3. PROCEDIMENTOS METODOLÓGICOS
3.3. TRATAMENTO DOS DADOS
O tratamento estatístico é por meio de regressões com a utilização da metodologia de Análise de Dados em Painel para verificar a correlação entre as variáveis dependentes e independente, acrescidas de dummies como variáveis de controle.
De acordo com Gujarati e Porter (2011), a Análise de Dados em Painel possui dimensões espacial e temporal, ou seja, o corte transversal é acompanhado ao longo do período da análise. A utilização dessa metodologia de acordo com o autor combina séries temporais com o corte transversal, resultando em mais graus de liberdade e confiabilidade das informações, causando menos colinearidade e mais variabilidade entre as variáveis. O painel é balanceado, já que o número de observações é igual para todos os bancos. O período de análise é curto (5 anos) e a amostra equivale a 3,2% da população, porém representa 96% dos resultados do SFN no ano de 2014.
Para calcular e analisar as regressões; os resultados dos indicadores de desempenho e risco, assim como o IGOV-Bancos, calculados em planilha Excel, foram importados para o software Stata. A relação causa-efeito apresentada a seguir pressupõe que a variável IGOV-Bancos causa o efeito de melhor desempenho e mitigação dos riscos nas instituições financeiras.
Essa relação se justifica pelo fato de que os bancos são obrigados a manter um nível de divulgação independente da sua situação financeira e propensão à riscos, conforme já mencionado no referencial teórico. Entretanto, para assegurar essa justificativa, utilizou-se o estimador GMM de Arellano e Bond (1991) e do teste de causalidade de Granger para evidenciar estatisticamente o sentido de causa entre as variáveis estudadas.
O modelo adotado Panel Generalized Method of Moments (GMM) analisa os dados e realiza um ajuste na amostra para evitar a heterocedasticidade dos dados, visando não comprometer a análise e a qualidade final dos resultados. O teste de causalidade de Granger assume que o futuro não pode causar o passado e nem o presente. Verifica se a variável X precede Y, ou Y precede X, ou ainda se ambas acontecem simultaneamente. Como a coleta de dados é anual, não há como definir com certeza se o índice de GC implica no melhor
IGOV-Bancos Desempenho e Risco
desempenho e redução de riscos sistêmicos ou se é o inverso, ou seja, definir qual variável aconteceu primeiro e quem causou o efeito.
Por meio da estatística F analisou-se a relação de causalidade de Granger entre as variáveis dependentes e a variável independente IGOVBancos, visando identificar no sentido de Granger se o conteúdo preditivo da variável independente (IGOV-Bancos) pode explicar as variáveis dependentes (desempenho e risco) dos bancos e vice–versa. A probabilidade identificada confirma o resultado da estatística F salientando se há relação provável entre as variáveis observadas. Na sequência, são realizados testes para verificar qual é o melhor modelo da Análise em Painel para cada equação: Mínimos Quadrados Ordinários (MQO), Efeito Fixo ou Efeitos Aleatórios.
A abordagem MQO, conhecida também como Polled OLS, empilha todas as observações de cada instituição, sendo que o intercepto e coeficientes angulares servem para todo o período da análise e todas as cross-sections, não leva em consideração a natureza de cada cross-sections analisada. De acordo com Fávero et. al (2009), esse modelo pode ser descrito da seguinte maneira:
Y = α +β.X + µ
Já na abordagem pelo efeito fixo, os interceptos são diferentes para cada variável, porém constantes durante o período da análise. Essa abordagem analisa as variáveis individualmente. Porém, os coeficientes angulares não alteram em relação ao tempo e nem em relação às variáveis. O modelo de Efeitos Fixos pode ser escrito conforme segue:
Yit = αi +β1.Xit + µit
A abordagem pelo efeito aleatório tem como objetivo captar se há termos no erro que possam estar correlacionados com as variáveis explicativas ao longo do tempo e observações.
Esse estimador deve ser utilizado quando há certeza de que esse fenômeno não está acontecendo. O modelo de Efeitos Aleatórios pode ser descrito da seguinte maneira:
Yit = αi +β1.Xit + ⱳit onde ⱳit = Ɛi + µit
A equação geral, segundo Gujarati e Porter (2011), para esta pesquisa pode ser apresentada conforme abaixo:
D&R = α0 + αd1 +αd2 + αd3 +β1IGOV-Bancos + Ɛ
(1) Onde
D&R = variáveis dependentes: desempenho e risco α0 = intercepto
α e β = coeficientes
IGOV- Bancos = Índice de Governança Corporativa dos Bancos (variável independente) Variáveis dummies indicando:
d1: Banco Público = 1 ou Privado = 0
d2: Conglomerado Financeiro =1ou Instituição Financeira independente =0 d3: Capital Aberto=1 ou Capital fechado = 0
Ɛ = erro
Essa equação geral se encontra desmembrada ao longo do estudo, em análise da correlação da variável independente em relação a cada tipo de mensuração das variáveis dependentes, ou seja, em relação aos indicadores que mensuram Desempenho, Risco de Mercado, Risco Operacional, Risco de Crédito e Risco de Liquidez. Assim temos as seguintes equações:
Indicadores de Desempenho = α0 + αd1 +αd2 + αd3 +β1IGOV-Bancos + Ɛ (2) Indicadores de Risco de Mercado = α0 + αd1 +αd2 + αd3 + β1IGOV-Bancos + Ɛ (3) Indicadores de Risco Operacional = α0 + αd1 +αd2 + αd3 + β1IGOV-Bancos + Ɛ (4) Indicadores de Risco de Crédito = α0 + αd1 +αd2 + αd3 + β1IGOV-Bancos + Ɛ (5) Indicadores de Risco de Liquidez = α0 + αd1 +αd2 + αd3 + β1IGOV-Bancos + Ɛ (6)
Os testes realizados para a definição do melhor modelo de dados em painel são TestParm, LM (Lagrange multiplier) e Hausman. A análise destes testes é realizada por meio do teste F com nível de significância de 5%. Em função de o painel ser curto, a variável IGOV-Bancos ser discreta e não contínua e os dados possuírem outiliers, não foi possível realizar testes de normalidade dos resíduos.
O primeiro teste (TestParm) tem como objetivo verificar se o modelo OLS é melhor do que a abordagem de Efeitos Fixos. Para que o modelo OLS seja o melhor, o resultado do teste F não pode rejeitar H0, caso contrário, a melhor abordagem será efeito fixo. Ele analisa se todos os anos são significativos no modelo, sendo que:
H0: As dummies de tempo não são conjuntamente significativas (OLS)
H1: As dummies de tempo são conjuntamente significativas (efeitos fixos)
O Teste LM (Lagrange multiplier) de Breusch-Pagan apresenta Qui-quadrado com 1 grau de liberdade e visa analisar se a modelagem OLS é melhor do que Efeito Aleatório com base na análise dos resíduos do modelo estimado por OLS, onde a hipótese nula é.
H0: a variância dos resíduos que refletem diferenças individuais é igual a zero (OLS)
H1: a variância dos resíduos que refletem diferenças individuais é diferente de zero (efeitos aleatórios)
E o Teste de Hausman verifica se o modelo de Efeitos Aleatórios é consistente, auxiliando o pesquisador a decidir entre a abordagem de efeitos fixos e efeitos aleatórios, onde para decidir pelo efeito aleatório, o teste f não pode rejeitar H0.
H0: o modelo de correção dos erros é adequado (efeitos aleatórios)
H1: o modelo de correção dos erros não é adequado (efeitos fixos)
Os resultados das regressões irão dar subsídios à resposta da questão de pesquisa ora estudada: “A governança corporativa influencia o desempenho e risco dos bancos com atividades no Brasil?”; e as hipóteses de pesquisa H2 e H3. O quadro 9 demonstra a relação esperada dos resultados da Análise de Painel, considerando a relação causa-efeito mencionada anteriormente, onde IGOV-Bancos é a variável independente e os indicadores de desempenho e risco são as variáveis dependentes.
QUADRO 9-RELAÇÃO ESPERADA ENTRE IGOV-BANCOS VERSUS DESEMPENHO E RISCO Mensuração Indicador Relação apresente maior retorno sobre os ativos, maior retorno para o acionista, melhor margem financeira e consiga cobrir suas despesas administrativas somente com rendas de prestação de a quantidade de operações vencidas de curto e longo prazo.
P4 -
Risco Operacional
IB -
Quanto maior o IGOV-Bancos, espera-se que a instituição consiga administrar seu custo operacional e o capital mínimo exigido pelo BACEN, não precisando possuir um volume tranquilidade e não possua ativos imobilizados expressivos que dificultem a realização dos sacrifícios futuros.
L3 -
FONTE: O autor (2016)