Antes de realizar as estimações das regressões referentes às equações descritas, testes foram aplicados, com o objetivo de identificar o modelo mais adequado para as observações – se Modelo de dados em Painel com Efeitos (fixos ou aleatórios), ou se POOLS (Pooled Ordinary Least Square). Como o número de observações para a amostra deste estudo é de empresas que varia ao longo do tempo pode-se afirmar que o melhor modelo a ser utilizado é a abordagem de dados em painel, nesse caso, desbalanceado, uma vez que há ausência de informações disponíveis. Essa técnica é oriunda da união da série temporal com as cross- sections, na qual tem por finalidade estudar a influência de variáveis explicativas sobre determinada variável dependente para um conjunto de observações e ao longo do tempo (Gujarati, 2011).
As vantagens do modelo de dados em painel para Pindyck e Rubinfeld (2004), são:
51
Maior número de observações, como consequência aumento do número de graus de liberdade e eficiência dos parâmetros, uma vez que, na análise de dados em painel, há a multiplicação do número de cross-section pela quantidade de períodos;
Redução de problemas de multicolinariedade de variáveis explicativas, uma vez que esse problema recorrentemente aparece em modelos com um número limitado de observações e pode ser reduzido com o aumento obtido pela multiplicação do número de cross-sections pela quantidade de períodos de tempo;
Dinâmica intertemporal, que representa o “mix” entre as cross-sections e a série temporal.
A literatura evidencia três abordagens mais comuns para análise de dados em painel: Pooled Ordinary Least Squares – Pooled (Mínimos Quadrados Ordinários Agrupados), Fixed-Effects Model (Modelo de Efeitos Fixos) e Random Effects Model (Modelo de Efeitos Aleatórios). Por meio do teste de Hausman, Chow e Breusch-Pagan verifica-se qual a modelagem mais apropriada para tratamento dos dados que integram a amostra do estudo.
O modelo, Pooled, representa uma regressão em sua forma mais convencional, sendo assim, apresenta o intercepto e os parâmetros das variáveis explicativas para todas as observações ao longo do período em análise. Esse modelo parte do pressuposto que o coeficiente angular da variável explicativa é idêntico para todas as observações ao longo do tempo, ou seja, não leva em consideração a natureza cross-section dos dados em análise (Fávero, Belfiore, Silva e Chan, 2009).
O modelo de efeitos fixos considera as alterações as interferências da natureza cross- sections dos dados para a obtenção dos parâmetros estimados para o modelo. Os interceptos das observações, nesse modelo, podem ser diferentes e essas diferenças podem ser devidas às características específicas de cada observação (Gujarati, 2011). Por fim, na abordagem efeitos aleatórios, a estimação é feita incorporando a heterogeneidade não observada ao termo de perturbação. Nesses modelos, a constante não é estimada como um parâmetro fixo, mas como um parâmetro aleatório não observado (Gujarati, 2011).
Na análise de dados cross-sections, existem duas possibilidades para a forma como os dados estão dispostos ao longo do tempo, o que determina o balanceamento ou desbalanceamento do painel. O painel balanceado ocorre quando se verifica o mesmo número de dados temporais para cada indivíduo que integra a amostra durante todo o período de análise. Enquanto no painel desbalanceado percebe-se a alteração do número de dados
52
temporais para os indivíduos amostrados (Fávero, Belfiore, Silva & Chan, 2011). Na presente pesquisa, a quantidade de empresas (indivíduos) que compõem o conjunto de dados em análise se repetiram ao longo dos anos, o que determina o balanceamento do painel utilizado para estimação dos parâmetros do modelo.
A verificação de adequabilidade do modelo Pooled versus o de Efeitos Fixos é feita por meio do teste de Chow que apresenta como hipótese nula a pressuposição de que a correta estimação dos parâmetros do modelo seja feita por meio da abordagem Pooled. A escolha entre o Pooled e a modelagem de efeitos aleatórios ocorre a partir do teste de Breusch-Pagan que em sua hipótese nula supõe a adequabilidade da abordagem Pooled. Por fim, tem-se o teste de Hausman que, uma vez descartada a possibilidade de utilização do Pooled para tratamento dos dados, por meio dos testes anteriormente citados, é utilizado para que se possa verificar a adequação do ajuste através das abordagens de Efeitos Fixos ou Efeitos Aleatórios. A hipótese nula do teste de Hausmam considera como apropriado o modelo de Efeitos Aleatórios para estimação dos parâmetros do modelo proposto (Gujarati, 2011).
Caso os testes anteriormente apresentados evidenciem a necessidade de utilização do modelo Pooled faz-se necessário, para a sua correta aplicação a verificação de pressupostos exigidos por metodologia. A literatura evidencia como forma de validação da abordagem Pooled os seguintes testes estatísticos: Teste RESET que tem como finalidade verificar se o modelo apresenta problema em relação a sua forma funcional; teste Doornik-Hansen que aponta se a existência de normalidade dos resíduos do modelo proposto; teste de Breuch- Pagan utilizado para testar se a variância dos resíduos do modelo de regressão aproxima-se de uma normal; estatística VIF (análise do Fator de Inflação da Variância) que apresenta como finalidade verificar a existência do problema de multicolinearidade entre os regressores do modelo proposto (Greene, 2008).
A presença de problemas de heterocedasticidade e/ou autocorrelação dos resíduos, nas modelagens de Efeitos Fixos e Aleatórios determina a inadequação dessas abordagens para tratamento dos dados amostrados.
A verificação da presença de heterocedasticidade, nos dados em painel, é feita por meio do teste de Wald modificado que verifica a presença de heterocedasticidade entre as unidades cross-section que compõem o painel. A hipótese nula do referido teste assume a que os resíduos do modelo apresentam variância constante (pressuposto de homocedasticidade) (Baum, 2001). A presença de autocorrelação dos resíduos é feita a partir do teste de Woodridge que em sua hipótese nula considera que os resíduos são não autocorrelacionados
53
(Woodridge, 2002).
Na presença de heterocedasticidade e/ou autocorrelação dos resíduos do modelo proposto tem-se a inviabilidade das abordagens de Efeitos Fixos e Aleatórios, fazendo-se necessária, portanto, a utilização do Método de Mínimos Quadrados Generalizados (GLS) para a correta estimação dos parâmetros do modelo. Essa abordagem utilizada para estimar os parâmetros de um modelo de regressão linear na presença heterocedasticidade e/ou autocorrelação dos resíduos. A significância global do modelo é evidenciada por meio do teste de Wald que apresenta como hipótese nula o pressuposto de inadequação do modelo proposto (Woodridge, 2002).
Nesse trabalho estimaram-se os seguintes modelos a partir da metodologia de dados em painel, equações anteriormente citadas:
VMEt1 = α1 + α2(AOL - INT) t + α3INT+ α4AFLt + α5LOAt + εt (13)
VMEt1 = α1 + α2(AOL - INT) t + α3GWt + α4IDt + α5AFLt + α6LOAt + εt (14)
VMEt2 = α1 + α2(AOL - INT) t + α3INT + α5AFLt + α6LOAt + εt (15)
VMEt2 = α1 + α2(AOL - INT) t + α3GWt + α4IDt + α5AFLt + α6LOAt + εt (16)
Onde:
INT t = GWt + IDt;
VMEt1 = Valor de mercado do primeiro trimestre seguinte à demonstração contábil;
VMEt2 = Valor de mercado do segundo trimestre seguinte à demonstração contábil;
AFLt = Ativos financeiros Líquidos;
LOAt = Lucros operacionais anormais;
GWt = Goodwill;
IDt = Ativos intangíveis identificáveis;
α1 = constante do modelo;
α2 = até o α6 são coeficientes da regressão estimados; e
εt = termo de erro da regressão.
54
55
4 ANÁLISE E DISCUSSÃO DOS RESULTADOS
A apresentação da análise de resultados está dividida da seguinte maneira: “Análise descritiva dos dados amostrados” e “Análise econométrica dos dados que integram a amostra do estudo”.