CEA USP RAE 18P08 RELATÓRIO DE ANÁLISE ESTATÍSTICA …

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


71


72


73


74


75


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







107

Figura B59 – Série das medianas da variável Endividamento para os grupos formados

108


variável Endividamento para os países do grupo 1







109

Figura B64 – Série das medianas da variável Size para os grupos formados

110


variável Size para os países do grupo 1







111

Figura B69 – Série das medianas da variável CrescV para os grupos formados

112


variável CrescV para os países do grupo 1







113

Figura B74 – Série das medianas da variável CrescLL para os grupos formados

114


variável CrescLL para os países do grupo 1







115

Figura B79 – Série das medianas da variável ROE para os grupos formados

116


variável ROE para os países do grupo 1







117

Figura B84 – Série das medianas da variável ROA para os grupos formados

118


variável ROA para os países do grupo 1







119

Figura B89 – Estrutura dos dados

120

Documents

CEA USP RAE 18P08 RELATÓRIO DE ANÁLISE ESTATÍSTICA …