Monitoria Sessão 4. Verônica Santana FEA-USP 25/04/2017

Transcrição

1 Monitoria Sessão 4 Verônica Santana FEA-USP 25/04/ Endogeneidade Por enquanto, focaremos nossa análise no ano de Importando os dados, selecionando as variáveis apenas para 2014 e calculando os accruals discricionários absolutos: # Importanto a base dadosfull.csv: dados <- read.csv("dadosfull.csv", header=t, sep=";") head(dados, 3) Ticker Year Country Industry Law CA CL Cash STD Dep TA Rev 1 ASX:1PG 2005 Australia SIC:Mining CommonLaw NA NA NA NA NA NA NA 2 ASX:1PG 2006 Australia SIC:Mining CommonLaw NA NA NA NA NA NA NA 3 ASX:1PG 2007 Australia SIC:Mining CommonLaw NA NA NA NA NA NA NA Rec PPE NetInc OpInc MktCap Equity TDebt CFO CreditSize TAcc X1 X2 X3 1 NA NA NA NA NA NA NA NA NA NA NA NA 2 NA NA NA NA NA NA NA NA NA NA NA NA 3 NA NA NA NA NA NA NA NA NA NA NA NA ROA MTB SIZE LEV LOSS 1 NA NA NA NA 0 2 NA NA NA NA 0 3 NA NA NA NA 0 dados14 <- subset(dados, Year==2014) # Calculando os accruals discricionários: modacc <- lm(tacc ~ X1 + X2 + X3-1 + factor(industry), data = dados14, na.action = na.exclude) # Factor Industry é para incluir dummies de setor no cálculo dos accruals. # Este é um procedimento comum na literatura. summary(modacc) Call: lm(formula = TAcc ~ X1 + X2 + X3-1 + factor(industry), data = dados14, na.action = na.exclude) Residuals: Min 1Q Median 3Q Max

2 Coefficients: Estimate Std. Error t value Pr(> t ) X e-12 X X < 2e-16 factor(industry)sic:agriculture factor(industry)sic:construction factor(industry)sic:finance factor(industry)sic:manufacturing factor(industry)sic:mining factor(industry)sic:publicutil factor(industry)sic:retail factor(industry)sic:services factor(industry)sic:wholesale X1 *** X2 * X3 *** factor(industry)sic:agriculture factor(industry)sic:construction factor(industry)sic:finance factor(industry)sic:manufacturing factor(industry)sic:mining. factor(industry)sic:publicutil factor(industry)sic:retail factor(industry)sic:services factor(industry)sic:wholesale --- Signif. codes: 0 '***' '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Residual standard error: on 1440 degrees of freedom (193 observations deleted due to missingness) Multiple R-squared: 0.162,Adjusted R-squared: F-statistic: 23.2 on 12 and 1440 DF, p-value: < 2.2e-16 library(lmtest) Warning: package lmtest was built under R version Loading required package: zoo Attaching package: zoo The following objects are masked from package:base : as.date, as.date.numeric library(sandwich) coeftest(modacc, vcov=vcovhc(modacc, "HC1")) t test of coefficients: Estimate Std. Error t value Pr(> t ) X

3 X X factor(industry)sic:agriculture factor(industry)sic:construction factor(industry)sic:finance factor(industry)sic:manufacturing factor(industry)sic:mining factor(industry)sic:publicutil factor(industry)sic:retail factor(industry)sic:services factor(industry)sic:wholesale X1 ** X2 ** X3 * factor(industry)sic:agriculture factor(industry)sic:construction. factor(industry)sic:finance factor(industry)sic:manufacturing factor(industry)sic:mining. factor(industry)sic:publicutil factor(industry)sic:retail. factor(industry)sic:services factor(industry)sic:wholesale * --- Signif. codes: 0 '***' '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 dados14$ada <- abs(resid(modacc)) head(dados14, 3) Ticker Year Country Industry Law CA CL Cash STD 8 ASX:1PG 2014 Australia SIC:Mining CommonLaw NA NA NA NA 19 ASX:3PL 2014 Australia SIC:Services CommonLaw ASX:88E 2014 Australia SIC:Mining CommonLaw Dep TA Rev Rec PPE NetInc OpInc MktCap Equity TDebt CFO 8 NA NA NA NA NA NA NA NA NA NA CreditSize TAcc X1 X2 X3 ROA NA NA NA NA MTB SIZE LEV LOSS ADA 8 NA NA NA 0 NA tail(dados14, 3) Ticker Year Country Industry Law CA CL SNSE:SONDA 2014 Chile SIC:Services FrenchLaw SNSE:VAPORES 2014 Chile SIC:PublicUtil FrenchLaw SNSE:VSPT 2014 Chile SIC:Manufacturing FrenchLaw Cash STD Dep TA Rev Rec PPE NetInc OpInc MktCap Equity

4 TDebt CFO CreditSize TAcc X1 X X3 ROA MTB SIZE LEV LOSS ADA Relembrando o modelo de interese: ADA i = x iβ + u i ; (1) ADA i = β 0 + β 1 ROA i + β 2 MT B i + β 3 SIZE i + β 4 LEV i + β 5 CF O i + β 6 LOSS i + u i. (2) Estimando a equação (2) via OLS: empmodel <- lm(ada ~ ROA + MTB + SIZE + LEV + CFO + LOSS, data = dados14, na.action = na.exclude) summary(empmodel) Call: lm(formula = ADA ~ ROA + MTB + SIZE + LEV + CFO + LOSS, data = dados14, na.action = na.exclude) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) 2.135e e < 2e-16 *** ROA e e e-09 *** MTB 2.065e e SIZE e e e-14 *** LEV 2.362e e e-14 *** CFO 2.606e e LOSS 5.985e e ** --- Signif. codes: 0 '***' '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Residual standard error: on 1380 degrees of freedom (258 observations deleted due to missingness) Multiple R-squared: ,Adjusted R-squared: F-statistic: on 6 and 1380 DF, p-value: < 2.2e-16 library(lmtest) library(sandwich) coeftest(empmodel, vcov = vcovhc(empmodel, "HC1")) t test of coefficients: 4

5 Estimate Std. Error t value Pr(> t ) (Intercept) e e e-09 *** ROA e e MTB e e SIZE e e e-06 *** LEV e e * CFO e e * LOSS e e ** --- Signif. codes: 0 '***' '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Os resultados sugerem que empresas maiores gerenciam menos resultado, e que empresas mais alavancadas, que geram mais fluxos de caixa operacionais e que apresentaram prejuízos gerenciam mais seus lucros. Sob as premissas: OLS.1: E [ x u ] = 0 OLS.2: Posto de E [ x x ] = k, os estimadores β obtidos através dos Mínimos Quadrados Ordinários (OLS) da equação (2) estão identificados e mostram o efeito causal de cada variável x (características das firmas) em y (gerenciamento de resultado). Isto é, a interpretação do parágrafo anterior, sob OLS.1 e OLS.2, é de causalidade. Por exemplo, maior alavancagem causa maior manipulação de resultado. A premissa OLS.1 é a premissa de exogeneidade. Por essa premissa, as variáveis do vetor x são não correlacionadas com o termo de erro. Portanto, qualquer variável omitida no modelo é não correlacionada com as explicativas. Neste modelo, y é a variável endógena e x são as variáveis exógenas. O quão realista é esta premissa? 1.1 Fontes de Endogeneidade Dechow et al (1995) discutem na seção II de seu artigo (p ) as deficiências estatísticas de um modelo empírico para testar a existência de gerenciamento de resultado, especialmente no que diz respeito ao erro de mensuração e a variáveis omitidas. 1. Erros de Mensuração: A fonte mais óbvia de erro de mensuração é na própria variável dependente ADA i. O erro de mensuração em ADA i está incluso em u. Se este erro for correlacionado com alguma das variáveis em x, estas variáveis serão endógenas. É possível que, por exemplo, os accruals discricionários estejam sistematicamente superestimados devido a uma variável omitida no modelo usado para apurar os accruals discricionários. A separação entre o que é e o que não é discricionário pode ser muito sutil. 2. Variáveis Omitidas: É fácil pensar em variáveis omitidas no modelo (portanto contidas em u) que são correlacionadas com alguma das variáveis em x. A literatura aponta vários incentivos que as empresas têm para ser transparentes (e portanto gerenciar menos resultado) como, por exemplo, o nível de internacionalização e variáveis relacioadas à governança corporativa destas empresas, como características do Conselho de Administração e concentração de propriedade. É possível obter pelo menos proxies para estes exemplos e incluí-las no modelo (retirando-as do termo de erro). Mas outras variáveis já são mais complicadas, como a cultura da empresa e a qualidade da gestão. 5

6 Dechow et al (1995) discutem três problemas associados à endogeneidade causada pela existência de erro de mensuração e de variáveis omitidas. Sendo o modelo estimado ADA i = ˆβ 0 + ˆβ 1 x + e i, onde x é a variável de interesse, isto é, a variável que hipotetizamos causar o gerenciamento de resulado, e e i é um termo de erro que inclui o erro de mensuração de ADA i e as variáveis omitidas. Como OLS.1 é violada, o estimador ˆβ 1 é viesado, sendo a direção do viés do mesmo sinal que a correlação entre x e o erro de mensuração e as variáveis omitidas, ambos representados por µ no artigo. As possíveis consequências deste viés, segundo os autores, são: (a) Atribuir o gerenciamento de resultado incorretamente à x: se o coeficiene β verdadeiro for zero, ˆβ 1 será enviesado e aparecerá significativo com sinal positivo ou negativo (dependendo da correlação com µ), aumentando a probabilidade de cometer o erro do tipo I. (b) Extrair de forma não intencional o gerenciamento de resultados causado por x: se o parâmetro verdadeiro β 1 for diferente de zero e o viés for no sinal oposto, ˆβ 1 vai aparecer não significativo, aumentando a probabilidade de cometer o erro do tipo II. Dependendo do tamanho do viés, ˆβ 1 também pode aparecer em sinal oposto que o verdadeiro. (c) Teste com baixo poder: Se as variáveis omitidas no modelo não forem correlacionadas com x, ˆβ 1 obtido via OLS será consistente. Porém, a omissão de variáveis explicativas importantes do modelo gera problemas de eficiêcia, o que infla o erro-padrão de ˆβ 1, aumentando a probabilidade de cometer o erro do tipo II. 3. Simultaneidade: A terceira fonte de endogeneidade é a simultaneidade. Se a variável de interesse for, por exemplo, a alavancagem da empresa, é possível pensar na causalidade entre o gerenciamento de resultado e a alavancagem nos dois sentidos. Por exemplo, é possível argumentar que empresas mais alavancadas gerenciam mais resultado para evitar a violação de seus covenants. Assim, as empresas gerenciam mais resultado porque são mais alavancadas. Mas é também possível argumentar que empresas que gerenciam mais resultado conseguem obter mais empréstimos porque apresentam resultados mais desejados, onde o credor não é capaz de identificar a manipulação. Assim, as empresas são mais alavancadas porque gerenciam mais resutaldo. 6