FASE 1 – FØR-VURDERINGEN

Para a realização de todos os testes estatísticos incluídos neste trabalho utilizamos o pacote STATA v.10. A análise estatística deste trabalho compreende regressões lineares utilizando o método dos mínimos quadrados ordinário e os procedimentos de efeitos fixos e aleatórios para um painel de empresas entre os anos de 1998 e 2008.

De acordo com Wooldridge (2006), um conjunto de dados em painel possui dimensões tanto de corte transversal como de série temporal e diferencia-se em aspectos importantes de um agrupamento independente de cortes transversais. Por exemplo, para coletar dados de painel – algumas vezes chamados de dados longitudinais – devemos acompanhar as mesmas observações ao longo do tempo, onde neste trabalho refere-se a firmas brasileiras listadas na BOVESPA.

Os modelos de painel de dados permitem identificar efeitos que estudos exclusivamente temporais ou seccionais não identificariam A utilização de uma abordagem multivariada ampla (regressões múltiplas utilizando mínimos quadrados e dados em painel) representa uma tentativa de minimizar as limitações econométricas de investigações deste tipo. Separamos a seguir as técnicas e modelos estatísticos a serem aplicados em três categorias.

3.4.1 Regressão linear em painel de dados com efeitos fixos (EF)

Inicialmente aplicamos o procedimento em painel de dados com efeitos fixos, que utiliza o estimador efeito fixo (EF), com base no seguinte modelo geral:

Caixait = α + β1Tamanhoit + β2Alavancagemit + β3Liquidezit + β4Fluxodecaixait +

β5Investimentosit + β6Crescimentoit + β7Dividendosit + β8Governançait + ∑10_{l 1}γl Anolt +

Equação 1

Onde, i = firma t = ano

µi = efeito específico não observável da i-ésima empresa (constante para cada firma)

ηit = termo de erro da i-ésima empresa no t-ésimo ano

A partir deste modelo é possível utilizar a informação de corte-transversal (entre empresas) em paralelo com a série temporal (entre anos). Ao se incluir a dimensão seccional em estudos temporais consegue-se uma maior variabilidade nos dados, contribuindo para uma redução da eventual multicolinearidade. Neste modelo estão controlados as influências reportadas de cada empresa e sua respectiva posição no tempo. O termo α pode ser interpretado como o efeito especifico médio do conjunto das firmas. Uma das limitações deste modelo reside na possibilidade de desconsiderar fatores não observáveis que podem prejudicar a correta identificação do relacionamento entre o nível de caixa e seus possíveis determinantes. Caso alguma destas “variáveis omitidas” influencie a variável dependente e seja correlacionada com os regressores incluídos no modelo, os coeficientes estimados pela equação 1 serão inconsistentes.

A regressão de efeitos fixos controla as informações não observáveis de modo constante no tempo. O modelo considera que as inclinações das retas são constantes, mas o intercepto varia entre os elementos (Wooldridge, 2006). O componente µi captura quaisquer características intrínsecas das empresas que não

variam com o tempo e que podem influenciar o nível de caixa (Silveira A. D., 2004). Na utilização do estimador EF, os possíveis determinantes ficam restritos àqueles que apresentam variação no tempo, descartando-se as variáveis volatilidade e setor, pois seriam perfeitamente colineares com µi.

A produção de estimativas consistentes utilizando o estimador EF, requer que ηit

seja não correlacionado com os regressores, incluindo µi. Foram realizados testes

alternadamente utilizando as diversas variáveis de cada dimensão acima para atingir o modelo final e conseguir a melhor medida de estimação.

3.4.2 Regressão linear em painel de dados com efeitos aleatórios (EA)

A equação com o estimador efeito aleatório possui notação similar a equação 1 com o estimador efeito fixo, mais a possibilidade de trabalhar as variáveis que não apresentam variação no tempo:

Caixait = α + β1Tamanhoit + β2Alavancagemit + β3Liquidezit + β4Fluxodecaixait +

β5Volatilidadeit + β6Investimentosit + β7Crescimentoit + β8Dividendosit +

β9Governançait + ∑_{l 1}10 γl Anolt + µi + ηit

Equação 2

Onde, i = firma t = ano

µi = efeito específico não observável da i-ésima empresa (variável aleatória)

ηit = termo de erro da i-ésima empresa no t-ésimo ano

A consistência do EA, por sua vez, depende da suposição mais restritiva de que ηit e

µi sejam ambos não correlacionados com os regressores (Silveira A. D., 2004). O

modelo de efeitos aleatórios assume que o comportamento específico dos indivíduos e períodos de tempo são desconhecidos. Caso haja efeitos que fazem parte do modelo, estes são totalmente exógenos e não correlacionados com os regressores (Wooldridge, 2006).

3.4.3 Regressão múltipla linear pelo método dos mínimos quadrados ordinário (OLS)

Aplicamos o método dos mínimos quadrados ordinário (OLS) com base no seguinte modelo geral:

Caixait = α + β1Tamanhoit + β2Alavancagemit + β3Liquidezit + β4Fluxodecaixait +

β5Volatilidadeit + β6Investimentosit + β7Crescimentoit + β8Dividendosit +

β9Governançait + ∑9j 1δj Setorjit + ∑10l 1γl Anolt + εit

Equação 3

Onde, i = firma t = ano

εit = termo de erro aleatório da i-ésima empresa no t-ésimo ano

Em comparação com a equação 1 e 2, é equivalente considerar que εit = µi + ηit.

Além das variáveis explanatórias consideradas nas equações 1 e 2, foram construídas variáveis binárias para cada ano da amostra (1998,..., 2008) com o intuito de controlar quaisquer efeitos temporais (por exemplo, eventos macroeconômicos) que afetaram o conjunto das empresas no período do estudo e poder reportar os respectivos coeficientes que faltaram à análise de painel. O mesmo objetivo pode ser atribuído à inclusão das variáveis binárias de setor pelo fato de não podermos reportar seus respectivos coeficientes na análise de painel.

4 RESULTADOS

Neste capítulo, apresentamos os resultados das análises de dados na seguinte seqüência: as estatísticas descritivas e as análises preliminares de dados no capítulo 4.1; os resultados da análise dos determinantes do nível de caixa nas empresas brasileiras no período de 1998 a 2008 no capítulo 4.2; e finalmente, no capítulo 4.3, apresentamos as interpretações dos coeficientes das regressões obtidos nessas análises.