Com o problema definido e as proposições especificadas, apresentamos no Quadro 10 as etapas de pesquisa, destacando as proposições envolvidas, o delineamento predominante, tal como os procedimentos analíticos com seus respectivos mecanismos de coleta e testes adicionais.
Quadro 10 – Especificação das Etapas da Pesquisa.
Etapa Delineamento
Predominante Procedimentos e Testes e Coleta
1° Fase - Análise Descritiva das
Variáveis Quantitativo
Procedimento de Análise: Análise Estatística Univariada e Bivariada
Mecanismo de Coleta: Pesquisa Documental e Bases de Dados Eletrônicas
Técnicas Estatísticas: Análise Descritiva, Teste Qui-quadrado e Cramer's V, Correlação de Pearson,
Mecanismo de Coleta: Pesquisa Documental e Bases de Dados Eletrônicas
Testes de Ajuste do Modelo: Teste de White, Teste F de Chow, Teste de Breuch-Pagan, Teste de Hausman
3° Fase - Análise do Efeito Mecanismo de Coleta: Pesquisa Documental e Bases de Dados Eletrônicas
Teste de Ajuste do Modelo: Teste de White, Teste F de Chow, Teste de Breuch-Pagan, Teste de Hausman, Teste Qui-quadrado de diferença de coeficientes Mecanismo de Coleta: Pesquisa Documental e Bases de Dados Eletrônicas
Teste de Ajuste do Modelo: Teste ANOVA de Comparação de Médias
Como está apresentado no quadro acima, na 1a etapa, fizemos a descrição das variáveis buscando, em primeiro lugar, avaliar a qualidade dos indicadores por meio da análise descritiva e da correlação entre as variáveis. Depois disso, comparamos algumas categorias de relevância para nosso estudo, objetivando descrever a amostra por meio da comparação de proporções (Qui-quadrado e Cramer’s V). Seguindo a sugestão de Shaver (2007), avaliamos a relação funcional (se é linear, curvilinear, loglinear, entre outras) entre as variáveis individualmente por meio da regressão simples, no método de estimação de ajuste. Fizemos isso porque, no caso de se selecionar a forma funcional equivocadamente, podemos ter resultados enviesados. Por fim, com a intenção de diminuir o risco de estimação de coeficientes enviesados por causa da existência de alta correlação entre as variáveis independentes, fizemos o diagnóstico de colinearidade, avaliando o grau de tolerância e o fator de inflação da variância (VIF). Como aponta Field (2009), variáveis em que o valor da tolerância é menor que 0,2, e com VIF maior que 5, têm problemas de colinearidade. Caso contrário, seus estimadores são precisos.
Na 2a etapa, avaliamos a relação entre as variáveis independentes e dependentes por meio da análise de dados em painel (proposições 1, 2 e 3). De forma intuitiva, os dados em painel são utilizados quando temos vários casos (N) com um número razoável de observações no tempo (T), configurando-se em NxT observações (BALTAGI, 2005). No presente estudo, três categorias de modelos econométricos de regressão foram empregados: o agrupamento de dados de corte a partir dos Mínimos Quadrados Ordinários (MQO agrupado), os efeitos fixos (EF) e os efeitos aleatórios (EA). Segundo Greene (2000), a escolha depende do ajuste do modelo aos pressupostos, que são avaliados por meio de três hipóteses: (a) a existência ou não
de um único intercepto das unidades de corte transversal (avaliada por meio do teste de F de Ficher); (b) se a variância do intercepto é igual a zero (teste Multiplicador de Lagrange modificado pela proposição de Breusch e Pagan); (c) se os estimadores são consistentes a partir da estimação dos Mínimos Quadrados Generalizados (teste de Hausman). A partir da avaliação dessas hipóteses, escolhemos o melhor modelo para cada uma das relações entre variáveis. Também avaliamos se os modelos apresentavam problemas de heterocedasticidade por meio do teste de White. No caso de a hipótese nula ser verdadeira, não há problema de heterocedasticidade; caso contrário, há heterocedasticia. Repetimos os procedimentos acima para as subamostras utilizadas no estudo: (1) verificando o melhor ajuste em cada um dos modelos para a amostra de empresas com liquidez maior que 0,001; (2) verificando o melhor ajuste para empresas do grupo de governança diferenciada, assim como para o grupo de governança tradicional.
Na 3a etapa de análise, avaliamos o efeito moderador da legitimidade formal regulatória, lembrando que uma variável é tida como moderadora quando a força do relacionamento entre duas variáveis depende desta variável (PREACHER; RUCKER, HAYES, 2007). Tradicionalmente, como sugerem Baron e Kenny (1986), o efeito moderador pode ser avaliado por meio da interação entre a variável independente e a moderadora. No entanto, como aponta Arnold (1982), esse procedimento pode gerar interpretações equivocadas porque, diante da colinearidade entre o termo de interação com as variáveis moderadora e independente, os coeficientes ficam enviesados. Para resolver o problema esse autor sugere dividir a amostras em dois subgrupos: num deles está contido os casos que apresentam valores altos ou a presença do elemento moderador; no outro, pelo contrário, há valores baixos ou a ausência do elemento moderador. Após isso, feitas as análises de regressões, os coeficientes das variáveis independentes devem ser comparados entre si por meio do teste Qui-quadrado, cuja fórmula dispõe-se abaixo:
Em que, o valor do beta1 é o coeficiente da variável independente no grupo 1; o valor do beta2 é o coeficiente da variável independente no grupo 2; se1 é o erro padrão do coeficiente do grupo 1; se2 é o erro padrão do coeficiente do grupo 2. Com o valor do Qui-quadrado calculado para cada uma das comparações dos coeficientes entre os dois grupos, aceitamos o efeito moderador quando este foi significativo.
Em nosso caso, dividimos nossa amostra em dois grupos: um para empresas que adotaram níveis diferenciados de práticas de governança corporativa (Novo Mercado e Nível
2), que denominados como Governança Diferenciada; outro de empresas que não adotaram tais níveis (Nível 1 e Mercado Tradicional). Optamos por não incluir as empresas participantes do Nível 1 no grupo das empresas com governança diferenciada devido à pouca exigência, em termos de padrões de governança, que esse nível exige (vide BOVESPA, 2009).
Por fim, na 4a etapa, validamos os resultados das regressões de dados painel por meio da análise de grupos conhecidos (NETEMEYER; BEARDEN; SHARMA, 2003), também chamada de validação por geração de normas (CHURCHILL, 1979). Basicamente esse procedimento consistiu em comparar as médias dos valores das variáveis dependentes em relação aos diferentes grupos formados pelas variáveis independentes. Avaliamos a significância dessas diferenças por meio do Teste ANOVA, na expectativa de que a diferença entre as médias dos grupos refletisse a influência de cada uma das variáveis independentes nos modelos de dados em painel. No caso das variáveis binárias, ADRs, Novo Mercado, Nível 2 e Nível 1, a comparação foi simples, pois bastava verificar se a participação nessas modalidades estava relacionada a melhores escores médios para cada uma das variáveis dependentes. Já no caso das variáveis de razão e intervalares, Structural Holes, Eigenvector, Coeficiente de Agrupamento e Reputação, agrupamos cada uma delas, buscando três categorias ordenadas: uma com valores altos; outra com valores intermediários; outra com valores baixos. Utilizamos a análise de clusters, mais precisamente o método de agrupamento k-means, porque tínhamos a priori o número de grupos. Este procedimento de validação dos resultados foi extremamente útil porque, em alguns casos, havia muitas observações com valores negativos entre as variáveis dependentes. Sendo assim, coeficientes com valores negativos, ao invés de representarem uma influência negativa, na verdade, podem indicar um efeito positivo de determinada variável independente, já que na copresença de coeficientes e valores negativos o efeito é positivo.