingen korrelasjon eller lineære

sammenhenger mellom X og Y variablene. Vi finner ved å se på sparing og inntekt at det er

statistisk sammenheng og uten kontroll variabelen, kundens alder fungere inntekt som en

homologizer. Når vi tester for homologizer moderator med kontroll variabelen, tilfresstilles

ikke kravet og inntekt sees på som en uavhengig variabel. Det er også en meget lav svar

prosent på variabelen rentefondsplassering. Basert på dette kan vi ikke gi noen generelle råd

til bedriften.

Et punkt vi ikke har viet mye oppmerksomhet, er fjerning av uteliggere i tallmaterialet. Vi har

gjort to tester for å se på moderator variabelen og kundens alder, og kommet frem til at

forskjellen mellom tallmateriale med og uten uteliggere ikke utgjør en stor forskjell. Av

tallmaterialet kan vi ikke se at det er så mange respondenter som skiller seg ut fra mengden.

Vi valgte å ta vekk personer som var under 25 og med mer enn 800.000 i inntekt, eldre enn

65 og med mer enn 800.000 i inntekt og de som var over 65 med mellom 100.000 og

299.000 i inntekt. Basert på det vi har funnet har vi valgt å gjøre analyser og tester basert på

det originale tallmaterialet.

33

LitteraturlisteRingdal K.(2001) Enhet og mangfold Bergen: Fagbokforlaget.

Sørebø A.(2009) En innføring i kvantitativ datanalyse med SPSS – 16.0.

Grønhaug, K. (1985): Problemer i empirisk forskning, i Metoder og perspektiver i

økonomisk-administrativ forskning Universitetsforlaget, Oslo, 7-17.

Bollen, K.A. (1989): Structural Equations with Latent Variables,Wiley, kap. 6., 179-225

Berry, W.D. (1993): Understanding regression assumptions, Sage publications, UK

Slater, S.F., Narver, J.C. (1994): Does Competitive Environment Moderate the Market

Orientation-Performance Relationships? Journal of Marketing, Vol. 58 (Jan), 46-55

Sharma, S., Durand, R.M., Gur-Arie, O. (1981): Identification and Analysis of Moderator

Variables. Journal of Marketing Research, Vol. XVIII (August), 291-300.

Sandvik, K. , Grønhaug, K. (2007): How well does the firm know its customers? The

moderating effect of mrket orientation in the hospitality industry. Tourism Economics, vol 13

(1), 5-23.

Grønhaug, K. (1985): Problemer i empirisk forskning, i Metoder og perspektiver i

økonomisk-administrativ forskning Universitetsforlaget, Oslo, 7-17.

Midtbø, T. (2007):Regresjonsanalyse for samfunnsvitere, universitetsforlaget, Oslo

Sandvik, K. (2010) – Handout fra forlesning: moderatoranalyse, 02.09.2010

Internettsider

Wikipedia (2010, 25. jan.) Rentefond [online]

Tilgjennelig: http://no.wikipedia.org/wiki/Rentefond[2010, 7. sep]

34

NTNU (2005, 9. nov.) Analyse av innflytelsesrike enheter [online]

Tilgjennelig: http://www.svt.ntnu.no/iss/terje.eikemo/sos3003/oving10.pdf

[2010, 1. okt]

UIO (2007) Kritisk Realisme som vitenskapsteori [online]

Tilgjennelig:http://www.uio.no/studier/emner/sv/iss/SGO4000/h07/

undervisningsmateriale/Kritisk%20Realisme%20som%20vitenskapsteori_web.ppt

[2010, 1. Okt]

IDUNN (2007, juni) Validity and validation in qualitative and quantitative research [online]

http://www.idunn.no/ts/np/2008/03/validity_and_validation_in_qualitative_and_qu

antitative_research [2010 1. Okt]

Wikipedia (2010, 1. aug.) Kritisk Realisme [online]

Tilgjennelig: http://da.wikipedia.org/wiki/Kritisk_realisme [2010, 7. sep]

35