3 PROCEDIMENTOS METODOLÓGICOS
3.3 Definição das variáveis
3.3.3 Modelos empíricos
Para testar as hipóteses do estudo e considerando que o gerenciamento pode ocorrer tanto por accruals quanto por atividades operacionais, as equações 13, 14, 15, 16, 17 e 18 foram separadas conforme o tipo de abordagem.
3.3.3.1 Abordagem linear
Para estimar, por modelo linear, a influência da assimetria e dos níveis de assimetria de custos no gerenciamento de resultados em cada estratégia (AEM e REM) foram utilizadas as equações 13, 14, 15, 16.
AD𝑖𝑡 = 𝛽0+ 𝛽1NAC𝑖𝑡+ 𝛽2Setor𝑖 + 𝛽3Tam𝑖𝑡+ 𝛽4MTB𝑖𝑡+ 𝛽5ROA𝑖𝑡+ 𝛽6ROE𝑖𝑡+
𝛽7End𝑖𝑡+ 𝜀𝑖,𝑡, (13)
AD𝑖𝑡 = 𝛽0+ 𝛽1Dummy Assim𝑖𝑡+ 𝛽2Setor𝑖 + 𝛽3Tam𝑖𝑡+ 𝛽4MTB𝑖𝑡+ 𝛽5ROA𝑖𝑡+
𝛽6ROE𝑖𝑡+ 𝛽7End𝑖𝑡+ 𝜀𝑖,𝑡, (14)
REM𝑖𝑡 = 𝛽0+ 𝛽1NAC𝑖𝑡+ 𝛽2Setor𝑖 + 𝛽3Tam𝑖𝑡+ 𝛽4MTB𝑖𝑡+ 𝛽5ROA𝑖𝑡+ 𝛽6ROE𝑖𝑡+
𝛽7End𝑖𝑡+ 𝜀𝑖,𝑡, (15)
REM𝑖𝑡 = 𝛽0+ 𝛽1Dummy Assim𝑖𝑡+ 𝛽2Setor𝑖 + 𝛽3Tam𝑖𝑡+ 𝛽4MTB𝑖𝑡+ 𝛽5ROA𝑖𝑡+
𝛽6ROE𝑖𝑡+ 𝛽7End𝑖𝑡+ 𝜀𝑖,𝑡, (16)
Em que:
ADit: Accruals discricionários da empresa i no período t;
REMit: Medida agregada (equação 9) da empresa i no período t;
Dummy Assimit: Variável que assume valor 1 para as empresas com assimetria e 0, caso contrário, da empresa i no período t;
NACit: Nível de assimetria de custos da empresa i no período t;
Setori: Setor econômico da empresa, sendo 0 para indústria, 1 para comércio e 2 para
serviços;
TAMit: Tamanho da empresa i no período t;
MTBit: O valor de mercado do capital dividido pelo patrimônio líquido da empresa i no período t;
ROAit: Retorno sobre o ativo da empresa i do período t;
ROEit: Rentabilidade do patrimônio líquido da empresa i do período t; ENDit: Endividamento da empresa i do período t;
3.3.3.2 Abordagem não linear
De modo análogo, as equações 17 e 18 estimam por modelo não linear a relação entre o comportamento dos custos e o gerenciamento de resultados.
Logit (GR𝑖𝑡) = 𝛽0+ 𝛽1NAC𝑖𝑡+ 𝛽2Setor𝑖 + 𝛽3Tam𝑖𝑡 + 𝛽4MTB𝑖𝑡+ 𝛽5ROA𝑖𝑡+ 𝛽6ROE𝑖𝑡+
𝛽7End𝑖𝑡+ 𝜀𝑖,𝑡, (17)
Logit (GR𝑖𝑡) = 𝛽0+ 𝛽1Dummy Assim𝑖𝑡+ 𝛽2Setor𝑖 + 𝛽3Tam𝑖𝑡 + 𝛽4MTB𝑖𝑡+ 𝛽5ROA𝑖𝑡+
𝛽6ROE𝑖𝑡+ 𝛽7End𝑖𝑡+ 𝜀𝑖,𝑡, (18)
Em que:
GRit: Gerenciamento de resultados por atividades operacionais da empresa i no período t;
NACit: Nível de assimetria de custos da empresa i no período t;
Dummy Assimit: Variável dummy que assume valor 1 para as empresas com assimetria e 0, caso contrário, da empresa i no período t;
Setori: Setor econômico da empresa, sendo 0 para indústria, 1 para comércio e 2 para
serviços;
TAMit: Tamanho da empresa i no período t;
MTBit: O valor de mercado do capital dividido pelo patrimônio líquido da empresa i no período t;
ROAit: Retorno sobre o ativo da empresa i do período t;
ROEit: Rentabilidade do patrimônio líquido da empresa i do período t; ENDit: Endividamento da empresa i do período t;
εit: Representa o erro.
A variável gerenciamento de resultados (GR) é uma variável que admite dois valores: um para empresas suspeitas de gerenciamento de resultados por atividades reais e zero em caso contrário. Para identificar se diferentes níveis de assimetria de custos afetam o gerenciamento, a variável “nível de assimetria de custos” (NAC) assume valor 1 para empresas que apresentaram assimetria de custos na faixa entre 0,01-0,20; valor 2 na faixa entre 0,21-0,40; valor 3 na faixa entre 0,41-0,60; valor 4 na faixa entre 0,61-0,80; valor 5 na faixa acima de 0,80 e 0 em caso de não assimetria. Como a variável dependente (GR) é de natureza dicotômica, uma regressão logística para dados de painel com esse tipo de variável
deve ser usada. Por isso, o modelo de regressão logística (logit) foi escolhido, visto que, segundo Gujarati e Porter (2011), quando há uma variável dependente de escolha binária, o objetivo do modelo é apontar a probabilidade de que aquele evento aconteça, dado as variáveis independentes. Essa regressão logística é expressa em termos do odds ratio, que quantifica a probabilidade da ocorrência de gerenciamento de resultados de acordo com o comportamento dos custos.
Usando o estimador de efeitos aleatórios, a regressão logística controla a heterogeneidade individual, levando em conta que as empresas são observadas em momentos diferentes (GARCÍA-SÁNCHEZ; RODRÍGUEZ-ARIZA; FRÍAS-ACEITUNO, 2013). Como o modelo é não linear, os coeficientes estimados devem ser interpretados no sentido de que uma mudança em 𝑋𝑖,𝑡 afeta a probabilidade da variável dependente (GARCÍA-SÁNCHEZ; RODRÍGUEZ-ARIZA; FRÍAS-ACEITUNO, 2013).
Após a apresentação dos modelos empíricos, faz-se uma síntese das hipóteses e suas vinculações com as equações e variáveis respostas de acordo com o Quadro 5. As hipóteses 1 e 2 têm como variável resposta a “Dummy Assimit”, indicando se empresas com assimetria apresentam menor gerenciamento de resultados. No que diz respeito às hipóteses 3 e 4, a variável resposta é “NACit” que indica se níveis mais elevados de assimetria de custos estão
associados a menor gerenciamento de resultados. Por fim, a hipótese 5 tem como variável resposta “NACit”, apontando a probabilidade de gerenciamento de resultados de acordo com
os níveis de assimetria de custos.
Quadro 5 – Hipóteses e equações aplicadas
Hipóteses Equações
aplicadas
Variável independente
H1: Empresas com assimetria dos custos apresentam menor
gerenciamento por AEM.
Equação 14 Dummy Assimit
H2: Empresas com assimetria dos custos apresentam menor
gerenciamento por REM.
Equação 16 Dummy Assimit
H3: Empresas com maior assimetria dos custos apresentam menor
gerenciamento por AEM.
Equação 13 NACit
H4: Empresas com maior assimetria dos custos apresentam menor
gerenciamento por REM.
Equação 15 NACit
H5: Empresas com maior assimetria de custos apresentam menor
probabilidade de gerenciamento de resultados.
Equação 17 NACit
Como se utilizam de dados em painel para estimar as proxies de gerenciamento, é necessário determinar a melhor especificação dos modelos de efeitos constantes (pooled), efeitos fixos e efeitos aleatórios. Bressan et al. (2012) destacam os procedimentos: primeiro estimar os modelos constante (pooled) e efeitos fixos para testar, via teste Chow (teste F), a hipótese nula de que o modelo constante é preferível a efeitos fixos.
No segundo passo, estima-se o modelo com efeitos aleatórios e, ao utilizar o teste Breusch-Pagan (teste do tipo multiplicador de Lagrange), testa-se a hipótese nula de que o modelo pooled é preferível ao modelo com efeitos aleatórios.
O terceiro passo consiste em testar, pelo teste de Hausman, a hipótese nula de que o estimador de efeitos aleatórios, por ser consistente e eficiente, é preferível ao estimador do modelo com efeitos fixos que é apenas consistente.
Posteriormente à escolha do modelo mais adequado, executa-se o quarto passo que consiste em testar a autocorrelação dos erros via teste Wooldridge e testar a heterocedasticidade pelo teste de Wald e Breusch-Pagan. No caso de evidências de autocorrelação e heterocedasticidade, estima-se a regressão por meio robusto para a correção.
As variáveis de controle são incluídas para controlar o efeito de certas situações ou cenários que podem afetar a extensão dos accruals, do nível de atividades reais e da assimetria dos custos. A seguir, é apresentada a relação das variáveis de controle empregadas nesse estudo.