quarta-feira, 5 de abril de 2017

Avaliando os modelos lineares de value relevance com regressão quantílica

Recentemente fiz um post aqui no blog falando sobre como estimar a regressão quantílica. Fiz até um vídeo-tutorial que vocês podem acessar clicando aqui.

No artigo "Avaliando Modelos Lineares de Value Relevance: Eles Captam o que Deveriam Captar?", eu, Filipe Duarte e Edilson Paulo analisamos a qualidade e o impacto dos modelos de value relevance das informações financeiras através da regressão quantílica, comparando com a regressão em OLS.

O resumo pode ser acessado abaixo e o artigo completo poderá ser acessado clicando aqui.

RESUMO
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.


ABSTRACT
This study aimed to investigate the quality and impact of value relevance models of financial information using quantile regression (QR) compared to the ordinary least squares (OLS) methods. Following the principles and foundations of Ohlson (1995), Feltham and Ohlson (1995) and Ohlson and Kim (2015), it was possible to use a comparison parameter between models for evaluating the relevance of accounting information. Therefore, we applied two tests (A and B), with two models each as in Ohlson and Kim (2015), one with the dependent variable as net income in the following period and, second, as company market value in the current period. Given this theme, quantile regression showed to be more efficient and have less possibilities for estimation errors than OLS, at least under the strict conditions of this work. Therefore, we recommend the estimation of quantile regression in models that use accounting and financial information, since heteroscedasticity and outliers are commonly found in these types of data, and because this estimation method is less sensitive and more robust to such conditions typically displayed by the data of this research field. 

Key words: value relevance; quantile regression; OLS.

2 comentários:

  1. Parabéns pelo estudo!
    O mesmo está sendo referenciado em um estudo que estou fazendo.
    Obrigado pelas dicas e orientações professor!

    ResponderExcluir
    Respostas
    1. Obrigado, Josemberg. Depois quero ver esse trabalho aí!

      Excluir

Related Posts Plugin for WordPress, Blogger...