CEA – USP – RAE 18P08
RELATÓRIO DE ANÁLISE ESTATÍSTICA SOBRE O PROJETO:
“Diferenças nas Práticas Contábeis na Era IFRS: Implicações para a Comparabilidade
das Informações Financeiras em Ambientes Diferentes.”
Débora Lopes Moreira
Rodrigo Corrêa Carrascozi
Victor Pedro Redivo
Airlane Pereira Alencar
Francisco Marcelo Monteiro da Rocha
São Paulo, junho de 2018
2
CENTRO DE ESTATÍSTICA APLICADA – CEA
RELATÓRIO DE ANÁLISE ESTATÍSTICA – 18P08
TÍTULO: “Diferenças nas Práticas Contábeis na Era IFRS: Implicações para a
Comparabilidade das Informações Financeiras em Ambientes Diferentes.”
PESQUISADORA: Raquel Wille Sarquis
ORIENTADORES: Prof. Dr. Ariovaldo dos Santos e Prof. Dra. Isabel Maria Estima
Costa Lourenço
INSTITUIÇÃO: Faculdade de Economia, Administração e Contabilidade da
Universidade de São Paulo
FINALIDADE: Doutorado
RESPONSÁVEIS PELA ANÁLISE: Débora Lopes Moreira
Rodrigo Corrêa Carrascozi
Victor Pedro Redivo
Airlane Pereira Alencar
Francisco Marcelo Monteiro da Rocha
REFERÊNCIA DESTE TRABALHO: Moreira, D. L., Carrascozi R. C. e Redivo, V. P.,
Alencar, A. P., Rocha, F.M.M. (2018). Relatório de Análise Estatística sobre o
Projeto: “Diferenças nas Práticas Contábeis na Era IFRS: Implicações para a
Comparabilidade das Informações Financeiras em Ambientes Diferentes.”. São
Paulo, IME-USP. (RAE – CEA – 18P08).
3
FICHA TÉCNICA
REFERÊNCIAS:
Barroso, L.P. e Artes, R. (2003). Análise multivariada. Lavras: UFLA. 151p.
Bussab, W.O. e Morettin, P.A. (2017). Estatística Básica. 9.ed. São Paulo: Editora
Saraiva. 576p.
Barth, M.E. (2013). Global Comparability in Financial Reporting: What, Why, How,
and When? China Journal of Accounting Studies, 1:1, 2-12.
Carmona, S. and Trombetta M. (2008). On the global acceptance of IAS/IFRS
accounting standards: The logic and implications of the principles-based system.
J. Account. Public Policy, 27, 455–461.
Fávero, L.P. e Belfiore P. (2017). Manual de análise de dados. 1.ed. São Paulo:
Elsevier. 1216p.
Gordon, I. and Gallery N. (2012). Assessing financial reporting comparability across
institutional settings: The case of pension accounting. The British Accounting
Review, 44, 11–20.
Jhonson, R. A., Wichern, D. W. (2008). Applied Multivariate Statistical Analysis.
6.ed. Pearson. 800p.
Montgomery, D. C., Peck, E.A. e Vining G. G. (2012). Introduction to linear
regression analysis. 5.ed. Wiley. 672p.
Paula, G.A. (2013). Modelos de Regressão com Apoio Computacional. São Paulo.
441p.
4
Sunder, S. (2010). Adverse effects of uniform written reporting standards
on accounting practice, education, and research. J. Account. Public Policy, 29, 99–
114.
Wolfinger, R. e O'Connel M. (1993). Generalized linear mixed models: a pseudo-
likelihood approach. J. Statist Comput. Simul., 48, 233-243.
5
PROGRAMAS COMPUTACIONAIS UTILIZADOS
Excel 2013 for Windows;
Word 2013 for Windows;
R for Windows, versão 3.5.0.
RStudio for Windows, versão 1.1.147.
TÉCNICAS ESTATÍSTICAS UTILIZADAS
Análise Descritiva Unidimensional (03:010);
Regressão Logística (07:090)
Outros (07:990)
ÁREA DE APLICAÇÃO
Outros (14:990)
6
SUMÁRIO
Resumo 7
1. Introdução 8
1.1. Objetivo 9
2. Descrição do estudo 9
2.1. Caracterização da amostra 9
2.2. Coleta de dados 10
3. Descrição das variáveis 11
4. Análise descritiva 14
4.1. Dados faltantes 14
4.2. Práticas contábeis 15
4.3. Variáveis nível empresa 16
4.4 Variáveis de nível país 20
4.5 Cluster 22
4.5.1 Análise descritiva do cluster 24
5. Análise inferencial 29
5.1. Variáveis utilizadas 29
5.2. Modelo hierárquico misto 30
5.3. Programas e funções utilizadas 31
5.4. Modelos propostos 32
5.5. PPI e Benefícios 35
6. Conclusões 35
APÊNDICE A - TABELAS 38
APÊNDICE B - FIGURAS 76
7
Resumo
Existem diversos fatores que influenciam a forma como cada empresa realiza
seus balanços contábeis. Dentre esses fatores podemos identificar aspectos culturais e
econômicos, tanto da empresa em si como da região onde a mesma está localizada.
A base de dados reunida pela pesquisadora apresenta tanto variáveis referentes
às empresas quanto aos países em que elas estão situadas.
Os dois objetivos da pesquisadora, através deste projeto, são a criação de
clusters agrupando os países presentes na base e a elaboração de um modelo de
regressão logística multinível com a finalidade de identificar como e principalmente
quais covariáveis são relevantes na escolha da prática contábil das empresas.
A análise de agrupamento dos países resultou em uma distância pequena entre
os países no mesmo cluster, indicando grande homogeneidade dentro dos grupos,
contudo a distância entre clusters também não é muito grande, indicando pouca
heterogeneidade entre os grupos formados. Os 27 países foram divididos em 4 grupos.
Não foi possível ajustar um modelo multinível de regressão adequado
considerando todas as variáveis desejadas por conta da grande quantidade de
variáveis e a forte correlação entre elas. Uma sugestão para futuras análises é realizar
alguma técnica de redução de dimensionalidade, como por exemplo uma análise de
componentes principais, para possíveis melhores resultados. O escopo deste relatório
foi a tentativa de selecionar um conjunto de covariáveis significativas restrito ao modelo
multinível.
8
1. Introdução
O International Accounting Standards Board (IASB) é um conselho formado por
especialistas da área contábil e uma de suas responsabilidades é o desenvolvimento e
publicação das normas internacionais de relatórios financeiros, ou em inglês
International Financial Reporting Standards (IFRS).
Essas normas têm por finalidade padronizar os procedimentos contábeis e as
políticas existentes nos países, melhorando a estrutura conceitual e proporcionando a
mesma interpretação das demonstrações financeiras (Carmona 2008). Isso é feito
criando critérios para as características qualitativas, como clareza, confiabilidade,
relevância, e equilíbrio entre custo e benefício na preparação das demonstrações
financeiras. Este padrão facilita que empresas possam apresentar seus números em
âmbito internacional, facilitando a leitura dos dados por profissionais de outros países.
No site do comitê de pronunciamentos contábeis é possível encontrar mais detalhes
sobre tais normas.
A partir de 2013 passou a valer uma publicação do IFRS que proibia a utilização
de algumas práticas contábeis. O IASB justifica que sua postura de eliminação se deu
com o objetivo de aumentar a comparabilidade entre as informações financeiras.
O conceito de comparabilidade em contabilidade é baseado no reflexo
econômico das transações, e não no formato como é feito, ver Gordon, 2012 e Sunder,
2010. A postura do IASB parece querer uniformizar as escolhas, no sentido de reduzi-
las e padronizar a apenas um item. O problema nisso é que a contabilidade é
fortemente influenciada pelo ambiente em que ela se encontra, ver Barth, 2013. Por
exemplo, por fatores culturais e institucionais que faz com que uma transação tenha
significado econômico diferente para países diferentes. Sendo assim, é possível que o
IASB esteja prejudicando a comparabilidade ao invés de melhorá-la.
9
1.1. Objetivo
Com base no contexto descrito acima, este estudo tem por finalidade responder
à seguinte pergunta-problema: “A postura do IASB de eliminar escolhas contábeis afeta
a comparabilidade?”
Assim, os objetivos deste projeto são:
● Agrupar os países amostrados em Clusters, encontrando os países mais
similares entre si;
● Encontrar um conjunto de covariáveis significantes para um modelo de
regressão logística onde a variável dependente é a prática contábil.
2. Descrição do estudo
2.1. Caracterização da amostra
Por ser um estudo observacional, alguns cuidados foram tomados durante a
obtenção dos dados para fazê-los representativos e evitar que fatores externos
influenciassem o resultado do mesmo.
Um desses cuidados foi em relação à definição de quais escolhas contábeis
seriam analisadas. Assim foram levadas em conta as escolhas definidas como overt
options e escolhas que não estivessem condicionadas a empresas. Outra preocupação
foi em escolher uma atividade contábil que fosse possível mensurar. As escolhas
contábeis resultantes foram: propriedade para investimento (PPI), investimentos em
joint ventures (JV) e planos de benefícios de empregados. Por uma questão de
facilidade essas escolhas contábeis serão referidas a partir de agora pelas abreviações:
PPI, JV, e Benefícios, respectivamente.
10
Dentre essas três escolhas contábeis, apenas a PPI não teve práticas afetadas
pela alteração do IASB.
Os outros cuidados da amostragem foram com relação à seleção dos países por
restrições legais e ao país praticar a escolha contábil. Em relação à empresa, ela deve
ser de capital aberto.
2.2. Coleta de dados
O processo de coleta teve início em maio de 2017 e finalizou em março de 2018.
Todas as demonstrações contábeis foram coletadas de forma manual durante o período
acima pela pesquisadora. Os dados usados neste trabalho são divididos em dois
grupos de variáveis, um com variáveis que medem características de empresa e outro
que mede característica de país.
As variáveis de empresa foram coletadas das demonstrações disponíveis no site
da Bolsa de Valores do país ao qual ela pertence ou do próprio site da empresa.
Também, foram coletadas informações disponíveis nos bancos de dados: Worldcope,
Eikon e Compustat. Os dados das variáveis de país foram coletados principalmente da
base de dados do Banco Mundial (World Bank Open Data).
O banco de dados é subdividido em 3 planilhas, em que cada uma contém as
informações para uma escolha contábil.
Ao todo, a pesquisa conta com 6.298 empresas de 27 países o que
corresponde a 75.576 demonstrações contábeis ao longo de 12 anos (2005 até 2016).
A Tabela A1 do Apêndice A contém a frequência de empresas por país e escolha
contábil.
11
3. Descrição das variáveis
O estudo conta com três variáveis resposta, todas categorizadas. Estas variáveis
são as escolhas contábeis definidas anteriormente como PPI, JV e Benefícios. As
categorias de respostas que são chamadas de práticas contábeis são:
● PPI - Custo e Valor justo;
● JV - Consolidação proporcional e Equivalência patrimonial;
● Benefícios - Método do corredor, Patrimônio líquido (PL) e Resultado do
exercício.
As variáveis explicativas que são formadas pelos 2 grupos de variáveis: empresa
e país e são as mesmas para as três escolhas contábeis. Abaixo, é listada cada uma
dessas variáveis, uma breve descrição delas e suas unidades de medida.
Variáveis Qualitativas de nível Empresa: identificam a empresa e seu ramo de
atividade. São elas:
● Code_Sist - Código que identifica a empresa;
● Company - Nome da Empresa;
● Country - País sede da Empresa;
● Year - Ano da demonstração contábil;
● Data do balanço - Data em que o balanço foi lançado;
● Idioma - Idioma em que foi escrito o balanço;
● SIC_Code - Código que identifica o setor de atividade da empresa;
● Auditor - Nome da empresa responsável pela auditoria da empresa no
ano;
● BIG 4 - Indica se a empresa foi auditada por uma das 4 grandes empresas
de auditoria (são elas Ernst Young, KPMG, PWC e Deloitte).
Variáveis Quantitativas de nível empresa: medem resultados financeiros da
empresa.
12
● Total Liabilities - Valor das dívidas da empresa na moeda local;
● Total Liabilities & Shareholders’ Equity - Total das fontes de financiamento
da empresa medido pela moeda local;
● Common Equity - Valor em dólares (US$) do aporte de capital dos
sócios/acionistas;
● Market Capitalization - É um índice calculado a partir da multiplicação do
preço da ação da empresa pela quantidade de ações negociadas. Representa o valor
de mercado da empresa;
● MTB 1 - Indicador representando a relação entre o valor de mercado da
empresa (Market Capitalization) e o valor contábil da empresa (Common Equity). É
calculado pela diferença desses valores;
● MTB 2 - Também representa a relação entre o valor de mercado (Market
Capitalization) e o valor contábil da empresa (Common Equity), mas dessa vez, é
calculado pelo logaritmo da diferença absoluta dos valores;
● Total Assets - É o total de ativos da empresa, ou seja, o valor dos seus
bens e direitos;
● Size - É o logaritmo da variável Total Assets. É uma medida comumente
usada na contabilidade para medir o tamanho da empresa;
● Endividamento 1 - É um indicador que mede a porcentagem de
endividamento da empresa. Indica quanto da variável Total Assets é financiado por
dívidas ou empréstimos. É calculado pela razão (Total Assets - Common
Equity)/Assets;
● Endividamento 2 - Assim como a variável Endividamento 1, também mede
o nível de endividamento, mas dessa vez através de uma razão e não da porcentagem.
É calculado pela razão (Total Assets - Common Equity)/Common Equity;
● Net Sales or Revenues - É o valor de vendas anuais da empresa, medido
em US$;
● Net Income - É o valor do lucro ou prejuízo anual da empresa, medido em
US$;
● Cresc V - Percentual de crescimento das vendas de um ano para o outro;
● Cres LL - Percentual de crescimento do lucro de um ano para o outro;
13
● ROE - Percentual que mede a rentabilidade do patrimônio da empresa
(Common Equity);
● ROA - Percentual que mede a rentabilidade dos ativos da empresa (Total
Assets).
Variáveis de nível país: medem características culturais e econômicas dos
países do estudo.
● DH - Variável cultural no intervalo [0,100] que mede a distância
hierárquica do país;
● Aversão - Variável cultural no intervalo [0,100] que mede o nível de
aversão à incerteza do país;
● Individualismo - Variável cultural no intervalo [0,100] que mede o nível de
individualismo versus coletividade;
● Masculinidade - Variável cultural no intervalo [0,100] que mede o
comportamento dos indivíduos;
● Orientação - Variável cultural no intervalo [0,100] que mede o nível de
orientação a longo e curto prazo;
● Indulgência - Variável cultural no intervalo [0,100] que mede o nível de
indulgência do país;
● Cristianismo - Proporção da população do país que tem por religião o
cristianismo;
● Muçulmanos - Proporção da população do país que é muçulmana;
● IDH - Índice de desenvolvimento humano, variável de nível de
desenvolvimento. Assume valores no intervalo [0,1];
● Domestic Credit/ Market Capitalization - Variável que mede se o país é
mais financiado por instituições financeiras ou por captações do mercado de ações. É
um indicador que varia no intervalo [0, ∞] e quanto maior o valor maior a presença de
financiamento por instituições financeiras;
● Sistema Legal - variável categórica que classifica o sistema contábil da
empresa em um sistema voltado a atender o físico ou ao investidor;
14
● Ownership Concentration - Percentual de ações detido pelo maior
acionista da empresa;
● Protecting Minority – Percentual que indica o nível de proteção aos
menores acionista, é uma porcentagem;
● Enforcement – É um conjunto de 6 variáveis que juntas mensuram a
qualidade de governança do país e o nível de enforcement das leis. As variáveis são:
Voice, Political, Government, Regulatory, Rule of Law e Corruption. Todas as variáveis
variam no intervalo [-2.5, 2.5].
● Fatorial – variável resultante da analise fatorial das 6 variáveis de
Enforcement;
● Polity - Indica o nível de democracia do país. É um indicador no intervalo
[-10, 10];
● Deferido/LAIR - Indica a influência da regulamentação tributária nas
práticas contábeis, assume valores na reta real;
● FDI - Percentual de investimento estrangeiro;
● Taxa - Taxa percentual anual da inflação;
4. Análise descritiva
A análise descritiva está dividida em 5 partes. A primeira descreve a ocorrência
de valores faltantes, principalmente para a escolha contábil. Em seguida são
apresentados resultados descritivos para as variáveis respostas das Práticas Contábeis
ao longo do tempo. Depois são analisadas algumas variáveis medidas nas empresas e
nos países. E por fim são construídos os grupos de países e apresentada a análise
descritiva dos mesmos. Para detalhes sobre as metodologias usadas ver Bussab, 2017
e Barroso, 2003.
4.1. Dados faltantes
15
Um dos maiores desafios deste projeto é trabalhar com a grande quantidade de
valores faltantes (missing). Para ilustrar o problema observe a Figura B1 do Apêndice B
que mostra a evolução da porcentagem de valor faltante (missing) ao longo dos 12
anos de estudo para a variável resposta de cada uma das 3 escolhas contábeis.
No começo do estudo, em 2005, há 86% de missing para PPI, seguido de 75% e
61% para JV e Benefícios, respectivamente. Esses valores vão decaindo ao longo do
estudo, mas somente após 2012 há mais informações sobre a escolha contábil que
missing. Antes disso a proporção de missing era superior a 50%. As Tabelas A2 a A5
apresentam as porcentagens por ano, país e atividade
Uma das causas deste comportamento decrescente de missing é explicada por
alguns países que não praticavam as escolhas contábeis do estudo até determinado
ano (isto é, praticavam uma escolha contábil diferente das determinadas no estudo).
Por exemplo, as empresas do Brasil só entraram no estudo a partir de 2010. O mesmo
ocorreu com o Canadá, Chile, Malásia, México, Nigéria, Nova Zelândia e Sri Lanka que
entraram, respectivamente, em 2011, 2009, 2012, 2012, 2012, 2007 e 2012.
Outra explicação para a alta ocorrência de missing é que as empresas não
mantêm todo o histórico de demonstrações contábeis disponível, às vezes ele já foi
retirado da internet e às vezes a empresa não era de capital aberto para aquele ano.
A quantidade de missing das demais variáveis de nível empresa estão separadas
por escolha contábil nas Tabelas A6, A7 e A8 do Apêndice A.
4.2. Práticas Contábeis
As exigências de eliminações do IASB entraram em vigor a partir de 2013. Nas
Figuras B2, B3, B4 do Apêndice B é apresentado o comportamento das práticas
contábeis (categorias de resposta) para as três variáveis do estudo.
16
É importante lembrar que as práticas contábeis, consolidação proporcional da
escolha JV, método do corredor e resultado do exercício da escolha Benefícios, fazem
parte das eliminações do IASB. Como é visto nos gráficos, a partir de 2012 estas
práticas começam a não ser mais utilizadas pelas empresas e a frequência das práticas
Equivalência Patrimonial e PL crescem. Dentre estas variáveis, apenas a PPI não teve
prática contábil proibida. Curiosamente, em 2016 ainda são encontradas empresas que
usam essas práticas ilegalmente, como pode ser visto na Tabela A9.
4.3. Variáveis nível empresa
Dentro das variáveis categóricas de nível empresa, uma de interesse para a
pesquisadora é a variável BIG 4, responsável por identificar as maiores empresas de
auditoria no mundo. Na Figura B5 é ilustrada a evolução da frequência de empresas ao
longo do período que utilizam estas empresas de auditoria. O crescimento do número
de empresas que utilizam ou não BIG 4 parece ser constante em relação ao número de
empresas no estudo. Na Figura B6 é possível observar que o comportamento das
empresas que usam BIG 4 é similar ao comportamento da frequência das práticas
contábeis, como por exemplo no caso da prática PL que tem praticamente a mesma
curva que a encontrada na Figura B4.
Para as variáveis quantitativas, um problema encontrado foi a grande
variabilidade nos dados, nas Tabelas A10 a A25 são calculadas algumas medidas
resumos para algumas variáveis. Isso pode ser visto na discrepância entre os gráficos
para a média e mediana das variáveis no período. Assim como nas variâncias
apresentadas nas tabelas. Cada uma das variáveis quantitativas será analisada a
seguir, comparando a série para ambas as medidas.
As variáveis Total Liabilities (Figuras B7 e B8) e Total Liabilities & Shoreholders’
Equity (Figuras B9 e B10) têm comportamento bem parecido em suas médias e
medianas. As variáveis representam o valor das dívidas e a fonte de financiamento
totais das empresas, que é uma combinação da primeira variável com a variável
17
Common Equity. Considerando a mediana, os gráficos mostram que as retas têem
tendência crescente para todas as escolhas contábeis. Vale notar também que JV e
Benefícios têm um comportamento similar e a escolha PPI não, e JV tem respostas
maiores. As variáveis possuem observações discrepantes (outliers) que estão
influenciando a reta média entre os anos de 2008 e 2012 gerando um gráfico com retas
diferentes quando comparado com a mediana.
Em relação à variável Common Equity (Figuras B11 e B12), esta também
apresenta tendência crescente no período e tem comportamento similar em patamares
diferentes para as 3 escolhas. No caso da variável Common Equity não há muita
diferença entre o gráfico da média e da mediana. Nesta variável a escolha PPI varia
mais no período, mas JV ainda tem resposta maior.
As séries da média e mediana do valor de mercado (variável Market
Capitalization) da empresa são parecidas (Figuras B13 e B14). Considerando a
mediana, a diferença entre as empresas para as escolhas contábeis Benefício e JV se
mantém constante ao longo do tempo, JV tem respostas maiores que Benefícios. Todas
as escolhas contábeis apresentam ascensão até 2007, interrompida por uma queda em
2008, provavelmente motivada pela crise econômica mundial. Após 2008, as escolhas
contábeis apresentaram certa volatilidade, mas sem grandes picos. A escolha PPI teve
resposta bem baixa quando comparada com as demais escolhas, porém, com menos
variabilidade ao longo do período.
As variáveis MTB 1 e MTB 2 são indicadores em que para valores maiores que
1, a empresa vale mais do que o valor que ela tem registrado nas demonstrações
contábeis.
As Figuras B15 e B16 ilustram a mediana e média da variável MTB 1 ao longo do
tempo. A mediana do período tem o mesmo comportamento para as 3 escolhas. Até
2008 a mediana das empresas era maior que 1, o que indica que elas valiam mais que
no livro, em 2008 há uma queda desse valor e no restante do período os valores variam
em torno de 1. Já a média apresenta picos para todas as escolhas contábeis, há uma
semelhança entre o comportamento das escolhas Benefícios e JV e a escolha PPI
esteve sempre abaixo das outras duas entre os períodos 2007 e 2013. Há uma
18
diferença na escala dos gráficos indicando que a variância dos dados é grande para a
variável.
Nas Figuras B17 e B18, os gráficos mostram a variável MTB 2 que, como MTB1,
mede o valor de mercado da empresa, mas neste caso a métrica é diferente. É utilizado
o logaritmo da diferença absoluta. O resultado dessa transformação é uma variância
bem controlada. Os gráficos para a média e mediana são bem parecidos, ambos estão
na mesma escala e apresentam comportamento bem parecidos quando pareados.
Além disso, é identificada uma queda em 2008 e tendência crescente após a crise.
Considerando agora as variáveis Total Assets e o logaritmo desta variável, que
mede o tamanho da empresa, as curvas para esta primeira variável, Figuras B19 e B20,
têm comportamento oposto para a mediana e média. Para a mediana há uma tendência
crescente e para a média uma tendência decrescente, o que indica a variabilidade dos
dados dessa variável. Já para o logaritmo da variável (variável Size) o problema não
existe, a média e mediana (Figuras B21 e B22) têm comportamento parecido e com
tendência crescente.
As variáveis que medem o nível de endividamento se diferem na métrica. Para a
variável Endividamento 1, os gráficos das Figuras B23 e B24 mostram que a mediana e
média são parecidas, o que não ocorre para a variável Endividamento 2 (Figuras B25 e
B26). As curvas de Benefícios e JV são maiores que a PPI em ambos os casos. No
caso do Endividamento 1, há uma leve tendência decrescente, e para a variável
Endividamento 2 a variância dos dados é maior e temos picos na série medida pela
média.
O gráfico da mediana da variável Net Sales or Revenues ao longo do tempo,
Figura B27, mostra o crescimento das escolhas JV e Benefício até 2007 e uma
sequência de queda, subida e queda novamente com o passar do tempo. A escolha
PPI apresentou uma tímida elevação no período, sendo que o patamar de distância das
PPI com as demais escolhas é grande. A série das médias, Figura B28, possui uma
variabilidade maior que a mediana e um comportamento de crescimento e queda no
período.
19
A variável Net Income tem comportamento parecido para as três escolhas
contábeis na série da mediana (Figura B29) e a diferença se dá na queda em 2015 para
as escolhas Benefícios e JV (que mantém a diferença praticamente constante durante
todo o período). Todas as escolhas apresentaram crescimento entre 2005 e 2007, e
uma queda nos anos 2008 e 2009, voltando a crescer em 2010. A série medida pela
média, Figura B30, apresenta algumas diferenças de comportamento nos anos finais do
estudo.
As variáveis Cresc V e Cresc LL medem o crescimento de um ano para o outro
das vendas e do lucro das empresas, respectivamente. Assim, essas variáveis são
calculadas em referência ao ano anterior e as séries começam em 2006.
Para as vendas, o crescimento é ilustrado nas Figuras B31 e B32. Na mediana
todas as escolhas tiveram um comportamento bem parecido no período, uma
acentuada queda em 2008, voltam a crescer até 2012 e depois caem e sobem
novamente em 2015. Já para a média, há várias empresas no banco de dados que
tiveram um crescimento muito alto e influenciaram a série, fazendo com que esta
tivesse um comportamento completamente diferente da mediana. Note que a escala do
primeiro gráfico varia até 20, enquanto que para a média varia até 2000. Um dos pontos
atípicos observados foi uma empresa localizada na Filipinas que teve um crescimento
na casa dos milhões e inflacionou a série.
Para o lucro, Figuras B33 e B34, as séries têm comportamento parecido, mas a
escala é diferente, para a mediana os valores variam de aproximadamente -50 a 50 e
para a média de -1000 a 1000. Em geral, os gráficos oscilam bastante até 2011 e
depois têm um comportamento constante.
A variável ROE, Figuras B35 e B36, para a mediana da variável, ambas as
escolhas têm comportamento parecido, já para a média do período, esta apresenta
comportamento completamente diferente da mediana: a série tem picos e não
apresenta uma tendência.
20
A variável ROA, Figuras B37 e B38, tem comportamento parecido para a média e
mediana. Na mediana a escolha PPI apresenta uma variabilidade maior que as outras
escolhas durante o período, porém o comportamento das três escolhas é parecido.
4.4 Variáveis de nível país
Um dos objetivos da coleta dos dados de países é a construção do cluster. A
análise a seguir vai considerar a mediana do período da variável para cada país. Ainda
assim, essas variáveis serão consideradas na construção do modelo como variável
explicativa para as escolhas contábeis, com a diferença que no modelo não será
utilizado a mediana, mas o valor coletado para cada ano do estudo.
As variáveis DH, Aversão, Individualismo, Masculinidade, Orientação e
Indulgência são variáveis que medem fatores culturais do país. A Figura B39 indica que
estas variáveis apresentam comportamento diferente para os países do estudo. Cada
variável tem uma mediana diferente, em ordem decrescente: Individualismo,
Indulgência, DH, Masculinidade, Aversão e Orientação. Não há outliers para as
variáveis, mas, por exemplo para DH e Indulgência, temos uma amplitude (diferença
entre o máximo e o mínimo) de aproximadamente 80, o que é mais alta que as demais.
Considerando o fator religião, Figura B40, com exceção dos países Kuwait,
Malásia, Nigéria e Turquia todos os demais países são predominantemente cristãos,
por predominante entenda proporção acima de 50%.
O Sistema Legal é medido por 3 variáveis. A variável qualitativa Sistema Legal
(Figura B41) tem 3 categorias (Civil Law, Common Law e Mixed). Aproximadamente
60% dos países têm sistemas legais voltados à pessoa física, seguido pelo mixed e
Common law.
As outras variáveis de sistema legal são a variável Ownership Concentration
(Figura 42) e Protecting Minority (Figura B43). Os gráficos das variáveis mostram seu
21
comportamento quando considerada a categoria do sistema legal a que o país
pertence.
Para Ownership, que mede o percentual das ações detido pelo maior acionista, a
distribuição é quase simétrica para civil law (a mediana é aproximadamente 30%). Para
o sistema mixed as observações são maiores e, portanto, a mediana é a maior do
grupo das categorias (quase 40%) e para common law os dados são bem concentrados
no valor mínimo, sendo a mediana menor que 20%.
Em relação à variável Protecting Minority na categoria civil law, o comportamento
da distribuição é similar ao comportamento da mesma categoria para a variável
Ownership Concentration, só que com a média deslocada para quase 60%. A categoria
common law, diferentemente, tem um outlier e se distribui acima dos 80%. Já o mixed
tem metade dos dados distribuídos aproximadamente na faixa dos 40 - 55%, mas tem
uma diferença maior entre a mediana e o terceiro quartil, fazendo com que o grupo
tenha uma média maior que o civil law, mas inferior à common law.
As variáveis de nível de Enforcement, conjunto das seis variáveis que juntas
mensuram a qualidade de governança do país, estão na Figura B44. Elas têm
comportamento parecido para os países, exceto pela variável Political, que tem um
outlier e apresenta um comportamento abaixo das demais. Como individualmente elas
não dizem muito, na Figura B45 é feito o boxplot para variável que considera o fatorial
das seis variáveis. Para o fatorial, a mediana está próxima de 0, e o fatorial das
observações variam entre -2 e 1. A distribuição não é simétrica, mas não há outlier.
A variável IDH, Figura B46, varia de 0 a 1. Ela apresenta média de 0,82 e mais
que 50% dos países tem índice maior que 0,87. Em geral, os países assumem valores
altos para essa variável e o outlier dessa variável, Nigéria tem valor 0,5.
A variável Domestic Credit/Market Capit (Figura B47) é um indicador em que
quanto maior o valor, maior o financiamento por instituições financeiras. A distribuição é
quase simétrica em torno da média. Em geral, os países recebem 2 vezes mais
investimento e há um outlier, Itália, que recebe 6 vezes mais. Entretanto, o mínimo da
distribuição é aproximadamente 0,3.
22
A variável Polity (Figura 48) indica o nível de democracia. O máximo da
distribuição é similar à mediana, o que significa que metade dos países tem o nível
democrático máximo. A variável possui outliers: Kuwait, Nigeria que tem
respectivamente -7 e 4.
A variável Deferido/LAIR (Figura B49) indica a influência da regulamentação
tributária nas práticas contábeis. A distribuição é quase simétrica, a diferença entre a
média e a mediana é bem pequena.
O FDI (Figura B50) é um indicador de investimento estrangeiro. A distribuição
apresenta 5 outliers: Chile (7,9), Bélgica (11,5), Irlanda (21,54), Holanda (34,9) e Hong
Kong (29,9). Os quartis parecem simétricos, a mediana é de aproximadamente 3, mas,
por conta dos outliers a média da variável é influenciada.
Na inflação que é medida pela variável Taxa (Figura B51) há dois países que têm
taxas altas, considerados outliers para a distribuição. A mediana está aproximadamente
em 2,5 e a média é um pouco mais alta.
4.5 Cluster
Para o agrupamento dos países foi utilizado apenas parte do banco de dados
fornecido pela pesquisadora. Foram selecionadas 15 variáveis sendo 14 delas
quantitativas e 1 qualitativa. São elas:
● Quantitativas: Distância Hierárquica (DH), Aversão à Incerteza, nível de
Individualismo, nível de Masculinidade, proporção de Cristianismo, proporção de
Islamismo, IDH, Sistema de Financiamento, Ownership Concentration, Protecting
Minority, Fatorial (das variáveis Enforcement), Deferido/LAIR, FDI, Taxa de inflação;
● Qualitativa: Sistema Legal.
Ao todo, são 27 observações, em que cada uma é a mediana das variáveis no
período dos 12 anos para cada país do estudo.
23
Note que algumas variáveis de nível país não estão no grupo acima. Foi definido
com a pesquisadora remover as variáveis que tinham dados faltantes.
Para melhor atender à combinação da escala da variável qualitativa com a das
quantitativas (Barroso e Artes, 2003), outros cuidados tomados antes da construção do
cluster foram:
● Criar uma variável indicadora (dummy) para cada uma das 3 categorias da
variável qualitativa;
● Padronizar todas as variáveis no intervalo [0,1]. Para isso, os dados
passaram pela transformação:
em que , são, respectivamente, o menor e o maior valor que a variável
assume.
A dissimilaridade entre os países foi calculada pela distância euclidiana cuja
distância para dois países i e k é dada por:
Assim quanto maior o valor obtido em dik, maior a distância entre os dois países.
A matriz com todas as distâncias está na Tabela A26 do Apêndice A.
Foi usado o método hierárquico de aglomeração com ligação de Ward (Johnson
e Wichern, 2008), que oferece grupos heterogêneos entre si e internamente
homogêneos.
O resultado do agrupamento é visto no dendograma da Figura 52. Por meio dele
a pesquisadora definiu os 4 grupos de países abaixo:
24
● Grupo 1: Nigéria, África do Sul, Filipinas, Hong Kong, Sri Lanka, Kuwait e
Malásia;
● Grupo 2: Turquia, Chile, Brasil, México, Alemanha, Itália, Espanha,
França, Bélgica e Polônia;
● Grupo 3: Austrália, Canadá, Irlanda, Nova Zelândia e Reino Unido;
● Grupo 4: Holanda, Finlândia, Noruega, Dinamarca e Suécia;
Uma das formas de se avaliar a qualidade de um cluster é por meio da
correlação cofenética, que é a correlação entre os valores observados na distância
euclidiana e os valores da distância predita no algoritmo de agrupamento. Para o
agrupamento descrito neste estudo o valor encontrado foi de 0,88, o que significa um
bom “ajuste” na formação dos agrupamentos, isto é, há boa homogeneidade interna e
heterogeneidade entre os grupos. Outra métrica usada é a silhueta, por meio da qual se
verifica se a distância entre um país e os elementos de seu grupo é menor que a
distância entre esse país e os elementos de outro grupo. A silhueta é calculada pela
fórmula a seguir e quanto mais perto de 1 melhor o ajuste:
Na Figura B53 temos um gráfico com esses valores. O valor médio dos grupos
foi de 0,35, sendo que os grupos tiveram, respectivamente, valores de silhueta iguais a
0,30, 0,51, 0,49 e 0,23. Para os países individualmente, o mínimo foi de 0,08 e o
máximo foi de 0,58. Os valores encontrados nas silhuetas não são tão altos como o
desejado, mas ao menos a formação dos agrupamentos de países garantiu que a
distância é maior entre os grupos que dentro do grupo.
4.5.1 Análise descritiva do cluster
25
Com base nos grupos formados no item anterior foram feitos 2 tipos de gráficos
ao longo dos 12 anos do estudo, considerando cada uma das variáveis de empresa que
foram usadas no agrupamento. O primeiro gráfico é a série da mediana dos 4 grupos
formados, já no segundo, abrimos este gráfico em 4 outros, em que cada um é a
mediana no período, mas dessa vez para cada cluster, assim as retas representam
cada país dentro de um cluster. O objetivo dessa análise é tentar entender como os
países de um mesmo grupo se comportam frente a uma variável e como é esse
comportamento quando pareado com os outros grupos. É de interesse que os países
se comportem de forma similar dentro de cada um dos grupos, mas que quando
comparado o comportamento dos 4 grupos eles sejam diferentes.
A primeira variável considerada foi MTB 2. Na Figura B54 o grupo 1 tem mediana
menor que os demais grupos em todos os anos do período, exceto no ano de 2011,
onde ele é um pouco maior que o grupo 2. A maior mediana é do grupo 3 na maioria
dos anos, sendo somente superado no ano de 2009 pelo grupo 4. Desconsiderando
essas pequenas diferenças de superação nos anos, é possível ordenar as medianas
em ordem decrescente de grupo por: grupo 3, grupo 4, grupo 2 e grupo 1. Em relação
ao comportamento ao longo do tempo, é visto uma queda no ano de 2007 em que até o
ano de 2016 ainda não se atingiu os valores antes da queda.
As Figuras B55, B56, B57 e B58 mostram os resultados indicados acima, porém
olhando agora para cada país pertencente a um grupo. A primeira coisa a se destacar é
que não há uma grande diferença entre os 4 grupos. Os grupos 2 e 4 parecem estar
mais concentrados na parte superior dos gráficos, enquanto os grupos 1 e 3 são mais
distribuídos dentro do eixo y. No grupo 1, o país Sri Lanka tem um comportamento
abaixo dos demais do grupo, assim como a Nova Zelândia no grupo 3. Note que nem
todos os países são plotados desde 2005; como já dito anteriormente, alguns países
tinham 100% de missing nos primeiros anos devido a não praticarem uma das escolhas
contábeis que estão sendo consideradas neste estudo. No geral, os países de cada
grupo se comportam de forma parecida ao longo dos anos.
A próxima variável a ser analisada é o Endividamento. Na Figura B59 é visto
novamente o grupo 1 abaixo dos demais. Nesse caso, como a variável mede a
26
proporção do endividamento, temos que as empresas desse grupo são as menos
endividadas, as proporções variam no intervalo [0,45; 0,50]. As mais endividadas são
as empresas do grupo 2 e 4. Em alguns anos as empresas mais endividadas
pertencem ao grupo 2, como por exemplo em 2009 e 2010; em outros anos é no grupo
4 onde estão as maiores endividadas, exemplos são os anos de 2013 e 2014. O grupo
3 começa com uma proporção mediana próxima dos 65% de endividamento junto com
o grupo 2 e 4, mas nos anos seguintes há uma redução na proporção de quase 10%.
Ainda sobre endividamento, nas Figuras B60, B61, B62 e B63 estão os gráficos
considerando os países de cada grupo. Os gráficos da variável parecem variar mais
entre grupos do que o da variável anterior, mas é uma variabilidade pequena. No
gráfico do grupo 1, a Nigéria tem um comportamento bem diferente dos demais países
do grupo, a mediana para ela é de quase 80% de endividamento. O Kuwait também
teve um comportamento diferente dos demais países, ele teve um alto crescimento da
proporção entre 2006 e 2009, mas depois consegue decair e termina a série de forma
similar aos outros países. No grupo 2 o comportamento é constante para todos os
países durante os 12 anos, exceto para a Polônia e a Turquia. No grupo 3, os países se
comportam de forma diferente. Na Nova Zelândia, a proporção começa abaixo de 40%
em 2008 e vai subindo ao longo da série até aproximadamente 50% de endividamento.
A Irlanda é a mais endividado do grupo. Para o grupo 4 o comportamento é constante
entre os países e ao longo do tempo. A Noruega é o país com a proporção mais alta
durante todo o período, mas a diferença para os demais países é bem pequena.
A variável Size, que mede o tamanho da empresa, é ilustrada na Figura B64, em
que temos as retas medianas para cada grupo. O grupo 1 tem empresas de tamanho
mediano menor que os demais grupos. O grupo 4 tem maiores empresas a partir de
2006. Os grupos 2 e 4 são parecidos no período, mas o grupo 4 tem empresas um
pouco maiores que o grupo 2.
Os gráficos por grupos estão nas Figuras B65, B66, B67e B68. Os quatro grupos
têm comportamento muito similar, cada país é praticamente constante ao longo dos
anos. Os crescimentos ou decaimentos são bem suaves no período para a maioria dos
países. Vale a pena observar alguns países como a Nova Zelândia no grupo 3, que tem
27
um comportamento crescente diferente dos demais do grupo, a Filipinas no grupo 1,
que tem um crescimento constante e pequeno, mas que mesmo assim quando
visualizado é grande ao se comparar com os demais do grupo. No grupo 3 as empresas
de maiores tamanhos vêm da Espanha, seguida do Brasil e México. A França, Itália,
Bélgica, Chile e Alemanha, praticamente não se alteraram no período e novamente
Turquia e Polônia têm valores menores e comportamento diferente.
Considerando agora a variável Crescimento de Vendas (CrescV), o
comportamento visto na Figura B69 é bem diferente do comportamento do mesmo tipo
de gráfico para as variáveis vistas anteriormente. As retas têm várias subidas e
descidas, e os grupos variam de posição de um ano para o outro. O grupo 1 tem menor
crescimento mediano em 2006, porém, a partir de 2007 está sempre acima dos demais.
Os demais grupos têm formato parecido, dependendo do ano um grupo ou outro se
destaca mais que os demais.
Nas Figuras B70, B71, B72 e B73 estão os gráficos por grupos de países. No
primeiro gráfico o comportamento do Kuwait é diferente dos demais do grupo. Ele tem
um alto crescimento de 2006 para 2007, mantém esse crescimento alto até 2008 e
decai em 2009 e volta a crescer em 2010, mas sem grandes subidas e passa a se
comportar da mesma forma que os demais países do grupo. A Nigéria em 2012 tem
uma mediana de crescimento de aproximadamente 30%, esse valor vai caindo até ficar
com um crescimento negativo em 2016.
A variável Crescimento do Lucro (CrescLL), Figura B74, teve comportamento
bem parecido com o observado na variável CrescV para a mediana dos grupos. Este,
porém, tem bastante sobreposição de curvas. Os grupos têm crescimento alto para o
lucro até 2008, depois decai rapidamente em 2009, volta a subir até 2010 e depois tem
um comportamento de subir e descer de ano para ano. Nenhum grupo se destaca como
sendo o com maior curva no período ou a menor.
As Figuras B75, B76, B77, B78 mostram que no grupo 1 o Kuwait tem maior
variabilidade entre os anos que os demais países de seu grupo. No grupo 2 as curvas
são entrelaçadas, caindo em 2008, subindo em 2009 e se mantendo quase constante
nos demais anos. No grupo 3, o comportamento da queda foi diferente, enquanto nos
28
demais grupos os países caíram de 2007 para 2008, neste a queda foi mais suave e
longa chegando ao pico inferior em 2009. A recuperação foi rápida em um ano e o
comportamento no restante do período foi igual aos demais grupos. O grupo 4 varia
bastante entre os anos 2008 e 2009, mas a variação é constante para todos os países
do grupo.
Para a variável ROE, que mede a rentabilidade patrimonial da empresa, na
Figura B79, o grupo 2 tem menor rentabilidade que os outros. O grupo 4 tem maior
rentabilidade entre 2005 e 2007, e depois entre 2015 e 2016. O grupo 3 tem
rentabilidade maior que os demais em 2008 e 2014 e o grupo 1 de 2009 à 2013.
Olhando as Figuras B80, B81, B82, B83, os grupos 2, 3 e 4 têm comportamento
constante no período entre seus países. No grupo 1 o Kuwait e a África do Sul têm
comportamento diferente dos demais países.
Por fim, a última variável considerada foi a ROA que mede a rentabilidade dos
ativos da empresa. Na Figura B84, o grupo 2 é novamente o que tem a menor
rentabilidade, sendo superado pelo grupo 3 em 2009 e 2015. A maior rentabilidade é do
grupo 1 e o grupo 4 varia no período, às vezes mais próximo do grupo com maior
rentabilidade e às vezes mais próximo dos de menor rentabilidade.
Nas Figuras B85, B86, B87 e B88 estão identificados os gráficos por grupo. No
grupo 2 os países se comportam de forma bem parecida durante todo o período, e não
há muita variação da mediana do período. No grupo 3 e 4 a situação é parecida, os
países se comportam de forma similar, mas durante o período ocorrem algumas
variações ao longo dos anos. O grupo 1 tem comportamento diferente para os países, o
Kuwait começa com a maior rentabilidade e termina como a segunda menor. África do
Sul, Filipinas e Hong Kong têm variabilidade razoável entre os anos, quando
comparado com os demais países do grupo.
Em geral, os países se comportam de forma parecida dentro dos grupos,
algumas vezes ocorreram países dentro do grupo 1 que se comportaram de forma
diferente. Porém, quando olhamos a escala vemos que as variações são pequenas
dentro e fora dos grupos.
29
5. Análise inferencial
Como visto na Seção 3, os dados são compostos por variáveis de nível empresa
e nível país. É importante ressaltar que cada um dos países contém um número
desbalanceado de empresas e estas também não possuem uma quantidade
balanceada de anos observados. Cada empresa está representada no estudo em
apenas um país, o seu país sede, e contém uma observação por ano de estudo. O
esquema da Figura B89 ajuda a ilustrar a hierarquia dos dados.
Um dos interesses da pesquisadora é encontrar variáveis, principalmente de
nível país, significativas. Isso pode ser averiguado sob a formulação de um modelo de
regressão logística onde a variável resposta é a escolha contábil. Para isso, serão
ajustados modelos hierárquicos mistos. A estrutura hierárquica foi escolhida pela
própria natureza aninhada dos dados, como recomenda Fávero e Belfiore (2017).
O primeiro modelo ajustado foi feito para a escolha contábil JV. A escolha se deu
por esta variável ter sofrido a intervenção do IASB, como descrito na Seção 1, e as
categorias de respostas da escolha serem binárias.
5.1. Variáveis utilizadas
Para o ajuste do modelo, a pesquisadora indicou as variáveis de maior interesse.
As variáveis preditoras consideradas foram:
● Variáveis do nível Empresa: MTB2, Endividamento1, Size, CrescV,
CrescLL, ROE, ROA, Big4, SIC_Code;
● Variáveis do nível País: Distância Hierárquica (DH), Aversão à Incerteza,
nível de Individualismo, nível de Masculinidade, Cristianismo, IDH, Domestic Credit /
Market Capitalization, Ownership Concentration, Protecting Minority, Polity,
Deferido/Lair, FDI, Taxa de inflação, Fatorial e Sistema Legal.
30
A escolha entre os dois tipos de MTB e Endividamento se deu pela matriz de
correlação das variáveis, Tabela A27, em que foi escolhida a menos correlacionada
com as demais. Por uma questão de leitura, as variáveis Domestic Credit / Market
Capitalization e Deferido/Lair serão tratadas agora por Domestic e Tax,
respectivamente.
É importante notar que o ajuste será feito considerando algumas variáveis
correlacionadas, principalmente as de país.
5.2. Modelo Hierárquico Misto
O modelo proposto para os dados é dado abaixo (Fávero e Belfiore, 2017):
com , em que i representa o país, j a empresa e k o ano
observado. Portanto pode ser interpretado como a proporção de empresas, do país
j, no ano k que apresentam Equivalência Patrimonial como prática contábil.
Como os dados são binários, no caso da regressão logística a função de ligação
adotada no modelo é a logito, definida como:
No modelo linear generalizado o logito fica definido como
em que i = 1, ..., 26, j = 1, ..., ni, k = 1, ..., mj, X é a matriz de dados das covariáveis,
β são os efeitos fixos e são os efeitos aleatórios.
31
O efeito aleatório pode ser escrito como:
é o efeito aleatório do país i, é o efeito aleatório da empresa j dentro do país i. As
suposições são que esses efeitos tenham distribuição normal, independência, média
zero e variância constantes, além de serem independentes entre si:
Por fim, é suposto que os resíduos têm distribuição normal, com média zero,
variância constante e são independentes. Para os efeitos fixos é assumido
independência.
5.3. Programas e funções utilizadas
Para ajustar o modelo desejado foram utilizadas as funções glmer da biblioteca
lme4 e glmmPQL da biblioteca MASS do pacote R.
Inicialmente o modelo foi ajustado na função glmer, que estima os coeficientes
usando a verossimilhança usual, mas, por conta da multicolinearidade das variáveis
preditoras, foram encontrados problemas no ajuste do modelo. Maiores detalhes sobre
estimação dos parâmetros de um modelo podem ser consultados em Montgomery,
Peck, e Vining (2012).
32
Alternativamente, a função glmmPQL usa um método interativo diferente para
estimar os parâmetros, a quasi-verossimilhança. Para mais detalhes sobre essa
estimação recomenda-se Wolfinger e O’Connel (1993). Com essa função foi possível
ajustar alguns dos modelos de interesse. O rápido tempo de processamento é uma
grande vantagem da função. Por outro lado, a desvantagem se dá no fato, de que por
usar quasi-verossimilhança, não é possível calcular alguns resultados úteis na escolha
de um modelo como o AIC, BIC e a Log Verossimilhança, dificultando a escolha dos
modelos. Para contornar esta dificuldade foram priorizados os modelos que
apresentaram menor variabilidade nos resíduos.
A função glmmPQL, quando combinada com a biblioteca gamlss, ainda permite
ajustar um modelo autorregressivo na estrutura dos resíduos. Esta técnica foi utilizada
para um dos ajustes realizados com a finalidade de modelar a variabilidade dos dados
ao longo dos anos.
5.4. Modelos Propostos
Foram ajustados alguns modelos para a variável resposta da escolha contábil
JV.
No primeiro modelo foi considerado o efeito principal fixo de todas as covariáveis,
incluindo aquelas mostrando grau de colinearidade, e o efeito aleatório de país e
empresa. O resultado está na Tabela A28.
As estimativas dos desvios padrões dos efeitos aleatórios de empresa e país
foram, respectivamente, . A matriz de covariâncias dos efeitos
fixos se encontra na Tabela A29 do Apêndice. Nela é possível identificar as covariáveis
que apresentam alto grau de colinearidade, por exemplo Size e MTB2.
33
O modelo ajustado conta com estimativas demasiadamente altas para os
coeficientes de algumas variáveis. A matriz de correlação entre as estimativas desses
coeficientes quebra a suposição de independência entre os efeitos e, além disso, os
desvios padrões dos efeitos aleatórios são altos. Desse modo o modelo não se ajustou
bem aos dados.
O segundo modelo considerado foi ajustado com os mesmos efeitos fixos do
ajuste anterior, a única mudança foi nos efeitos aleatórios. Era desejável considerar o
efeito aleatório para alguma variável com a finalidade de testar como o modelo se
comportava com esta nova estrutura. A covariável MTB2 foi escolhida arbitrariamente e
apenas o efeito aleatório de país foi considerado. Vale notar que sob essa formulação,
MTB2 apresenta tanto um efeito fixo quanto um efeito aleatório.
Inicialmente, o modelo de interesse da pesquisadora incluiria efeitos fixos e
aleatórios para todas as variáveis de empresa além de o intercepto incluir também uma
inclinação aleatória aos dados, como recomenda Fávero e Belfiore, 2017. O modelo
desejado mostrou-se inviável dado o número de observações e a quantidade de
parâmetros a serem estimados.
O segundo modelo foi possível de ser ajustado pois somente foi considerada
uma variável aleatória. Também foi necessário retirar o efeito aleatório de empresa,
restando apenas o efeito de país. Os resultados estão na Tabela A30.
Não é possível afirmar que o modelo teve um bom ajuste aos dados. A
suposição de independência entre os efeitos aleatórios e fixos também não pode ser
feita. A Tabela A31 contém a correlação dos efeitos fixos. A correlação entre o
intercepto e a variável MTB 2 foi de -0,987, altíssima. Tal número indica que ajustar o
efeito aleatório para a variável MTB 2 é desnecessário e prejudicial ao modelo.
Dado os problemas de multicolinearidade descritos acima, a alternativa foi a
retirada de covariáveis muito correlacionadas do modelo. Com base nas correlações
apresentadas na Tabela A27, no Apêndice A, as variáveis escolhidas para remoção
foram MTB2, DH, Aversão, Ownership, IDH, Polity e Fatorial. Deste modo, os próximo
modelos a serem ajustados não contaram com essas variáveis.
34
No terceiro modelo considerado foi repetido o ajuste do modelo 1, mas agora
sem as variáveis que mostraram colinearidade. O resultado do ajuste está na Tabela
A32.
As estimativas dos coeficientes de efeito fixo parecem melhores ajustadas do
que no primeiro modelo. Apenas os efeitos das categorias de Sistema Legal
apresentam valores ligeiramente elevados indicando que é necessária atenção neste
ponto. As estimativas dos desvios-padrões dos efeitos aleatórios também são menores,
, confirmando a melhora esperada no ajuste com a remoção das
covariáveis citadas acima. A matriz de correlação dos efeitos fixos está na Tabela A33.
Para o quarto modelo foi ajustado uma estrutura autorregressiva para os
resíduos e as mesmas covariáveis do terceiro modelo foram mantidas. O problema
neste ajuste se dá pelo fato dos dados serem desbalanceados. Quando considerado
um modelo AR(1), é esperado ter-se ao menos 2 observações ao longo do tempo. No
banco de dados utilizado há países com observações apenas no ano de 2012. Para
estes países não é possível ajustar a estrutura autorregressiva. Ainda assim, o ajuste
se encontra na Tabela A34 e a matriz de correlação na Tabela A35.
Este modelo parece ter um melhor ajuste que os outros, quando avaliado pelas
estimativas dos desvios-padrões dos efeitos aleatórios: . Estas
são menores ainda que muito semelhantes às encontradas no modelo anterior. A
função glmmPQL também calcula a estimativa para o coeficiente autorregressivo
ajustado que foi de . O ponto negativo desse ajuste são os dados
desbalanceados, que inviabilizam o modelo autorregressivo para alguns países do
banco de dados.
35
Por fim, foi ajustado um modelo considerando todas as interações entre as
variáveis de nível país e empresa. Apesar do software R não apresentar warnings ou
erros sobre a não convergência das iterações feitas pela função glmmPQL, os valores
para as estimativas apresentados apontam um claro erro no ajuste. Na Tabela A36 é
apresentado um recorte das estimativas encontradas. Os desvios-padrões dos efeitos
aleatórios não deixam margem para dúvidas:
5.5. PPI e Benefícios
As mesmas dificuldades encontradas para JV estarão presentes nas demais
escolhas contábeis por apresentarem as mesmas covariáveis. Apesar da grande
quantidade de dados na base, a quantidade de coeficientes a serem estimadas no
modelo ideal, com todas as interações entre variáveis de nível país e empresa, também
é elevada. É recomendado o ajuste do modelo com um menor número de interações e
covariáveis.
Benefícios apresenta um desafio adicional: ajustar um modelo com resposta
multinominal. Não é conhecida uma função biblioteca ou função implementada no R
que seja capaz de tal ajuste. Portanto, seria exigido um grande esforço para
implementá-la antes que qualquer ajuste possa ser feito. Para contornar o desafio é
recomendável o ajuste de uma das escolhas contábeis contra as outras duas
agrupadas, reduzindo o problema ao caso binomial, modelado neste projeto.
6. Conclusões
36
Não foi possível ajustar o modelo com todas as interações entre as variáveis de
nível empresa e país, além dos efeitos aleatórios de empresa como recomendado por
Fávero e Belfiore, 2017. O primeiro ajuste foi feito para os dados da base JV que,
inicialmente, tinha aproximadamente 25 mil observações. Após a limpeza da base e dos
missings restaram 11 mil observações e, dado que o modelo tinha um número muito
grande de coeficientes a serem estimados, não restaram observações suficientes para
viabilizar a estimação de todos.
O número de parâmetros do modelo foi reduzido e outra dificuldade surgiu: a
multicolinearidade. Algumas covariáveis foram retiradas na tentativa de diminuir o
problema, que persistiu. Retirar mais variáveis iria contra os objetivos de encontrar um
conjunto de variáveis significativas para o modelo multinível da pesquisadora.
Para as demais escolhas contábeis era esperado o mesmo tipo de problema
encontrado em JV, afinal a origem dos desafios é a quantidade de variáveis preditoras
e o grau de colinearidade entre elas. Assim, antes de tentar novos ajustes é
aconselhável atacar o problema da multicolinearidade utilizando alguma técnica para a
diminuição de dimensionalidade, ver Johnson e Wichern, 2008.
Uma sugestão para a pesquisadora seria fazer uma análise fatorial, onde se
reduziria o número de variáveis e não se perderia informação.
Outra sugestão seria remover os países que só possuem observações em
poucos anos do estudo, assim seria possível ajustar uma estrutura autorregressiva ao
modelo, já que a correlação entre os anos é alta. A análise de resíduos para modelos
logísticos não é trivial e ainda não está bem desenvolvida na literatura para modelos
logísticos com efeitos aleatórios.
37
38
APÊNDICE A - TABELAS
39
Tabela A1 - Quantidade de Empresas por escolha contábil
País Benefícios JV PPI Total
África do Sul 89 82 31 202
Alemanha 376 116 65 557
Austrália 103 158 60 321
Bélgica 64 26 25 115
Brasil 79 94 18 191
Canadá 246 124 67 437
Chile 72 41 0 113
Dinamarca 27 15 0 42
Espanha 62 48 17 127
Filipinas 222 56 29 307
Finlândia 60 32 0 92
França 382 105 57 544
Holanda 92 37 10 139
Hong Kong 74 338 78 490
Irlanda 26 14 0 40
Itália 238 83 0 321
Kuwait 0 12 40 52
Malásia 161 168 47 376
México 80 34 0 114
Nigéria 25 0 0 25
Noruega 131 48 0 179
Nova Zelândia 0 26 0 26
Polônia 58 43 19 120
Sri Lanka 69 26 12 107
Suécia 57 49 34 140
Turquia 205 38 26 269
UK 524 246 82 852
Total 3522 2059 717 6298
40
Tabela A2 - Porcentagem de missing por atividade contábil ao longo do período.
42
Tabela A3 - Porcentagem de missing dado país e ano para a escolha contábil PPI
43
Tabela A4 - Porcentagem de missing dado país e ano para a escolha contábil JV
44
Tabela A5 - Porcentagem de missing dado país e ano para a escolha contábil Benefícios
45
Tabela A6 - Porcentagem de missing por variável ao longo do tempo para a escolha PPI
46
Tabela A7 - Porcentagem de missing por variável ao longo do tempo para a escolha JV
47
Tabela A8 - Porcentagem de missing por variável ao longo do tempo para a escolha Benefícios
48
Tabela A9 – Quantidade de empresa por prática contábil ao longo do período
49
Tabela A10 – Medidas resumo da variável Total Liabilities
50
Tabela A11 – Medidas resumo da variável Total Liabilities & Shareholders’ Equity
51
Tabela A12 – Medidas resumo da variável Common Equity
52
Tabela A13 – Medidas resumo da variável Market Capitalization
53
Tabela A14 – Medidas resumo da variável MTB 1
54
Tabela A15 – Medidas resumo da variável MTB2
55
Tabela A16 – Medidas resumo da variável Total Assets
56
Tabela A17 – Medidas resumo da variável Size
57
Tabela A18 – Medidas resumo da variável Endividamento 1
58
Tabela A19 – Medidas resumo da variável Endividamento 2
59
Tabela A20 – Medidas resumo da variável Net Sales or Revenues
60
Tabela A21 – Medidas resumo da variável Net Income
61
Tabela A22 – Medidas resumo da variável CrescV
62
Tabela A23 – Medidas resumo da variável CrescLL
63
Tabela A24 – Medidas resumo da variável ROE
64
Tabela A25 – Medidas resumo da variável ROA
65
Tabela A26 – Matriz de Distâncias das Variáveis de País consideradas no Cluster
66
Tabela A27 – Matriz de correlação das variáveis
67
Tabela A28 – Ajuste no Modelo
1
68
Tabela A29 – Matriz de correlação dos coeficientes fixos do modelo 1
69
Tabela A30 – Ajuste no Modelo 2
70
Tabela A31 – Matriz de correlação dos coeficientes fixos do modelo 2
71
Tabela A32 – Ajuste no Modelo 3
72
Tabela A33 – Matriz de correlação dos coeficientes fixos do modelo 3
73
Tabela A34 – Ajuste no Modelo 4
74
Tabela A35 – Matriz de correlação dos coeficientes fixos do modelo 4
75
Tabela A36 – Ajuste no Modelo 5
76
APÊNDICE B - FIGURAS
77
Figura B1 - Porcentagem de missing para as 3 escolhas contábeis ao longo dos 12
anos
Figura B2 - Gráfico de frequências segundo as categorias de PPI ao longo dos 12 anos
78
Figura B3 - Gráfico de frequências segundo as categorias de JV ao longo dos 12 anos
Figura B4 - Gráfico de frequências segundo as categorias de Benefícios ao longo dos
12 anos
79
Figura B5 - Gráfico da frequência de empresas que utilizaram ou não umas das 4
grandes empresas de Auditoria no período
Figura B6 - Gráfico da frequência de empresas por prática contábil que utilizou uma
das 4 grandes empresas de auditoria no período
80
Figura B7 - Mediana da variável Total Liabilities no período
Figura B8 - Média da variável Total Liabilities no período
81
Figura B9 - Mediana da variável Total Liabilities & Shareholders’ Equity no período
Figura B10 - Média da variável Total Liabilities & Shareholders’ Equity no período
82
Figura B11 - Mediana da variável Common Equity no período
Figura B12 - Média da variável Common Equity no período
83
Figura B13 - Mediana da variável Market Capitalization no período
Figura B14 - Média da variável Market Capitalization no período
84
Figura B15 - Mediana da variável MTB 1 no período
Figura B16 - Média da variável MTB 1 no período
85
Figura B17 - Mediana da variável MTB 2 no período
Figura B18 - Média da variável MTB 2 no período
86
Figura B19 - Mediana da variável Total Assets no período
Figura B20 - Média da variável Total Assets no período
87
Figura B21 - Mediana da variável Size no período
Figura B22 - Média da variável Size no período
88
Figura B23 - Mediana da variável Endividamento 1 no período
Figura B24 - Média da variável Endividamento 1 no período
89
Figura B25 - Mediana da variável Endividamento 2 no período
Figura B26 - Média da variável Endividamento 2 no período
90
Figura B27 - Mediana da variável Net Sales or Revenues no período
Figura B28 - Média da variável Net Sales or Revenues no período
91
Figura B29 - Mediana da variável Net Income no período
Figura B30 - Média da variável Net Income no período
92
Figura B31 - Mediana da variável Cresc V no período
Figura B32 - Média da variável Cresc V no período
93
Figura B33 - Mediana da variável Cresc LL no período
Figura B34 - Média da variável Cresc LL no período
94
Figura B35 - Mediana da variável ROE no período
Figura B36 - Média da variável ROE no período
95
Figura B37 - Mediana da variável ROA no período
Figura B38 - Média da variável ROA no período
96
Figura B39 - Box Plot das variáveis culturais de países
Figura B40 - Proporção da religião em cada país
97
Figura B41 - Proporção das categorias de sistema legal
Figura B42 - Box Plot das porcentagens de Ownership Concentration para as 3
categorias de Sistema Legal
98
Figura B43 - Box Plot das porcentagens de Protecting Minority para as 3 categorias de
Sistema Legal
Figura B44 - Box Plot das seis variáveis de enforcement
99
Figura B45 - Box Plot da variável Fatorial
Figura B46 - Box Plot da variável IDH
100
Figura B47 - Box Plot da variável Domestic Credit/Market Capit
0
Figura B48 - Box Plot da variável Polity
101
Figura B49 - Box Plot da variável Deferido/LAIR
Figura B50 - Box Plot da variável FDI
102
Figura B51 - Box Plot da variável Taxa percentual anual de inflação
103
Figura B52 – Dendrograma do agrupamento formado para os países
104
Figura B53 – Gráfico de silhueta dos países
105
Figura B54 – Série das medianas da variável MTB2 para os grupos formados
106
Figura B55 – Série das medianas da
variável MTB2 para os países do grupo 1
Figura B57 – Série das medianas da
variável MTB2 para os países do grupo 3
Figura B56 – Série das medianas da
variável MTB2 para os países do grupo 2
Figura B58 – Série das medianas da
variável MTB2 para os países do grupo 4
107
Figura B59 – Série das medianas da variável Endividamento para os grupos formados
108
Figura B60 – Série das medianas da
variável Endividamento para os países do grupo 1
Figura B62 – Série das medianas da
variável Endividamento para os países do grupo 3
Figura B61 – Série das medianas da
variável Endividamento para os países do grupo 2
Figura B63 – Série das medianas da
variável Endividamento para os países do grupo 4
109
Figura B64 – Série das medianas da variável Size para os grupos formados
110
Figura B65 – Série das medianas da
variável Size para os países do grupo 1
Figura B67 – Série das medianas da
variável Size para os países do grupo 3
Figura B66 – Série das medianas da
variável Size para os países do grupo 2
Figura B68 – Série das medianas da
variável Size para os países do grupo 4
111
Figura B69 – Série das medianas da variável CrescV para os grupos formados
112
Figura B70 – Série das medianas da
variável CrescV para os países do grupo 1
Figura B72 – Série das medianas da
variável CrescV para os países do grupo 3
Figura B71 – Série das medianas da
variável CrescV para os países do grupo 2
Figura B73 – Série das medianas da
variável CrescV para os países do grupo 4
113
Figura B74 – Série das medianas da variável CrescLL para os grupos formados
114
Figura B75 – Série das medianas da
variável CrescLL para os países do grupo 1
Figura B77 – Série das medianas da
variável CrescLL para os países do grupo 3
Figura B76 – Série das medianas da
variável CrescLL para os países do grupo 2
Figura B78 – Série das medianas da
variável CrescLL para os países do grupo 4
115
Figura B79 – Série das medianas da variável ROE para os grupos formados
116
Figura B80 – Série das medianas da
variável ROE para os países do grupo 1
Figura B82 – Série das medianas da
variável ROE para os países do grupo 3
Figura B81 – Série das medianas da
variável ROE para os países do grupo 2
Figura B83 – Série das medianas da
variável ROE para os países do grupo 4
117
Figura B84 – Série das medianas da variável ROA para os grupos formados
118
Figura B85 – Série das medianas da
variável ROA para os países do grupo 1
Figura B87 – Série das medianas da
variável ROA para os países do grupo 3
Figura B86 – Série das medianas da
variável ROA para os países do grupo 2
Figura B88 – Série das medianas da
variável ROA para os países do grupo 4
119
Figura B89 – Estrutura dos dados
120
Top Related