The Structure

library(tidyverse)
library(sjPlot)
library(ggthemes)
library(ggridges)
library(ggbeeswarm)
library(bestNormalize)
library(correlation)
library(performance)
library(see)
library(dummies)

The Data and Wrangling

omx <- read.csv("C:/Users/emretoros/Desktop/omx.csv", encoding="UTF-8")

#The Analysis

EDA

options(scipen=10000)
#solvency
omx %>% 
  ggplot(aes(x= solvency, y= tobins_q)) + 
  stat_summary( fun.data=mean_cl_normal, width=0.1, conf.int=0.95, fill="lightblue") +
  stat_summary(geom="line", fun.y=mean, linetype="dashed")+
  stat_summary(geom="point", fun.y=mean, color="red") +
  labs(y = "Tobins Q", x= "Solvency ")

#roa
omx %>% 
  ggplot(aes(x= roa, y= tobins_q)) + 
  stat_summary( fun.data=mean_cl_normal, width=0.1, conf.int=0.95, fill="lightblue") +
  stat_summary(geom="line", fun.y=mean, linetype="dashed")+
  stat_summary(geom="point", fun.y=mean, color="red") +
  labs(y = "Tobins Q", x= "Roa ")

#toplam varlık
omx %>% 
  ggplot(aes(x= log10(toplam_varlik), y= tobins_q)) + 
  stat_summary( fun.data=mean_cl_normal, width=0.1, conf.int=0.95, fill="lightblue") +
  stat_summary(geom="line", fun.y=mean, linetype="dashed")+
  stat_summary(geom="point", fun.y=mean, color="red") +
  labs(y = "Tobins Q", x= "Toplam Varlık(log10)")

DV: Tobins q Linear Models

model1 <- lm(tobins_q ~ solvency, data=omx)
model2 <- lm(tobins_q ~ roa + log10(toplam_varlik), data=omx)



tab_model(model1 )
  tobins q
Predictors Estimates CI p
(Intercept) 0.98 0.94 – 1.02 <0.001
solvency -0.01 -0.01 – -0.01 <0.001
Observations 110
R2 / R2 adjusted 0.814 / 0.813 
tab_model(model2, show.std = TRUE)
  tobins q
Predictors Estimates std. Beta CI standardized CI p std. p
(Intercept) 1.04 0.25 0.74 – 1.34 0.03 – 0.47 <0.001 0.026
roa -0.01 -0.63 -0.02 – -0.01 -0.78 – -0.47 <0.001 <0.001
toplam_varlik [log10] -0.06 -1.29 -0.11 – -0.02 -2.12 – -0.47 0.006 0.002
Observations 110
R2 / R2 adjusted 0.370 / 0.358 
tab_model(model1, model2, show.std = T)
  tobins q tobins q
Predictors Estimates std. Beta CI standardized CI p Estimates std. Beta CI standardized CI p std. p
(Intercept) 0.98 -0.00 0.94 – 1.02 -0.08 – 0.08 <0.001 1.04 0.25 0.74 – 1.34 0.03 – 0.47 <0.001 0.026
solvency -0.01 -0.90 -0.01 – -0.01 -0.98 – -0.82 <0.001
roa -0.01 -0.63 -0.02 – -0.01 -0.78 – -0.47 <0.001 <0.001
toplam_varlik [log10] -0.06 -1.29 -0.11 – -0.02 -2.12 – -0.47 0.006 0.002
Observations 110 110
R2 / R2 adjusted 0.814 / 0.813 0.370 / 0.358

Women Models

l_mod2 <-  glm(tobins_q ~ roa + solvency + log10(toplam_varlik) + denetim_komitesi_kadin_sayi + denetim_komitesi_kadin_baskan + denetim_top_say, data= omx)



tab_model(l_mod2)
  tobins q
Predictors Estimates CI p
(Intercept) 0.90 0.74 – 1.07 <0.001
roa -0.00 -0.00 – 0.00 0.846
solvency -0.01 -0.01 – -0.01 <0.001
toplam_varlik [log10] 0.03 0.00 – 0.06 0.034
denetim_komitesi_kadin_sayi -0.02 -0.04 – -0.01 0.003
denetim_komitesi_kadin_baskan 0.01 -0.01 – 0.04 0.358
denetim_top_say -0.01 -0.02 – -0.00 0.004
Observations 99
R2 Nagelkerke 0.857 
plot_model(l_mod2, type = "est", show.values = TRUE)

plot_model(l_mod2, type = "pred")
## $roa

## 
## $solvency

## 
## $toplam_varlik

## 
## $denetim_komitesi_kadin_sayi

## 
## $denetim_komitesi_kadin_baskan

## 
## $denetim_top_say

DV: Roa Linear Models

model1 <- lm(roa ~ solvency, data=omx)
model2 <- lm(roa ~ tobins_q + log10(toplam_varlik), data=omx)



tab_model(model1 )
  roa
Predictors Estimates CI p
(Intercept) -7.27 -11.07 – -3.48 <0.001
solvency 0.30 0.22 – 0.37 <0.001
Observations 110
R2 / R2 adjusted 0.343 / 0.337 
tab_model(model2, show.std = TRUE)
  roa
Predictors Estimates std. Beta CI standardized CI p std. p
(Intercept) 49.55 0.30 35.31 – 63.79 0.10 – 0.51 <0.001 0.005
tobins_q -28.74 -0.60 -35.96 – -21.52 -0.74 – -0.45 <0.001 <0.001
toplam_varlik [log10] -4.05 -1.59 -6.05 – -2.05 -2.37 – -0.80 <0.001 <0.001
Observations 110
R2 / R2 adjusted 0.412 / 0.402 
tab_model(model1, model2, show.std = T)
  roa roa
Predictors Estimates std. Beta CI standardized CI p Estimates std. Beta CI standardized CI p std. p
(Intercept) -7.27 0.00 -11.07 – -3.48 -0.15 – 0.15 <0.001 49.55 0.30 35.31 – 63.79 0.10 – 0.51 <0.001 0.005
solvency 0.30 0.59 0.22 – 0.37 0.43 – 0.74 <0.001
tobins_q -28.74 -0.60 -35.96 – -21.52 -0.74 – -0.45 <0.001 <0.001
toplam_varlik [log10] -4.05 -1.59 -6.05 – -2.05 -2.37 – -0.80 <0.001 <0.001
Observations 110 110
R2 / R2 adjusted 0.343 / 0.337 0.412 / 0.402

Women Models

l_mod2 <-  glm(roa ~ tobins_q  + solvency + log10(toplam_varlik) + denetim_komitesi_kadin_sayi + denetim_komitesi_kadin_baskan + denetim_top_say, data= omx)



tab_model(l_mod2)
  roa
Predictors Estimates CI p
(Intercept) 24.76 3.26 – 46.25 0.026
tobins_q -1.81 -20.04 – 16.42 0.846
solvency 0.29 0.10 – 0.48 0.004
toplam_varlik [log10] -4.52 -6.89 – -2.14 <0.001
denetim_komitesi_kadin_sayi 1.75 0.34 – 3.15 0.017
denetim_komitesi_kadin_baskan -2.69 -4.81 – -0.57 0.015
denetim_top_say -0.42 -1.23 – 0.40 0.318
Observations 99
R2 Nagelkerke 1.000 
plot_model(l_mod2, type = "est", show.values = TRUE)

plot_model(l_mod2, type = "pred")
## $tobins_q

## 
## $solvency

## 
## $toplam_varlik

## 
## $denetim_komitesi_kadin_sayi

## 
## $denetim_komitesi_kadin_baskan

## 
## $denetim_top_say