3 Metodologia
3.3 Tratamento dos Dados
Após a coleta dos dados os mesmos serão analisados, inicialmente, por meio de estatísticas descritivas.
Fávero, Belfiore, Silva e Chan (2009, p. 51) descrevem que “a estatística descritiva permite ao pesquisador melhor compreensão do comportamento dos dados por meio de tabelas, gráficos e medidas-resumo, identificando tendências, variabilidade e valores atípicos”.
Posteriormente os dados serão agrupados em um modelo de dados de painel. Para Fávero, Belfiore, Silva e Chan (2009, p. 381), os modelos em painel modelam a heterogeneidade entre grupos e por termos os mesmo indivíduos ao longo de tempo e acrescenta que “a análise em painel elabora um “mix” dessas das duas abordagens: cross-
section e série temporal”.
Tipo de Variável Variável Indicador Descrição
Resumida
Dependente Valorização de
Mercado Valor de Mercado lnvm n/a n/a
Independente Modelo Fleuriet Modelo Fleuriet mf Negativa
Quanto pior a situação financeira da empresa,espera-se que o valor de
mercado da empresa seja menor.
Controle Tamanho
Receita Operacional
Líquida
lnrol Positiva
Quanto maior a receita operacional líquida, espera-se um valor de mercado
maior.
Controle Liquidez Contábil Liquidez Corrente lc Positiva
Quanto melhor o indicador de liquidez corrente, maior o valor de mercado da
empresa.
Controle Endividamento Dívida/ Ativo d_a Negativa Quanto maior o endividamento, menor o valor de mercado da empresa.
Controle Liquidez de Mercado Liquidez da Ação liq Positiva Quanto maior a liquidez da ação, maior o valor de mercado da empresa.
Controle Remuneração do Acionista Dividendo por Ação dpa Positiva Quanto maior o dividendo pago, maior o valor de mercado da empresa. Nota: n/a - não aplicável.
Fávero, Belfiore, Silva e Chan (2009, p. 382) explicam que a técnica de dados em painel “tem por finalidade estudar a influência de variáveis explicativas sobre determinada variável dependente para um conjunto de observações ao longo do tempo”.
Tabela 3.6- Exemplo de Painel de dados
Notas: lnvm: Valor de mercado; MF: Modelo Fleuriet; lnrol: Receita Operacional líquida; lc: Liquidez corrente; d_a: Dívida/ ativo total; liq: Liquidez da ação; dpa: Dividendo por ação.
Fonte: Elaboração própria a partir de dados extraídos do Economática®.
Albanez (2008, p.77) explica que “um painel é balanceado quando se têm os mesmos T períodos de tempo para cada N unidades de corte transversal, ou seja, os mesmos períodos de tempo para todas as empresas da amostra. Já o painel não balanceado refere-se aos conjuntos de dados que não apresentam alguns anos em algumas unidades do corte transversal”.
Também será analisada a correlação entre as variáveis. A correlação visa estimar uma relação que possa existir entre duas variáveis na população, sendo o sinal positivo o indicativo de que as variáveis são diretamente proporcionais enquanto que o sinal negativo indica que a relação entre as variáveis é inversamente proporcional, Lima Filho (2014, p.7).
Para essa análise será verificado se há alguma alta correlação entre as variáveis explicativas, ou seja, resultado acima de 0,70. Também se analisa a alta correlação entre as explicativas para verificar se há problemas de multicolinearidade entre as explicativas, o que violaria um dos pressupostos da regressão.
Finalmente serão utilizados modelos de regressão com dados em painel, visando analisar a relação entre as variáveis independentes citadas anteriormente e o valor de mercado das companhias.
Para Fávero, Belfiore, Silva e Chan (2009, p. 382), “a análise de dados em painel possui três abordagens mais comuns: pooled independent cross sections (ou POLS – pooled
ordinary least squares), efeitos fixos e efeitos aleatórios“.
Segundo Fávero, Belfiore, Silva e Chan (2009, p. 382) a abordagem que considera as alterações nas cross-sections ao longo do tempo e pode ser escrito como:
Yit = ἀi + ᵝ1.Xit + uit
Albanez (2014, p. 7) explica que “o modelo de efeitos fixos permite que o intercepto varie para cada observação, levando em conta a natureza específica da empresa, porém,
Empresa_n Ano LnVM MF LnROL LC D/A Liq DpA
Abril Educa 2010 2 13,146 2,900 0,013 - - Abril Educa 2011 14,255 2 13,557 2,100 0,040 0,023 - Abril Educa 2012 14,923 2 13,692 2,100 0,012 0,032 6,000 Abril Educa 2013 14,883 2 13,851 1,800 0,029 0,089 7,000 Aco Altona 2010 11,120 3 11,891 1,600 0,064 0,001 - Aco Altona 2011 10,977 3 12,056 1,400 0,114 0,001 - Aco Altona 2012 11,047 3 12,122 1,600 0,121 0,002 6,000 Aco Altona 2013 10,965 3 12,103 1,800 0,086 0,000 7,000 AES Elpa 2010 15,291 1 16,096 1,300 0,021 0,002 4,031 AES Elpa 2011 15,280 1 16,102 1,200 0,029 0,001 5,064 AES Elpa 2012 14,141 1 16,114 1,200 0,008 0,001 6,000 AES Elpa 2013 13,686 1 16,014 1,200 0,011 0,000 7,000
considera-se que os coeficientes angulares são constantes (fixos) entre elas; o estimador de efeitos fixos considera uma correlação arbitrária entre as características não observadas de cada empresa (ou erro individual) e as variáveis explicativas em qualquer período de tempo e que o modelo também é conhecido como modelo de variáveis binárias de mínimos quadrados”.
O modelo de efeitos aleatórios tem por objetivo captar a existência de alguma falta de informação, Fávero, Belfiore, Silva e Chan (2009, p.383). Sendo:
Yit = ἀi + ᵝ1.Xit + wit
Albanez (2014, p. 8) cita que “o modelo de efeito aleatórios, o intercepto (ᵝ0) é uma variável aleatória representada por um valor médio comum para todos os indivíduos, ficando as diferenças individuais do intercepto de cada empresa (ou suas características não observadas, ai) em relação ao valor médio no termo de erro composto; de acordo com Gujarati (2006), o modelo de efeitos aleatórios é adequado quando se considera que o componente de erro individual (ai ) não é correlacionado com as variáveis explicativas e o modelo é estimado por mínimos quadrados generalizados”.
O modelo a ser utilizado: efeitos fixos ou efeitos aleatórios será escolhido após a realização do teste de Hausman (1978).
Para Fávero, Belfiore, Silva e Chan (2009, p. 384), o teste de Hausman “oferece ao pesquisador uma possibilidade em decidir os modelos... A estatística do teste, que apresenta uma distribuição Qui-quadrado com um número de gruas de liberdade igual a dimensionalidade de ᵝ, sendo que N é o número de observações, ᵝ0, é o estimador da i-ésima variável para o modelo de efeitos fixos e ᵝ1 é o estimador da i-ésima variável para o modelo de efeitos aleatórios. Logo as hipóteses para o teste de Hausman são:
H0: modelo de correção de erros é adequado (efeitos aleatórios);
H1: modelo de correção dos erros não é adequado (efeitos fixos)”, valor p < 0,05. Sendo:
W = N.(ᵝ0 - ᵝ1)¹ . Var (ᵝ0 - ᵝ1)-¹ . (ᵝ0 - ᵝ1)
Os dados serão tratados por meio do software estatístico que possibilita a análise de dados em painel: STATA, versão 11.2.