Procedimentos Econométricos para Dados em Painel

A técnica de Dados em Painel decorre da combinação de observações em

cross-section e série temporal (BALTAGI, 2005; GUJARATI, 2012; WOOLDRIDGE,

2013). A utilização desta técnica de agrupamentos independentes de cortes transversais ao longo do tempo é facilmente justificada pela possibilidade de aumento do tamanho da amostra, agrupando dados de uma população em períodos de tempo diferentes. Além disso, a regressão de dados em painel é um procedimento amplamente utilizado nos estudos sobre o tema de investigação desta tese, sendo observado nas pesquisas de Fazzari, Hubbard e Petersen (1988), Oliner e Rudebusch (1992), Whited (1992), Kaplan e Zingales (1997), Cleary (1999), Almeida, Campello e Weisbach (2004), Acharya, Almeida e Campello (2007), Riddick e Whited (2009), Almeida e Campello (2010), Portal, Zani e Silva (2012), Portal, Zani e Silva (2013), dentre outras.

A análise de dados em painel ou dados longitudinais viabiliza obter estimadores mais precisos e estatísticas de testes mais poderosas. (BALTAGI, 2005; WOOLDRIDGE, 2013). A combinação de séries temporais e cross-section permite dados mais informativos, maior variabilidade, menor colinearidade entre as variáveis, mais graus de liberdade e mais eficiência nas análises (BALTAGI, 2005). Além disso, a utilização dessa técnica possibilita o controle da heterogeneidade individual, ou seja, dados em painel sugerem que firmas ou indivíduos são heterogêneos, enquanto que séries temporais ou cross-section não controlam esta heterogeneidade, promovendo, com isso, riscos de resultados parciais ou enviesados (BALTAGI, 2005, p. 4).

Segundo Baltagi (2005), a utilização de dados em painel pode auxiliar os pesquisadores no problema de variável omitida ou não identificada no modelo, afetando o comportamento das firmas (heterogeneidade individual), assim como variáveis de tempo influenciando o comportamento individual de todas as firmas e de modo distinto nos períodos analisados (efeitos de crises, de políticas econômicas

dentre outros). Por outro lado, também podem ocorrer situações opostas com variáveis de firma ou tempo constantes, afetando a variável explicada, como as características individuais de um setor das empresas, aspectos regionais do ambiente onde as firmas ou indivíduos estão inseridos, dentre outras situações. Para o autor, a utilização de séries temporais ou cross-section individualmente não possibilita controlar esse efeito da heterogeneidade e, em especial, quando esse comportamento se apresenta sistemático, a não utilização de dados em painel pode ocasionar problemas mais fortes nas estimações.

Outro ponto importante a ser mencionado são as restrições impostas pela utilização de dados em painel, como os problemas de heterocedasticidade inerentes aos dados de corte transversal e problemas de autocorrelação, comuns em dados de séries temporais (BALTAGI, 2005). Para Baltagi (2005), os componentes de erro no modelo de regressão de dados em painel pressupõem que os distúrbios da regressão são homoscedásticos, com a mesma variação entre o tempo e os indivíduos, assim como assumem que a única correlação entre os componentes do erro ao longo do tempo é devida à presença do mesmo indivíduo no painel. Com isso, é necessário identificar, reconhecer e tratar os vieses associados a estes problemas que podem ser presentes nesta técnica de dados (BALTAGI, 2005).

Para a técnica de dados em painel, podem ser aplicadas três principais abordagens: modelo agrupado (pooled ou sem efeito), modelo com efeitos fixos (EF ou fixed effects) ou e modelo com efeitos aleatórios (EA ou random effects). Para o modelo sem efeito, presume-se que os parâmetros da estimação são comuns a todas as firmas e que as variáveis omitidas no modelo não estão correlacionadas com as variáveis explicativas propostas na estimação. Com isso, a possibilidade de estimativas enviesadas pode ser presente nesta situação e na amostra desta tese, tendo em vista que a hipótese de homogeneidade é muito restritiva, considerando a diversidade de características de comportamento e de estrutura das firmas.

Por outro lado, existem outras duas técnicas que podem tratar os vieses associados ao modelo agrupado. Segundo Baltagi (2005), o modelo de random effects admite a exogeneidade de todos os regressores com os efeitos individuais aleatórios, enquanto o modelo de fixed effects pressupõe a endogeneidade de todos os regressores com os efeitos individuais. O ponto de discussão dos modelos está na forma como introduzem a heterogeneidade dos indivíduos ou firmas na estimação.

Para a estimação de dados em painel com efeitos fixos, são utilizadas variáveis

dummy para os períodos e/ou firmas, enquanto que, no efeitos aleatórios, o objetivo

é identificar todos os fatores que afetam a variável dependente. Uma importante característica da utilização da técnica de efeitos fixos é a eliminação do efeito não observado, sendo eliminadas as variáveis explicativas que, ao longo do tempo, se mantêm constantes, ou seja, o modelo assume a hipótese de estrita exogeneidade entre as variáveis explicativas, possibilitando a perda de graus de liberdade ao eliminar as variáveis independentes constantes. Isso porque o modelo considera que as variáveis eliminadas estão correlacionadas com uma ou mais variáveis explicativas. Para a técnica de efeitos aleatórios, assume-se como pressuposto que o efeito não observado é não correlacionado com cada variável explicativa, sendo mantidas as variáveis explicativas que se preservam constantes ao longo do tempo e não possibilitam a perda de graus de liberdade.

Dessa forma, uma questão importante é o entendimento quanto ao efeito não observado, ou seja, se o erro é correlacionado com as variáveis explicativas, devemos utilizar a técnica de efeitos fixos e, se o erro não é correlacionado com as variáveis explicativas, a utilização da técnica de efeitos aleatórios é mais indicada (BALTAGI, 2005). Também é importante salientar que normalmente o uso de dados em painel tem como principal razão a possibilidade de que o efeito não observado seja correlacionado com as variáveis independentes, justificando o uso de efeitos fixos (WOOLDRIDGE, 2013). Assim, nesta tese, foram utilizados o teste de Hausman (BALTAGI, 2005 p. 71) e o teste de Breusch and Pagan (BALTAGI, 2005 p. 66) para indicação do modelo que melhor se ajusta, incorporando as três abordagens (pooled, fixed effects ou random effects).

Por fim, é importante destacar que a amostra desta tese foi construída de forma não-balanceada. Uma amostra balanceada exige que todos os dados das empresas estejam presentes em todas as observações, ou seja, formado por companhias com dados disponíveis em todos os anos. Com isso, a utilização de uma amostra não- balanceada tem por objetivo capturar o maior número possível de observações e de empresas, pois não exige o mesmo número de dados para cada organização, evitando, por exemplo, análises enviesadas pela sobrevivência das firmas, dentre outras diversas situações que impõem a não ocorrência de informações no período da amostra.

4 ANÁLISE DOS RESULTADOS

Neste capítulo, serão apresentados os principais resultados desta tese, os quais incluem a estatística descritiva das proxies utilizadas nos modelos, os testes e tratamentos utilizados para dados em painel e os resultados das regressões, com o teste das hipóteses propostas e um resumo das principais evidências.