State practice and unilateralism

Nas pesquisas relacionadas à contabilidade e finanças, frequentemente os dados se referem a diversas unidades de observação “i” (empresas, países, estados, etc) observados em diferentes momentos no tempo “t” (anos, semestres, trimestres, meses, dias, etc). Assim, os

dados disponíveis para a análise do pesquisador irão variar no tempo e no espaço, constituindo um Painel de observações (GUJARATI e PORTER, 2011; BRESSAN, 2009).

A modelagem de dados em painel relaciona indivíduos, empresas, países, etc., em relação ao tempo, havendo a heterogeneidade entre as unidades. Possibilita combinar séries temporais com observações de corte transversal, oferecendo maiores informações, maior variabilidade, reduzindo a colinearidade entre as variáveis, além de maior eficiência estatística ao melhor medir os efeitos que não podem ser observados em corte transversal ou em séries temporais de forma isolada (GUJARATI e PORTER, 2011; BALTAGI e BOOZER, 2009).

Os dados em painel referem-se à observação de diversos indivíduos ou empresas

i=1,2,3,...n, em cada período de tempo t =1,2,3...T, sendo a heterogeneidade entre as unidades

o foco da análise (BALTAGI e BOOZER, 2009). Assim sendo, a abordagem geral para o modelo de dados em painel é dada por:

yit = β0it + β1it x1it + …+ βkit xkit + ci + it (44)

Duarte, Lamounier e Takamatsu (2007) enfatizam que nessa notação, o subscrito i denota os diferentes indivíduos e o subscrito t denota o período de tempo que está sendo analisado. β0 refere-se ao parâmetro de intercepto e βk ao coeficiente angular correspondente à

k-ésima variável explicativa do modelo. O termo de erro do modelo é representado por ci + εit. É importante ressaltar que, para o modelo de dados em painel o termo de erro εit é composto por εit + ci, sendo que ci indica o efeito individual específico não observável, que difere entre as unidades e é invariante no tempo. O termo εit varia com as unidades e com o tempo, sendo também chamado de “termo de erro usual da regressão”. O termo de erro dos dados em painel possui as mesmas propriedades dos resíduos, ou seja: média zero, não correlacionados entre si e nem com as variáveis explicativas (xi) e com o efeito individual (ci), além de serem homocedásticos (BALTAGI e BOOZER, 2009).

A forma matricial para o i-ésimo indivíduo será dada por:

yi = [ ⋮ ] Xi =[ … … ⋮ ⋮ ⋱ ⋮ … ] = [ ⋮ ⋮ ⋮ ⋮ ⋮ ⋱ ⋮ … ] εi = [ 𝜀 𝜀 ⋮ 𝜀 ] (45) Em que:

yi e εi sãovetores de dimensão (T x 1) e contém, respectivamente, as T variáveis dependentes

e os T erros;

Xi é uma matriz de dimensão (K x T) com as variáveis explicativas do modelo (sendo que o elemento refere-se a k-ésima variável explicativa para o indivíduo i no tempo t; e

βi é a matriz dos parâmetros a serem estimados.

Duarte, Lamounier e Takamatsu (2007) elucidam ainda que neste modelo geral, o intercepto e os parâmetros resposta são distintos para cada individuo e para cada período de tempo. Existem, assim, mais parâmetros desconhecidos do que observações, não sendo possível, neste caso, estimar os seus parâmetros. Neste sentido, é necessário especificar suposições acerca do modelo geral a fim de torná-lo operacional. Assim, dentre os modelos que combinam dados de séries temporais e dados em corte transversal, o Modelo de Efeitos

Fixos e o Modelo de Efeitos Aleatórios têm sido os mais utilizados.

Destarte, cabe destacar que há diferentes modelos que podem ser usados para dados em painel, tendo como principal diferença a existência de efeitos fixos ou aleatórios. O modelo de efeitos fixos pretende controlar os efeitos das variáveis omitidas que variam entre indivíduos e permanecem constantes ao longo do tempo. Para isto, supõe que o intercepto varia de um indivíduo para o outro, mas é constante ao longo do tempo; ao passo que os parâmetros resposta são constantes para todos os indivíduos e em todos os períodos de tempo. A ideia de efeitos fixos parte do pressuposto de que os regressores sejam correlacionados com o termo de erro, tornando os estimadores de MQO viesados e inconsistentes (BALTAGI e BOOZER, 2009; BRESSAN, 2009).

Assim, os modelos que levam em conta os efeitos específicos do indivíduo para uma variável dependente yit é dado por:

yit = β0i + β1x1it + ....+ βkxkit + ci + it (46)

em que xit são regressores, β0i são os efeitos específicos de cada indivíduo e ci +εit representam o erro. Ou seja, o termo “efeitos fixos” se deve ao fato de que, embora o intercepto possa diferir entre os indivíduos, o intercepto de cada indivíduo não varia ao longo do tempo, é invariante no tempo. O modelo de efeitos fixos surge da pressuposição de que ci é

correlacionado com as variáveis do modelo xi, sendo assim, todas as diferenças de

comportamento entre os indivíduos deverão ser captadas pelo intercepto. Destarte, este último pode ser interpretado como o efeito das variáveis omitidas no modelo. O intercepto neste modelo é um parâmetro fixo e desconhecido que capta as diferenças entre os indivíduos que

compõem a amostra. A vantagem dos modelos de efeitos fixos é que podem obter um estimador consistente do efeito marginal do j-ésimo regressor de E(yit|β0i,xit), dado que xjit varia no tempo (BRESSAN, 2009).

A forma matricial para o i-ésimo indivíduo, como sugerido por Griffiths, Hill e Judge (1993), será: [ ⋮ ] = [⋮] + [ … … ⋮ ⋮ ⋱ ⋮ … ] [ ⋮ ] + [ 𝜀 𝜀 ⋮ 𝜀 ] (47)

No modelo de efeitos fixos β0i representa os interceptos a serem estimados, um para cada indivíduo. Como os parâmetros resposta não variam entre os indivíduos e nem ao longo do tempo, todas as diferenças de comportamento entre os indivíduos deverão ser captadas pelo intercepto. Desse modo, β0i pode ser interpretado como o efeito das variáveis omitidas no modelo, conforme apontam Duarte, Lamounier e Takamatsu (2007).

Já no modelo de efeitos aleatórios assume-se que β0i é aleatório, ou seja, não correlacionado com os regressores xi. Esse modelo trata os interceptos como variáveis

aleatórias, isto é, considera que os indivíduos sobre os quais dispõe-se de dados são amostras aleatórias de uma população maior de indivíduos. Percebe-se assim que a distinção crucial entre efeitos fixos e efeitos aleatórios diz respeito ao fato de que no modelo de efeitos fixos, os efeitos não observáveis (ci) são correlacionados com os regressores (xit) e no modelo de

efeitos aleatórios, (ci) não são correlacionados com os (xit).

Segundo Griffiths, Hill e Judge (1993), os interceptos para o modelo de efeitos aleatórios serão modelados como: β0i = ̅0 + ci. Sendo assim, este intercepto é composto pelo termo de erro aleatório que capta as diferenças de comportamento entre os indivíduos, ci,e, por outro componente, ̅0, que corresponde ao valor médio do intercepto populacional. Esse

modelo tem como vantagem a possibilidade de estimação de todos os coeficientes, mesmo dos regressores que não variam no tempo, obtendo os efeitos marginais. Esse modelo é dado por:

yit = ̅0 + β1x1it + β2x2it + ...+ βkXkit + wit (48)

em que wit = εit + ci, representa o termo de erro composto do modelo (BALTAGI e BOOZER, 2009). Cabe destacar que wit não está correlacionado com qualquer variável explicativa no

modelo (GUJARATI e PORTER, 2011).Contudo, Bressan (2009) adverte que se esse modelo for estimado e o modelo de efeitos fixos for mais indicado, os estimadores serão inconsistentes.

A forma matricial desse modelo, para o i-ésimo indivíduo, será dada por:

[ ⋮ ] = [⋮] ̅ + [ … … ⋮ ⋮ ⋱ ⋮ … ] [ ⋮ ] + [ 𝜀 𝜀 ⋮ 𝜀 ] (49)

Cabe destacar que, o novo termo estocástico wit possui média zero e variância constante, ou seja, são homocedásticos. Os erros do mesmo indivíduo em diferentes períodos de tempo são correlacionados, caracterizando a autocorrelação e como é captado comportamento individual dos indivíduos que compõem a amostra, o problema de heterocedasticidade também deve ser enfrentado.

Dadas todas essas considerações acerca dos modelos de dados em painel, é preciso avaliar qual dos modelos é o mais indicado. Gujarati e Porter (2011) assim como Bressan (2009) propõem uma série de testes. Esses testes visam avaliar diante dos dados coletados, o melhor modelo. Neste sentido, para detecção de qual é o melhor modelo a ser utilizado tem-se uma série de procedimentos/etapas a serem seguidas, conforme aponta Bressan (2009).

Tem-se, assim, como etapa inicial, a estimação do modelo pooled. Esse modelo assume que os coeficientes são constantes e pressupõem que o intercepto e as inclinações são os mesmos, independentemente da amostra, ou seja, os dados são empilhados. O segundo passo seria a estimação do modelo de efeitos fixos. Posteriormente, é usado o teste de Chow, com a estatística F, na qual aponta o modelo mais indicado, pooled ou efeitos fixos, tendo como hipótese nula (H0) a não existência de efeitos individuais específicos indicando o

modelo pooled, ou seja, ci são estatisticamente iguais a zero contra a hipótese alternativa (H1)

de que estes efeitos individuais são diferentes de zero, apontando para o modelo de efeitos fixos (BALTAGI e BOOZER, 2009).

Posteriormente, estima-se o modelo de efeitos aleatórios. Nessa etapa, é utilizado o teste de Breusch-Pagan para avaliar a utilização de modelos com efeitos aleatórios versus modelo pooled. O teste utiliza o Multiplicador de Lagrange (LM), com distribuição assintótica X2. A estatística de teste é definida como:

= 𝑛 − + [ ∑ [∑𝑡= 𝑐𝑡] 𝑛 = ∑𝑛 ∑_𝑡= 𝑐_𝑡 = − ] ˷ 𝜒 (50)

Tem-se como hipótese nula (H0): Var(ci) = 0, indicando para o modelo pooled contra a hipótese alternativa (H1) de que o modelo de efeitos aleatórios é melhor para os dados que

estão sendo tratados.

Já no que tange a utilização do modelo de efeitos aleatórios ou modelo de efeitos fixos, Wooldridge (2002) enfatiza que o principal determinante para decidir entre o modelo de efeitos fixos e o de efeitos aleatórios é o efeito não observado 𝑐 . Nas situações em que este efeito não observado 𝑐_i não é correlacionado com as variáveis explicativas, o modelo de efeitos aleatórios deve ser utilizado. Já no caso em que 𝑐i for correlacionado com algumas variáveis explicativas, o modelo de efeitos fixos deve ser utilizado.

Para checar se existe correlação entre 𝑐 e as variáveis explicativas _𝑡, Bressan (2009) sugere o teste de Hausman que tem como hipóteses nula e alternativa:

H0: 𝑐 não é correlacionado com as variáveis explicativas; indicando que o modelo de

efeitos aleatórios deve ser utilizado. Sob a hipótese nula, os estimadores do modelo com efeitos aleatórios são consistentes e eficientes.

H1: 𝑐 é correlacionado com as variáveis explicativas; apontando para o modelo de

efeitos fixos. Sob a hipótese alternativa, os estimadores com efeitos aleatórios são não consistentes, mas os estimadores com efeitos fixos são.

Ou seja, aplica-se o teste de Hausman, para avaliar qual é o modelo mais indicado entre o modelo de efeitos fixos e efeitos aleatórios. Esse teste assume como hipótese nula (H0): Cov(ci, xit) = 0, indicando para o modelo de efeitos aleatórios, já que os efeitos individuais são estritamente não correlacionados com os regressores

Consecutivamente, dado isso, verifica-se se há problemas de autocorrelação e heterocedasticidade, uma vez que, é comum a presença destes problemas econométricos nesse tipo de regressão devido à incorporação das séries temporais e ao corte transversal. Para testar se há a presença de autocorrelação o teste proposto por Wooldridge (2002) é utilizado, e a presença de heterocedasticidade é testada via utilização do teste de Wald, como aponta Bressan (2009).

Wooldridge (2002) apresenta a pressuposição de que os erros não devem ser autocorrelacionados e deriva o teste de autocorrelação serial AR(1) para modelos de dados em painel. Sob a hipótese nula de ausência de correlação serial, os resíduos da regressão das

variáveis em primeira diferença devem apresentar uma autocorrelação de -0,5 o que implica que, o coeficiente dos resíduos defasados em uma regressão destes com os resíduos em t = 0 deve ser igual a -0,5. Já quanto à aplicação do teste Wald modificado para heterocedasticidade em grupo, Bressan (2009) elucida que o teste de Wald segue uma distribuição 𝜒 _{_𝑔} em que N_g é igual ao número de unidades cross-section, sob a hipótese nula de homocedastidade. Se esta estatística de teste for significativa, rejeitando H0, indica a presença de

heterocedasticidade em grupo no modelo estimado. Bressan (2009) e Bressan, Braga e Bressan (2012) adotaram esses passos quando da estimação do modelo de dados em painel.

Sendo assim, caso ocorram problemas relacionados à autocorrelação ou heterocedasticidade, o modelo será re estimado, usando os estimadores de Mínimos Quadrados Generalizados Factíveis (Feasible Generalized Least Square ou FGLS). Com FGLS, o modelo se torna mais robusto, caso ocorram problemas de autocorrelação ou heterocedasticidade, gerando resultados satisfatórios, como evidenciado por Bressan, Braga e Bressan (2012).

É importante frisar ainda que para a análise de dados em painel tem-se painéis balanceados e painéis não balanceados. Para o painel balanceado, cada indivíduo no conjunto de dados é observado o mesmo número T de vezes, constituindo uma base de dados balanceada. Já o painel não balanceado é uma base na qual os indivíduos são observados de modo diferente/incompleto no tempo (GUJARATI e PORTER, 2011).

Destarte, para testar a hipótese quatro (H4) desta pesquisa, será utilizada regressão com dados em painel em que a variável dependente é o nível de gerenciamento de resultados para a empresa i no período t, GRit (medido pelos accruals discricionários para a empresa i no período t). As variáveis apontadas por autores (Cupertino, Martinez e Costa Jr. (2014), Dechow, Sloan e Sweeney (1995), Ye (2006), McNichols (2000), Baptista (2008), Kothari, Leone e Wasley (2005), Castro (2008), Zang (2012), Teoh, Welch e Wong (1998), Hochberg (2011), Martinez (2001), Morsfield e Tan (2006), Ronen e Yaari (2008), Gioielli, Carvalho e Sampaio (2013) e Fasolin e Klann (2014)) como condicionantes para o nível de accruals obtidos pelas empresas são incorporadas ao modelo de regressão. Dessa forma, o modelo utilizado nesta pesquisa (tomando como base autores como Gioielli, Carvalho e Sampaio (2013), Baptista (2008) e Hochberg (2011)) que inclui diversas variáveis que influenciam a prática do gerenciamento de resultados contábeis é:

GRit = β0 + β1FaseIPOit+ β2PEVCit+ β3IFRSit+ β4GCit + β5ISEit+ β6△PIBit+ β7SEOit + β8Auditorit + β9Quenteit + β10Tamanhoit + β11Crescimentoit + β12Alavancagemit + (51)

β13Desempenhoit + β14Tangibilidadeit + β15CapitaldeGiroit + ci+ it

Em que:

GRit: é o nível de gerenciamento de resultados para a empresa i no período t, medido pelos

accruals discricionários para a empresa i no período t (calculados pelo Modelo de Jones

Modificado e pelo Modelo de Performance-Matching).

Fase IPOit: variável dummy que assume o valor um para as 11 observações do período chave,

o período que antecede, marca e imediatamente posterior ao IPO (observações/trimestres do ano-1, ano0 e ano+1 – período com maiores incentivos para gerenciar resultados) para a empresa i, e zero, caso contrário.

Gioielli, Carvalho e Sampaio (2013) enfatizam que no período chave para o IPO (período que antecede imediatamente a oferta) o incentivo dos gestores para manipular os resultados é mais forte. Teoh, Welch e Wong (1998) elucidam que assim como nos períodos imediatamente anteriores (início de formação dos accruals), o período que marca (inflacionar o preço das ações) e imediatamente posterior (evitar processos judiciais; período de lockup – período de restrição de venda dos papéis dos administradores), também são caracterizados pelos altos incentivos dos gestores para gerenciar resultados. Portanto, espera-se que o coeficiente desta variável responsável por captar as observações da empresa i no período crítico para o IPO seja positivo, indicando que nos trimestres referentes aos anos (-1, 0 e +1) os níveis de accruals discricionários são maiores do que em períodos posteriores (anos +2 e +3) dado que os incentivos para gerenciar resultados diminuem consideravelmente, e os efeitos das reversões dos accruals provavelmente vão impactar o desempenho das entidades gerenciadoras.

Presença de private equity/venture capital (PE/VCit): variável dummy que assume o valor um

quando a observação vem de uma empresa com investimentos de PE/VC e zero, caso contrário.

Ronen e Yaari (2008) assim como Gioielli, Carvalho e Sampaio (2013) enfatizam que a presença de um gestor de capital de risco (PE/VC) com altos investimentos, alta reputação e poder para manter contato e participar das reuniões do conselho administrativo da empresa investida inibe a prática do gerenciamento de resultados contábeis por parte dos

administradores dessas empresas (esses gestores de PE/VC se caracterizam, assim, como monitores do gerenciamento de resultados – gatekeepers - que detêm poder e buscam a congruência entre seus interesses e os interesses dos gestores). Segundo estes autores, a presença destes gestores de capital de risco vão então mitigar o gerenciamento de resultados.

Por outro lado, estes gestores de capital de risco podem corroborar com a administração da empresa na adoção de escolhas oportunistas (gerenciamento de resultados) dado que ambos podem objetivar uma reação positiva do mercado. Nakamura, Forte e Aguiar (2006) corroboram neste aspecto ao elucidarem em sua pesquisa que quando existe algum indicador contábil-financeiro que se aproxima negativamente de seu monitoramento, a resposta dos gestores de capital de risco é uma maior participação nas decisões, ou quiçá, até intervenção. Uchimura (2011) e Espenlaub e Garret (1999) enfatizam que no momento do IPO, os fundos de PE/VC geralmente possuem uma quantidade substancial de ações das empresas investidas. Consequentemente, os fundos influenciam no gerenciamento de resultados e participam nos processos decisórios, especialmente no momento do IPO. Sendo assim, a presença destes gestores de capital de risco pode estar relacionada também a maiores níveis de accruals discricionários. Portanto, o sinal esperado para o coeficiente desta variável não é claro, podendo as empresas com investimentos de PE/VC apresentar, tanto menores quanto maiores níveis de accruals discricionários.

Aderência às IFRS (IFRSit): variável dummy que assume o valor um quando a observação for

referente aos anos posteriores a 2009 (obrigatória no Brasil a partir do exercício findo em 2010), e zero, nos demais casos.

Segundo Cupertino, Martinez e Costa Jr. (2014), o gerenciamento por accruals diminuiu com a implantação do IFRS, provavelmente pelo aumento da qualidade dos números reportados decorrente do processo de harmonização das demonstrações contábil- financeiras às regras internacionais de contabilidade. Corroborando, Silva et al (2014) encontraram evidências de redução significativa no nível de accruals discricionários para as empresas chilenas pós adoção às IFRS. Por outro lado, o Comitê de Pronunciamentos Contábeis elucida que as normas internacionais de contabilidade proporcionam maior espaço para julgamento por parte do preparador das demonstrações contábeis-financeiras, caracterizando uma contabilidade mais interpretativa do que normativa para que a essência das transações prevaleça sobre a forma e ainda em prol de uma visão justa e verdadeira do desempenho econômico-financeiro de uma empresa em determinado período. Este cenário de maior julgamento/flexibilidade pode proporcionar maior espaço para que os gestores

gerenciem os resultados contábeis adotando escolhas oportunistas. Joia (2012) e Elbannan (2011) não encontraram relação significativa entre as IFRS e o GR. Já Jeanjean e Stolowy (2008) encontraram, em países code-law como a França, um aumento no nível de GR. Portanto, o sinal esperado para o coeficiente desta variável não é claro, podendo a aderência às normas internacionais de contabilidade estar associada tanto a menores quanto a maiores níveis de accruals discricionários.

Governança Corporativa(GCit): variável dummy que assume o valor um quando a observação

vem de uma empresa pertencente ao Novo Mercado, e zero, caso contrário.

Ronen e Yaari (2008) assim como Martinez (2001) elucidam que a adoção de mecanismos de Governança Corporativa se caracteriza como fatores limitadores para a prática do gerenciamento de resultados contábeis. Baptista (2008) encontrou relação negativa entre o nível de governança e o nível de accruals discricionários das empresas. Mecanismos que protejam os interesses dos investidores irão objetivar mitigar o gerenciamento de resultados que pode distorcer as avaliações realizadas por investidores existentes e em potencial. Assim sendo, é esperado que o coeficiente encontrado para esta variável seja negativo indicando que quando da presença de mecanismos de governança corporativa, há menor nível de acumulações discricionárias assumidas pelas empresas.

Sustentabilidade Empresarial (ISEit): variável dummy que assume o valor um quando a observação vem de uma empresa presente no ISE (Índice de Sustentabilidade Empresarial), e zero, caso contrário.

Assim como para a Governança Corporativa, Ronen e Yaari (2008) elucidam que a Sustentabilidade Empresarial também se caracteriza como fator limitador para a prática do gerenciamento de resultados contábeis. Empresas sustentáveis estão comprometidas e diferenciam-se em termos de qualidade, nível de compromisso com o desenvolvimento sustentável, equidade, transparência e prestação de contas (BM&FBOVESPA, 2014). Assim sendo, é esperado que o coeficiente encontrado para esta variável seja negativo indicando que empresas sustentáveis empresarialmente apresentam menor nível de acumulações discricionárias.

Condição Geral da Economia(△PIBit): representada pela variação no Produto Interno Bruto

(PIB) entre os trimestres t - 1 e t, incorporada para capturar a atividade econômica geral. Para Cupertino, Martinez e Costa Jr. (2014) a condição geral da economia influencia o nível de accruals discricionários assumidos pelas empresas, pois, dependendo da situação

econômica, as empresas poderão aumentar ou reduzir ainda mais seus accruals no intuito de gerenciar seus resultados. O sinal esperado para o coeficiente desta variável não é claro, podendo estar relacionada à condição geral da economia tanto ao aumento (Ex. Período de Crescimento Econômico - Maximização) quanto à redução (Ex. Período de recessão econômica – “Taking a Bath”) das acumulações discricionárias (Ronen e Yaari, 2008).

Realização de uma SEO (SEOit): variável dummy que assume o valor um se a empresa i realizou uma oferta subsequente de ações (SEO) e se o trimestre t está compreendido no intervalo considerado com incentivos para o gerenciamento de resultados desta nova oferta (anos+1, +2 e +3), e zero, caso contrário.

Rangan (1998), Teoh, Wong e Rao (1998), Bispo (2010) e Gioielli, Carvalho e Sampaio (2013) elucidam que, da mesma forma que em um IPO, as empresas têm grandes incentivos para gerenciar seus resultados quando realizam uma oferta subsequente de ações

In document The Law of Shared Hydrocarbon Resources and the Question of Shared State Responsibility for Environmental Harm Arising from Their Cooperative Management (sider 162-165)