Conforme Stock e Watson (2004, p. 185), a regressão múltipla é uma ferramenta poderosa para o controle do efeito de variáveis que estão sendo analisadas. Apesar disso, no caso de omissão de variável relevante por conta de indisponibilidade de dados, estas não poderiam ser incluídas na regressão e conseqüentemente o estimador de mínimos quadrados ordinários (OLS) dos coeficientes da regressão poderia ter viés e ser inconsistente.
Os autores destacam o método econométrico de dados de painel utilizado para controlar alguns tipos de variáveis omitidas e não observáveis. Segundo Wooldridge (2002, p. 247-251), a primeira motivação para uso de dados em painel é solucionar o problema de deste tipo de variável omitida.
De acordo com Wooldridge (2002, p.247-251), a hipótese de que as variáveis desconhecidas têm o mesmo efeito na média da variável dependente e este efeito é invariante ao longo do tempo leva a consideração de efeitos não-observáveis. Estes efeitos são geralmente interpretados como capturadores de características do objeto em análise (indivíduo, empresa, país etc.), características dadas que não se alteram durante o tempo e que geralmente não são possíveis de observar ou até mesmo de se identificar. Sendo assim, Stock e Watson (2004, p. 185) defendem que “pelo estudo de variação na variável dependente ao longo do tempo, é possível eliminar o efeito das variáveis omitidas que diferem entre as entidades, mas são constantes ao longo do tempo”.
Adicionalmente, Hsiao (2007) destaca que painéis de dados têm uma série de vantagens em relação dados cross-section e de séries temporais. Especificamente para o estudo atual em questão, a maior eficiência ao se fazer inferência, devido um número de graus de liberdade e menor multicolineariedade, justificam a escolha deste método. Esta escolha recai ainda, pela possibilidade de se identificar relações dinâmicas e a geração de predições mais acertadas, devido à capacidade de, com o uso de painéis de dados, deduzir-se sobre o comportamento de um indivíduo observando o de outros. Finalmente, Hsiao (2007) destaca que o uso de painéis de dados se mostra mais adequado, quando a amostra contém dados agregados.
Os dados de painel, segundo Maddala (2001), referem-se aos conjuntos de dados nos quais se têm informações sobre o mesmo indivíduo ao longo de vários períodos de tempo e que também podem ser chamados de dados longitudinais (Stock e Watson, 2004, p. 185).
Posto isto, para realização da estimação das equações listadas foram utilizados modelos de dados em painel.
As características de determinantes de spread bancário, que podem ter um número grande de fatores influenciadores, fortalecem a escolha deste método. Vale ressaltar ainda que a disponibilidade de uma base de dados completa, abrangente e recente, com dados de diversos países para períodos de 2002 a 2007, possibilita a realização de uma análise econométrica robusta. O fato de – até onde foi pesquisado – não se encontrar estudos semelhantes utilizando-se a mesma base, pode ser justificado pela sua recente disponibilidade, uma vez que se encontra no limite de extensão de períodos que permitem uma capacidade de análise econométrica para lidar com os problemas de correlação decorrentes da heterogeneidade (entre os países) de forma a obter estimadores consistentes.
Greene (2000, p. 559) destaca que em um painel de dados típico existe um grande número de unidades cross-section e somente poucos períodos, situação presente nesta dissertação. Diversos trabalhos acadêmicos focaram recentemente em desenvolver modelos que melhor se adaptem a estes conjuntos de dados curtos e abrangentes, com técnicas focadas em variações cross-section e heterogeneidade. A grande vantagem de empregar dados de painel é a flexibilidade em modelar diferenças no comportamento entre os indivíduos (ou firmas, países etc.). Pode-se identificar na literatura duas grandes classes de modelos de análise de dados em painel: os estáticos e os dinâmicos.
Segundo este autor, os modelos estáticos pressupõem a existência de efeitos individuais que serão considerados constantes durante o tempo e específico para cada unidade cross-section.
Existem dois modelos básicos usados para generalizar estes modelos estáticos o de efeitos fixos e o de efeitos aleatórios. Os modelos estáticos, entre eles aqueles com efeitos fixos e efeitos aleatórios, são as abordagens mais populares na literatura para estimar modelos de painel de dados com efeitos não observados, considerando exogeniedade estrita das variáveis exploratórias (WOOLDRIDGE, 2002, p. 322).
A abordagem de efeitos fixos entende que os efeitos individuais são um termo constante específico e constante temporalmente no nível de indivíduo.
O modelo de efeitos aleatórios especifica que os efeitos individuais são uma perturbação fixa temporalmente no nível de indivíduos. (GREENE, 2000, p. 560; JONHSTON, JACK e DINARDO, 2001, p. 424).
Hsiao (2003, p. 141) defende que, em alguns casos em que existem alterações nas estruturas econômicas ou fatores de base demográfica e socioeconômica diferentes que poderia implicar numa variação dos efeitos temporalmente e/ou poderiam ser diferentes por cada indivíduo, parece razoável que se permitam variações nos parâmetros para que se consiga avaliar a heterogeneidade entre indivíduos ou entre períodos. Este modelo é chamado de “coeficientes variáveis”. O autor argumenta que devido à complexidade computacional para implementação, os modelos de coeficientes variáveis não atingiram uma aceitação ampla nos trabalhos empíricos.
Finalmente, existem ainda os modelos dinâmicos, com a inserção de variáveis defasadas no modelo, incluindo desta forma uma análise da velocidade de ajuste do modelo (GREENE, 2000, p. 583).
A presente dissertação, propôs que a análise fosse realizada em todos os modelos de dados de painel estáticos e dinâmicos. Estes modelos de dados em painel utilizados neste trabalho estão descritos a seguir.
3.4.1 – Modelo Estático – Pooled Cross Section
O modelo mais simples de análise de dados de painel, que permite o aumento do tamanho da amostra, é a utilização de dados agrupados de períodos diferentes (Pool) da mesma população e em diferentes pontos de observação, o que permite estimadores mais precisos e testes estatísticos mais poderosos (WOOLDRIDGE, 2003, p. 427).
Wooldridge (2002, p. 256) destaca que o estimador pooled OLS pode ser usado sob certas premissas, para obter um estimador consistente da variável regressora.
O modelo segue a seguinte equação:
(18) yit=αααα + ββββ1xit + εεεεit