Avaliando Modelos Lineares de Value Relevance: Eles Captam o que Deveriam Captar?

Neste artigo nós avaliamos o impacto da utilização da regressão quantílica nos modelos que buscam mensurar a qualidade da informação contábil.

Nosso argumento é que a regressão quantílica produz resultados melhores do que os modelos lineares, como OLS, com ajustes: winsorização, ponderamento das variáveis (scale) e outros tratamentos para heterogeneidade e outliers.

O artigo está aprovado (ahead of print) na RAC (clique aqui).

O resumo pode ser lido abaixo:

Este trabalho teve como objetivo investigar a qualidade e o impacto dos modelos de value relevance das informações financeiras através da regressão quantílica (QR) em comparação com o método de estimação ordinary least squares (OLS). Seguindo os princípios e fundamentos de Ohlson (1995), Feltham e Ohlson (1995) e Ohlson e Kim (2015), foi possível utilizar um parâmetro de comparação entre os modelos de avaliação da relevância da informação contábil. Para tanto, foram aplicados dois testes (A e B), com dois modelos cada, assim como em Ohlson e Kim (2015), um com a variável dependente lucro líquido no período seguinte e, o segundo, com o valor de mercado da firma no período atual. Diante dessa temática, a regressão quantílica se mostra mais eficiente e com menos possibilidades de erros de estimação do que o método OLS, pelo menos sob as condições restritas deste trabalho. Portanto, é recomendável o emprego da estimação por meio de regressão quantílica nos modelos que utilizam informações contábeis e financeiras, uma vez que heterocedasticidade e outliers são comumente encontrados nesses tipos de dados, pois esse método de estimação é menossensível e maisrobusto àstais condições normalmente apresentadas pelos dados deste campo de pesquisa. 

Palavras-chave: value relevance; regressão quantílica; OLS.