BBR - Brazilian Business Review

E-ISSN: 1807-734X
bbronline@bbronline.com.br
FUCAPE Business School
Brasil

Lopes Fvero, Luiz Paulo

Dados em painel em contabilidade e finanas: teoria e aplicao
BBR - Brazilian Business Review, vol. 10, nm. 1, enero-marzo, 2013, pp. 131-156
FUCAPE Business School
Vitria, Brasil

Disponvel em: http://www.redalyc.org/articulo.oa?id=123025719006

Como citar este artigo

Nmero completo
Mais artigos
Home da revista no Redalyc

Sistema de Informao Cientfica

Rede de Revistas Cientficas da Amrica Latina, Caribe , Espanha e Portugal
Projeto acadmico sem fins lucrativos desenvolvido no mbito da iniciativa Acesso Aberto

v.10, n.1
Vitria-ES, jan.-. mar. 2013
p. 131 - 156 ISSN 1807-734X

Dados em painel em contabilidade e finanas: teoria e aplicao

Luiz Paulo Lopes Fvero
Universidade de So Paulo

RESUMO
A utilizao de modelos que envolvam dados longitudinais em contabilidade e finanas tem
sido recorrente. No entanto verifica-se uma falta de cuidado quanto aos critrios para a adoo
de um modelo em detrimento de outro, bem como a ausncia de uma discusso mais
detalhada sobre os possveis estimadores a serem estudados em cada situao. Este artigo tem
por objetivo apresentar, de forma conceitual e aplicada, os principais estimadores de dados em
painel que podem ser utilizados nessas reas do conhecimento, bem como auxiliar na
definio do modelo mais consistente a ser adotado, em funo das caractersticas dos dados.
Para um painel curto, so discutidos os modelos POLS com erros-padro robustos
clusterizados, com estimador between, efeitos fixos, efeitos fixos com erros-padro robustos
clusterizados, efeitos aleatrios e efeitos aleatrios com erros-padro robustos clusterizados.
J para um painel longo, so discutidos os modelos com efeitos fixos, efeitos aleatrios,
efeitos fixos com termos de erro AR(1), efeitos aleatrios com termos de erro AR(1), POLS
com erros AR(1) e Pooled FGLS com erros AR(1). Este artigo tambm tem por propsito
aplicar tais modelos em um caso real, com base nos dados da Compustat Global. Ao final, so
apresentadas as principais rotinas para a aplicao de cada um dos modelos em Stata.
Palavras-Chave: Dados em painel; contabilidade; finanas; mtodo de estimao.

Recebido em 02/05/2011; aceito em 26/02/2012; divulgado em 26/03/2013.

*Autor para correspondncia:

. Professor Livre-Docente da Universidade de So Paulo.

Vnculo: Professor Livre-Docente da Universidade de So Paulo
Endereo: Av. Professor Luciano Gualberto, 908, FEA 3, sala 211Cidade Universitria, So Paulo/SP.
E-mail: Ipfavero@usp.br
Telefone: (11)3091-5820

Nota do Editor: Esse artigo foi aceito por Bruno Funchal

Este trabalho foi licenciado com uma Licena Creative Commons - Atribuio 3.0 No Adaptada.
.

131

132
Fvero

1 INTRODUO
cada vez mais crescente e importante a utilizao de modelos que envolvam
dados provenientes de vrias cross-sections ao longo do tempo (dados em

painel) em contabilidade e finanas. Como muitos dados de empresas,

municpios ou pases so divulgados periodicamente, o pesquisador
convidado, naturalmente, a aplicar modelos longitudinais para o estudo de
fenmenos que sofrem influncia das diferenas entre os indivduos e da
prpria evoluo temporal.
Segundo Marques (2000), a principal vantagem da utilizao de modelos de

dados em painel refere-se ao controle da heterogeneidade individual, ou seja, possibilidade

de se medirem separadamente os efeitos gerados por conta de diferenas existentes entre cada
observao em cada cross-section, alm de ser possvel avaliar a evoluo, para um dado

indivduo, das variveis em estudo ao longo do tempo.

Por outro lado, ainda de acordo com Marques (2000), os dados em painel providenciam
uma maior quantidade de informao, maior variabilidade dos dados, menor colinearidade
entre as variveis, maior nmero de graus de liberdade e maior eficincia na estimao. A
incluso da dimenso em cross-section, num estudo temporal, confere uma maior
variabilidade aos dados, na medida em que a utilizao de dados agregados resulta em sries
mais suaves do que as sries individuais que lhes servem de base. Esse aumento na
variabilidade dos dados contribui para a reduo de uma eventual colinearidade existente
entre variveis.
Seguindo Lima (2007), desde Balestra e Nerlove (1966), vrios estudos tm sido
publicados com a utilizao de dados em painel, merecendo destaque os trabalhos de
Anderson e Hsiao (1982), Bhargava, Franzini e Narendranathan (1982), Bhargava e Sargan
(1983), Baltagi e Griffin (1984), Holtz-Eakin, Newey e Rosen (1988), Breusch, Mizon e
Schmidt (1989), Maddala (1993), Islam (1995), Ahn e Schmidt (1997), Krishnakumar e
Ronchetti (2000), Hsiao (2003), Arellano (2003), Frees (2004), Baltagi (2008), Mtys e
Sevestre (2008), e Wooldridge (2010).
Marques (2000) faz uma importante contribuio, uma vez que, alm de apresentar os
principais conceitos referentes aos modelos de dados em painel, elabora uma comparao
entre os diferentes estimadores utilizados por diversos autores em estudos com dados micro e
macroeconmicos.

BBR, Vitria, v. 10, n. 1, Art. 6, p. 131 - 156, jan.-mar. 2013

www.bbronline.com.br

133
Dados em Painel em Contabilidade e Finanas: Teoria e Aplicao

Em contabilidade e finanas, por outro lado, ainda incipiente a utilizao de modelos

que levem em considerao os aspectos longitudinais dos fenmenos contbeis e financeiros.
No Brasil, merecem destaque os trabalhos de Pimentel (2006), Souza (2006), Lima, Lima,
Fvero e Galdi (2007), Coelho (2007), Nakamura, Martin, Forte, Carvalho Filho, Costa e
Amaral (2007), Carneiro e Sherris (2008), Lima (2009), Bastos e Nakamura (2009), Almeida
(2010), Malacrida, Lima, Fvero e Lima (2010) e Fvero e Sotelino (2011).
No entanto verifica-se ainda, nessa rea, uma falta de cuidado quanto aos critrios para
a adoo de um modelo em detrimento de outro, bem como a ausncia de uma discusso mais
detalhada sobre os possveis estimadores a serem estudados em cada situao. Em outras
palavras, a utilizao de dados em painel em contabilidade e finanas , por vezes, elaborada
sem que haja uma preocupao mais profunda com a escolha do melhor modelo a ser
utilizado, ou seja, pouco tem sido discutido sobre a adequao do uso da tcnica e sobre a
definio dos melhores estimadores. Nesse sentido, merecem destaque os recentes trabalhos
de Pimentel (2009) e de Jones, Kalmi e Mkinen (2010).
Este artigo tem como objetivo apresentar, de forma conceitual e estruturada, os
principais estimadores de dados em painel que podem ser utilizados em contabilidade e
finanas, bem como auxiliar na definio do modelo mais consistente a ser adotado, em
funo das caractersticas dos dados. Ademais, tem por propsito aplicar tais modelos em um
caso real, com base nos dados da Compustat Global. Ao final, so apresentadas as principais
rotinas para a aplicao de cada um dos modelos em Stata, uma vez que se entende que tais
procedimentos podem propiciar uma melhor relao entre teoria e prtica, alm de facilitar a
implementao dos modelos em pesquisas futuras.
Dessa forma, o presente estudo no tem por intuito sugerir a aplicao de dados em
painel em uma determinada situao, visto que isso depende, fundamentalmente, da questo
de pesquisa e dos dados disposio do pesquisador. O intuito, caso seja esta a tcnica a ser
utilizada, de auxiliar na aplicao correta, com vistas determinao de modelos mais
adequados realidade e voltados tomada de deciso.
A Seo 1 traz uma reviso conceitual dos principais estimadores de dados em painel e
faz uma distino entre os modelos em painel curto (com um nmero de indivduos maior do
que o perodo de anlise) e em painel longo (com o nmero de perodos maior do que o
nmero de indivduos em estudo). A Seo 2 apresenta uma aplicao dos principais modelos
apresentados e discute o procedimento de definio do melhor modelo por meio da anlise
dos resultados obtidos. Por fim, a Seo 3 destina-se s consideraes finais.
BBR, Vitria, v. 10, n. 1, Art. 6, p. 131 - 156, jan.-mar. 2013

www.bbronline.com.br

134
Fvero

2 MODELOS DE DADOS EM PAINEL

Existem muitos modelos diferentes que podem ser utilizados para dados em painel. A
distino bsica entre eles, segundo Greene (2007), a existncia de efeitos fixos ou
aleatrios. O termo efeitos fixos d uma ideia equivocada da modelagem, pois para ambos
os casos, os efeitos no nvel do indivduo (firmas, entidades governamentais ou pases, por
exemplo) so aleatrios. Assim, segundo Cameron & Trivedi (2009), os modelos de efeitos
fixos apresentam a complicao adicional de que os regressores sejam correlacionados com os
efeitos do nvel do indivduo e, portanto, uma estimao consistente dos parmetros do
modelo requer uma eliminao ou controle dos efeitos fixos. Assim, um modelo que leva em
conta os efeitos especficos do indivduo para uma varivel dependente yit especifica que:

y it = 0i + x' it 1 + it

(1)

Em que xit so regressores, 0i so os efeitos aleatrios especficos de indivduo e it

representa o erro idiossincrtico.
Com o termo do erro sendo it = 0i + it and xit correlacionado com o termo de erro
invariante no tempo (0i), assume-se que xit no correlacionado com o erro idiossincrtico
it. O modelo de efeitos fixos implica que E(yit|0i, xit) = 0i + xit1, assumindo-se que
E(yit|0i, xit) = 0, de modo que j = E(yit|0i, xit)/xj,it. A vantagem do modelo de efeitos fixos
que pode ser obtido um estimador consistente do efeito marginal do j-simo regressor de
E(yit|0i, xit), dado que xj,it varia no tempo.
No modelo de efeitos aleatrios, por outro lado, assume-se que 0i puramente
aleatrio, ou seja, no correlacionado com os regressores. A estimao, portanto,
elaborada com um estimador FGLS (feasible generalized least squares). A vantagem do
modelo de efeitos aleatrios que este estima todos os coeficientes, mesmo dos regressores
invariantes no tempo, e, portanto, os efeitos marginais. Ademais, E(yit|xit) pode ser estimado.
Porm a grande desvantagem que estes estimadores so inconsistentes se o modelo de
efeitos fixos for mais apropriado.
Conforme j discutido, a varivel dependente e os regressores podem potencialmente
variar simultaneamente ao longo do tempo e entre indivduos. Enquanto a variao, ao longo
do tempo ou para um dado indivduo, conhecida por within variance, a variao entre
indivduos chamada de between variance. De acordo com Wooldridge (2010), no modelo de
efeitos fixos, o coeficiente de um regressor com baixa variao within ser imprecisamente
BBR, Vitria, v. 10, n. 1, Art. 6, p. 131 - 156, jan.-mar. 2013

www.bbronline.com.br

135
Dados em Painel em Contabilidade e Finanas: Teoria e Aplicao

estimado e no ser identificado se no houver qualquer within variance. Assim, de

fundamental importncia a distino entre essas variaes para a definio do melhor modelo
de dados em painel.
A variao total das observaes de um regressor x em torno da mdia geral
x = 1/ i Ti i t x it no conjunto de dados pode ser decomposta na soma da variao
within ao longo do tempo para cada indivduo em torno de x i = 1/T t x it e na variao
between entre indivduos (para x i em torno de x ). De acordo com Cameron & Trivedi
(2009):
Varincia Within: s 2xW =

1
2

i t (x it x i + x )
i Ti 1

Varincia Between: s 2xB =

Varincia Geral: s 2xO =

1
2

i (x i x )
N 1

1
2

i t (x it x )
i Ti 1

As notaes N e iTi correspondem, respectivamente, ao nmero de indivduos e ao

nmero total de observaes ao longo do tempo. Quando da apresentao da aplicao de
dados em painel neste artigo, sero apresentadas e discutidas as varincias de cada um dos
regressores.
Ainda de acordo com Cameron & Trivedi (2009), os estimadores dos parmetros 1 de
um modelo de efeitos fixos para a equao (1) eliminam os efeitos fixos 0i, ou seja,
elaborada uma transformao within pela diferenciao de mdias. Dessa forma, uma
estimao within elabora uma modelagem com os dados diferenciados em torno da mdia, e
no se pode estimar um coeficiente de um regressor sem variao ao longo do tempo. Assim,
os efeitos fixos 0i na equao (1) podem ser eliminados pela subtrao das mdias de cada
indivduo y i = x'i 1 + i no modelo correspondente, resultando o modelo within, ou modelo
de diferenas de mdia:

(y it y i ) = (x it - x i )' 1 + ( it i )

(2)

1
Em que x i = Ti t =1 x it e o estimador within o estimador OLS (ordinary least
Ti

squares) desse modelo. De acordo com Cameron & Trivedi (2009), pelo fato de 0i ter sido
BBR, Vitria, v. 10, n. 1, Art. 6, p. 131 - 156, jan.-mar. 2013

www.bbronline.com.br

136
Fvero

eliminado, o estimador OLS oferece estimativas consistentes de 1, mesmo se 0i for

correlacionado com xit, como o caso do modelo de efeitos fixos.
O estimador between utiliza somente a variao entre indivduos (cross-sections) e o
estimador OLS de uma regresso de y i em funo de x i , apresentada a seguir (equao (3)).
Por levar em considerao apenas as variaes cross-section nos dados, o coeficiente de
qualquer regressor que seja invariante entre indivduos no pode ser identificado.

y i = 0 + x'i 1 + ( 0i - 0 + i )

(3)

A consistncia desse estimador requer que o termo do erro ( 0i - 0 + i ) no seja

correlacionado com xit, o que ocorre quando 0i for um efeito aleatrio, mas no quando for
um efeito fixo. Segundo Hsiao (2003), esse estimador raramente utilizado, pois os
estimadores de efeitos aleatrios acabam sendo mais consistentes.
O estimador de efeitos aleatrios, por outro lado, um estimador FGLS na equao (1).
Assim, o modelo de efeitos aleatrios o modelo de efeitos individuais:

y it = x' it 1 + ( 0i + it )

(4)

2
2
Com 0i ~ (0, ) e it ~ (0, ). Desta forma, o termo de erro it = 0i + it is

correlacionado ao longo do tempo t, para uma dada observao i, com correlao:

corr( it , is ) = 2 /( 2 + 2 ) , para todo s t

(5)

O estimador de efeitos aleatrios o estimador FGLS de da equao (4), dadas as

correlaes dos erros da equao (5).
Segundo Cameron & Trivedi (2009), em modelos com erros heterocedsticos e
autocorrelacionados, o estimador GLS (generalized least squares) pode ser calculado como
um estimador OLS, em um modelo que tenha erros no correlacionados homocedsticos,
obtido de (4) por uma transformao linear apropriada. No caso do modelo de efeitos
aleatrios da equao (4), tal modelo transformado dado pela equao (6).

(y it i y i ) = (1 i ) 0 + (x it - i x i )' 1 + {(1 i ) 0i + ( it i i )}

BBR, Vitria, v. 10, n. 1, Art. 6, p. 131 - 156, jan.-mar. 2013

www.bbronline.com.br

(6)

137
Dados em Painel em Contabilidade e Finanas: Teoria e Aplicao

Um estimador FGLS obtido substituindo-se i, que dado por uma estimativa

consistente indicada por:

i = 1 2 /(Ti 2 + 2 )

(7)

O estimador de efeitos aleatrios ser consistente e completamente eficiente se o

modelo de efeitos aleatrios for apropriado, porm ser inconsistente se o modelo de efeitos
fixos for apropriado, uma vez que a correlao entre xit e 0i resulta numa correlao entre os
regressores e o termo do erro na equao (6). Da mesma forma, ainda segundo Cameron &
Trivedi (2009), se no ocorrerem efeitos fixos, ento o estimador de efeitos aleatrios ser
consistente, mas ineficiente e, portanto, uma estimao com erros-padro robustos
clusterizados deveria ser obtida.
A expresso da estimativa por mnimos quadrados generalizados factveis de um
coeficiente de regresso do modelo (1), supondo-se efeitos aleatrios, torna-se igual da
estimativa do mesmo coeficiente em um modelo de efeitos fixos (estimao within) se i = 1.

2.1 Painel Curto

Se no ocorrerem efeitos fixos mas os erros demonstrarem correlao dentro do
painel, ento o estimador de efeitos aleatrios ser consistente mas ineficiente e, portanto,
uma estimao com erros-padro robustos clusterizados dever ser obtida. Dessa forma, para
um painel curto, em que T < N, uma estimao com erros-padro robustos clusterizados pode
ser obtida considerando-se a premissa de que os erros so independentes entre indivduos e
que N, ou seja, que (it, js) = 0 para i j, que E(it, is) no seja restrita e que it seja
heterocedstico.
De acordo com Cameron e Trivedi (2009), o passo inicial para a aplicao de um
modelo com dados em painel a aplicao de um modelo POLS (pooled ordinary least

squares), que assume que os regressores sejam exgenos e que o termo de erro seja it, em
vez da decomposio i + it. Portanto:
y it = 0 + x' it 1 + it

BBR, Vitria, v. 10, n. 1, Art. 6, p. 131 - 156, jan.-mar. 2013

(8)

www.bbronline.com.br

138
Fvero

Os parmetros desse modelo so estimados por meio de OLS, mas a inferncia requer
que haja controle da correlao within do erro it para um dado indivduo, a ser elaborado
utilizando-se erros-padro robustos com agrupamento no nvel do indivduo.

2.2 Painel Longo

Para dados em painel longo, ou seja, com muitos perodos para um nmero
relativamente menor de indivduos, os efeitos individuais 0i podem ser incorporados em xit
como variveis dummy para cada perodo, de acordo com o seguinte modelo:

y it = 0i + t + x' it 1 + it

(9)

de modo a haver muitos efeitos de tempo yt (efeitos mensais, trimestrais ou anuais, por
exemplo). Um modelo pooled, para T > N, em que os regressores xit contemplam o intercepto,
o efeito temporal e, possivelmente, um vetor de variveis de indivduo, pode ser escrito como:

y it = x' it 1 + it

(10)

Como T maior do que N, passa a ser necessria a especificao de um modelo que

considere a existncia de correlao serial do erro (Beck e Katz, 1995). Dessa forma, para
dados em painel longo, os modelos pooled com mtodos de estimao OLS (POLS) e FGLS
passam a ser mais adequados, j que permitem a utilizao de um modelo AR(1) para it ao
longo do tempo, em que it seja heterocedstico (Hoechle, 2007). Assim:

it = i i, t -1 + it

(11)

Em que os termos it so no correlacionados no tempo, porm com correlao entre

indivduos diferente de zero (corr(it, is) = ts).
Alternativamente incluso de um vetor de variveis dummy para cada perodo, estimase, finalmente, um modelo de efeitos individuais com termos de erro AR(1), que representa
um modelo melhor do que aquele que considera os termos de erro i.i.d. Assim:

y it = 0i + x' it 1 + it

(12)

Logo, segundo Cameron & Trivedi (2009), esse modelo, potencialmente, gerar
estimativas dos parmetros mais eficientes. Nesse caso, dada a estimativa de na equao
(11), primeiramente, elimina-se o efeito do erro AR(1) e, na sequncia, elimina-se o efeito
BBR, Vitria, v. 10, n. 1, Art. 6, p. 131 - 156, jan.-mar. 2013

www.bbronline.com.br

139
Dados em Painel em Contabilidade e Finanas: Teoria e Aplicao

individual por meio da aplicao da diferena de mdias. Assim, a modelagem pode

considerar 0i como um efeito fixo ou um efeito aleatrio.
Aps a apresentao dos modelos de dados em painel, explicita-se que este trabalho
aplicar dez diferentes tipos de modelagens, a fim de propiciar um melhor entendimento dos
diversos tipos de estimadores e das suas condies de uso, bem como apresentar modelos para
o estudo do comportamento dos retornos dos preos de aes de empresas listadas em bolsas
de valores de pases da Amrica Latina, em uma perspectiva longitudinal. O quadro 1
apresenta esses dez diferentes tipos de modelos. No apndice, encontram-se as rotinas para a
aplicao de cada um destes modelos no software Stata.
Modelo

Descrio

y it = 0 + x' it 1 + it
POLS com Erros-Padro Robustos Clusterizados

Estimao OLS com controle da correlao within

do erro it ao longo do tempo.

y i = 0 + x ' i 1 + ( 0i - 0 + i )
O estimador between somente utiliza a variao
Modelo com Estimador Between

das cross-sections e o estimador OLS de uma

regresso de y i em funo de x i . A consistncia
desse estimador requer que o termo de erro

( 0i - 0 + i ) no seja correlacionado com xit.

y it = 0i + x' it 1 + it
Efeitos Fixos

Os parmetros 0i podem ser correlacionados com

os regressores xit, o que permite uma forma
limitada de endogeneidade. Assume-se que xit no
correlacionado com o erro idiossincrtico it

y it = 0i + x' it 1 + it
Os termos 0i podem ser correlacionados com os
Efeitos Fixos com Erros-Padro Robustos
Clusterizados

regressores xit, o que permite uma forma limitada

de endogeneidade. Assume-se que os erros sejam
independentes entre indivduos e que it seja
heterocedstico.

BBR, Vitria, v. 10, n. 1, Art. 6, p. 131 - 156, jan.-mar. 2013

www.bbronline.com.br

140
Fvero

y it = x' it 1 + ( 0i + it )
Os
Efeitos Aleatrios

parmetros

idiossincrtico

0i

it

so

os

termos

de

erro

independentes

identicamente distribudos (i.i.d.). O estimador de

efeitos aleatrios o FGLS de 1, dado que

corr( it , is ) = 2 /( 2 + 2 ) .
y it = x' it 1 + ( 0i + it )
Se no houver efeitos fixos, mas os erros
Efeitos Aleatrios com Erros-Padro Robustos
Clusterizados

apresentarem correlao within, o estimador de

efeitos aleatrios consistente, porm ineficiente.
Portanto,

erros-padro

robustos

clusterizados

precisam ser obtidos.

y it = 0i + x' it 1 + it
Efeitos Fixos com Termos de Erro AR(1)

Com

it = i i, t -1 + it . Considera-se 0i como

sendo um efeito fixo.

y it = 0i + x' it 1 + it
Efeitos Aleatrios com Termos de Erro AR(1)

Com

it = i i, t -1 + it . Considera-se 0i como

sendo um efeito aleatrio.

y it = 0i + t + x' it 1 + it
it = i i, t -1 + it , em que os it so

Pooled com Mtodo de Estimao OLS e Termos de

Com

Erro AR(1)

serialmente

no

correlacionados,

mas

com

correlao entre indivduos igual a corr (it, it) = =

ts 0

y it = 0i + t + x' it 1 + it
Pooled com Mtodo de Estimao FGLS e Termos de
Erro AR(1)

Similar ao modelo pooled com mtodo de

estimao OLS, mas com estimador FGLS.

Quadro 1: Modelos de Dados em Painel a Serem Estimados

3 UMA APLICAO

BBR, Vitria, v. 10, n. 1, Art. 6, p. 131 - 156, jan.-mar. 2013

www.bbronline.com.br

141
Dados em Painel em Contabilidade e Finanas: Teoria e Aplicao

Aps uma discusso acerca dos principais estimadores de dados em painel, apresenta-se
uma aplicao em contabilidade financeira.
Como muitos dos dados contbeis e financeiros apresentam periodicidade de divulgao
mensal, trimestral ou anual, comum que os estudos nessas reas utilizem modelos de dados
em painel curto, j que o nmero de indivduos (empresas, por exemplo), ultrapassa o nmero
de perodos de divulgao dos dados. Por outro lado, nada impede que o pesquisador baseie
seu estudo numa amostra de empresas de apenas um determinado setor, ou utilize dados com
frequncia de divulgao maior (diria, por exemplo), o que poderia ocasionar uma
modelagem com dados em painel longo. De qualquer maneira, fundamental que a
identificao dessa caracterstica da base de dados seja feita de forma anterior modelagem
propriamente dita. No presente artigo, sero utilizadas duas bases de dados, sendo a primeira
em painel curto e a segunda em painel longo.
Inicialmente, uma base da Compustat Global contendo dados sobre a rentabilidade de
aes de 473 companhias provenientes de 7 pases da Amrica Latina (Argentina, Brasil,
Chile, Colmbia, Mxico, Peru e Venezuela), ao longo de 118 meses (1998-2007),
totalizando 28.257 observaes, ser utilizada para o estudo de um painel curto. Na sequncia,
um estrato da base anterior, sorteado aleatoriamente, ser utilizado, com dados de apenas 40
empresas, tambm no perodo de 118 meses, totalizando 4.720 observaes, com vistas ao
estudo do painel longo.
No perodo analisado, muitas companhias apresentaram taxas de crescimento
expressivas nos preos das aes em um ou mais meses. Foram considerados, portanto,
apenas retornos mensais inferiores a 100%. Por meio do grfico 1, possvel verificar que
esses retornos apresentam comportamentos similares ao longo do tempo, ainda que existam
diferenas nas mdias e nas inclinaes entre sries individuais.

BBR, Vitria, v. 10, n. 1, Art. 6, p. 131 - 156, jan.-mar. 2013

www.bbronline.com.br

142
Fvero

Grfico 1: Evoluo dos Retornos Mensais dos Preos das Aes na Amrica Latina

Cada ponto no grfico 1 representa um par retorno do preo da ao-ms. Esse

comportamento sugere a elaborao de modelos longitudinais, j que os regressores podem
variar entre companhias e ao longo do tempo, conforme ser apresentado e discutido adiante.
Enquanto o grfico 2 apresenta a variao dos retornos mensais dos preos das aes ao longo
do tempo para cada companhia, ou seja, mostra os desvios do retorno em relao mdia
individual de cada companhia (within variation), o grfico 3 apresenta a variao dos retornos
mensais entre as empresas, ou seja, mostra os desvios dos retornos mensais dos preos das
aes das empresas em relao mdia geral para cada instante de tempo (between variation).

Grfico 2: Desvios dos Retornos Mensais em Relao Mdia de Cada Empresa ao Longo do
Tempo (Within Variation)
BBR, Vitria, v. 10, n. 1, Art. 6, p. 131 - 156, jan.-mar. 2013

www.bbronline.com.br

143
Dados em Painel em Contabilidade e Finanas: Teoria e Aplicao

Grfico 3: Desvios dos Retornos Mensais em Relao Mdia Geral para Cada Instante de Tempo
(Between Variation)

Nessa aplicao, a utilizao da base da Compustat Global utilizada com o intuito de

verificar se a razo preo-fluxo de caixa mais significante do que a razo preo-lucro por
ao para influenciar os retornos mensais dos preos das aes de companhias na Amrica
Latina ao longo do tempo. De acordo com Kennon (2010), como alguns investidores preferem
utilizar o fluxo de caixa a fazer uso do lucro por ao para a avaliao dos preos das aes,
uma vez que argumentam que, enquanto o primeiro no facilmente manipulado, o mesmo
no pode ser dito em relao ao segundo, essa aplicao propicia uma investigao sobre o
assunto, sob uma perspectiva longitudinal e com o uso de diversos estimadores.
Como discutido, 10 diferentes modelos de dados em painel sero elaborados, com
diferentes consideraes sobre os estimadores e os termos de erro. O modelo geral dado por:
retorno it = 0i + 1 .(pcf) it + 2 .(pe) it + it

(13)

Em que 1 e 2 representam as mudanas no retorno do preos da ao quando uma

unidade da razo preo-fluxo de caixa (pcf) ou da razo preo-lucro por ao (pe) ocorre,
respectivamente, ceteris paribus.
A seguir, sero discutidos os resultados das modelagens, tanto para um painel curto,
quanto para um painel longo.

BBR, Vitria, v. 10, n. 1, Art. 6, p. 131 - 156, jan.-mar. 2013

www.bbronline.com.br

144
Fvero

3.1 Modelos para Dados em Painel Curto

Como a amostra, neste caso, oferece dados de 473 empresas em 118 meses, o painel
pode ser considerado curto (T < N).
A tabela 1 apresenta a decomposio de varincia para cada um dos regressores.
Tabela 1: Estatsticas do Painel Curto e Decomposio de Varincia
Varivel

Decomposio

Mdia

Desvio-Padro

Mnimo

Mximo

Observaes

geral
N.T = 28.257
id (empresa)

between
N = 473
within

0,000

geral

35,492

1,000

118,000

between

33,315

1,500

118,000

within

26,489

-5,398

145,188

geral

0,141

-0,999

1,000

0,036

-0,134

0,414

within

0,139

-0,986

1,027

geral

246,040

-19.841,38

10.594,7

212,442

-2.168,16

3.363,81

within

221,678

-17.665,97

7.238,13

geral

212,550

-5.790,53

12.251,82

228,033

-2.872,58

3.889,48

176,068

-4.521,99

8.375,30

N.T = 28.257
t (ms)

N = 473

N.T = 28.257
var_y (retorno)

between

0,013

N = 473

N.T = 20.224
var_x1 (pcf)

between

7,246

N = 361

N.T = 27.816
var_x2 (pe)

between

12,965

N = 463
within

De acordo com a tabela 1, nota-se que a ao invariante no tempo e, portanto,

apresenta variao within igual a zero. Por outro lado, a varivel referente ao tempo (ms) no
invariante entre empresas, j que se trata de um painel desbalanceado e, portanto, a sua
variao between, mesmo sendo menor do que a within, no igual a zero. Das demais
variveis, apenas a pcf apresenta maior variao entre indivduos (between) do que ao longo
do tempo (within), porm ainda no possvel afirmar que a estimao within resultar numa
perda de eficincia, j que a proporo entre as varincias within e between de cada varivel
diferente e ainda no se conhecem as significncias estatsticas de cada um delas nos modelos.
A tabela 1, todavia, oferece um maior embasamento para a adoo dos modelos de dados em
painel e a aplicao de diversos estimadores. As colunas Mnimo e Mximo apresentam,
BBR, Vitria, v. 10, n. 1, Art. 6, p. 131 - 156, jan.-mar. 2013

www.bbronline.com.br

145
Dados em Painel em Contabilidade e Finanas: Teoria e Aplicao

respectivamente, os valores mnimos e mximos de xit para a linha geral, x i para a linha
between e (x it x i + x ) para a linha within.
A tabela 2 apresenta os resultados dos modelos considerando 6 diferentes estimadores.
Tabela 2: Modelos de Dados em Painel Curto

Efeitos
Fixos

Efeitos Fixos
com ErrosPadro
Robustos
Clusterizados

Efeitos
Aleatrios

Efeitos
Aleatrios com
Erros-Padro
Robustos
Clusterizados

1,24x10-5

2,15x10-5*

2,15x10-5*

1,68x10-5*

1,68x10-5*

(5,93x10-6)

(1,32x10-5)

(4,96x10-6)

(5,74x10-6)

(4,62x10-6)

(5,19x10-6)

-1,09x10-5

-5,59x10-7

-1,28x10-5

-1,28x10-5

-1,16x10-5

-1,16x10-5

(6,19x10-6)

(1,1x10-5)

(6,05x10-6)

(5,16x10-6)

(5,13x10-6)

(4,54x10-6)

0,013*

0,009*

0,013*

0,013*

0,011*

0,011*

(1,04x10-3)

(2,11x10-3)

(1,03x10-3)

(5,23x10-5)

(1,59x10-3)

(1,17x10-3)

N.T

20.224

20.224

20.224

20.224

20.224

20.224

6,0x10-4

R (geral)

4,0x10-4

6,0x10-4

6,0x10-4

6,0x10-4

6,0x10-4

R (between)

3,1x10-4

1,0x10-3

1,0x10-3

1,0x10-3

1,0x10-3

R (within)

8,0x10-4

2,1x10-3

2,1x10-3

1,5x10-3

1,5x10-3

Wald

14,06

10,83

sig.

0,001

0,004

Varivel

POLS com
Erros-Padro
Robustos
Clusterizados

Estimador
Between

1,52x10-5*
pcf

pe

constante

5,12

0,73

9,57

7,10

sig. F

0,006

0,483

0,000

0,001

Obs.: Erros-Padro entre parnteses.

*sig. < 0,05.
Como pode ser observado, os coeficientes estimados variam de modelo para modelo, o
que reflete a existncia de resultados diferentes se as variaes within ou between forem
utilizadas.
Primeiramente, verifica-se, em relao adequao dos modelos, que o vetor de
regressores apresenta significncia estatstica em todos os casos, exceo do modelo com
estimador between (sig. F para os modelos POLS, between e com efeitos fixos e sig. Wald 2

BBR, Vitria, v. 10, n. 1, Art. 6, p. 131 - 156, jan.-mar. 2013

www.bbronline.com.br

146
Fvero

para os modelos com efeitos aleatrios). Como as estatsticas R2 so consideravelmente

baixas, esses modelos no so relativamente adequados para propsitos de previso. Um
resultado importante, porm, relaciona-se com a existncia de maiores valores para os R2

within em todos os modelos em que essa estatstica calculada. Tendo-se por base as
expresses de cada uma das estatsticas R2
R2 geral: 2 {(y it y i ), (x'it x'i )}
R2 between: 2 (y i , x' i )
R2 within: 2 (y it , x'it )
Em que 2(x,y) representa correlao quadrtica entre x e y. Nota-se que os estimadores

within explicam melhor a variao within em todos os modelos, mesmo aqueles com efeitos
aleatrios.
Nota-se ainda que a varivel pe no estatisticamente significante (sig. > 0,05) nos
modelos apresentados, na presena da varivel pcf. Esta ltima, com exceo do modelo com
estimador between, significante para explicar o comportamento dos retornos dos preos das
aes (sig. < 0,05), confirmando o argumento de alguns analistas em favor do uso dessa
varivel.
Com relao varivel pcf, verifica-se que os erros-padro nos modelos de efeitos fixos
e efeitos aleatrios com erros-padro robustos clusterizados so maiores do que os respectivos
modelos sem esta considerao. Os regressores estimados nos modelos POLS e between
oferecem erros-padro ainda maiores, mesmo com a varivel pcf sendo estatisticamente
significante (sig. < 0,05) no modelo POLS.
O Teste LM de Breusch-Pagan, aplicado aps a modelagem de efeitos aleatrios, auxilia
na rejeio da hiptese nula de que h adequao do modelo POLS em relao ao modelo de
efeitos aleatrios, j que 2 = 70,7 (sig. 2 = 0,000). Na sequncia, por meio do teste F de
Chow, a hiptese nula de que h igualdade de interceptos e inclinaes para todas as
companhias (POLS) rejeitada. Portanto, esses parmetros diferem daqueles obtidos por meio
do modelos de efeitos fixos, j que F = 2,34 (sig. F = 0,000). Finalmente, o teste de Hausman
para efeitos fixos auxilia na rejeio da hiptese nula de que o modelo de efeitos aleatrios
oferece estimativas dos parmetros mais consistentes, j que, para este caso, 2 = 17,07 (sig.
2 = 0,000).

BBR, Vitria, v. 10, n. 1, Art. 6, p. 131 - 156, jan.-mar. 2013

www.bbronline.com.br

147
Dados em Painel em Contabilidade e Finanas: Teoria e Aplicao

Segundo Islam (1995), a principal utilidade da modelagem de dados em painel a sua

habilidade em permitir que diferenas ocorram entre pases, o que faz com que os resultados
sejam significativamente diferentes daqueles obtidos por meio de regresses isoladas para
cada pas. Na tabela 3, os coeficientes de regresso so apresentados para cada um dos pases
da amostra.
Tabela 3: Coeficientes por Pas
Pas

pcf

constante

Argentina

-1,97x10-5

0,006

Brasil

-1,63x10-5

0,018

Chile

2,08 x10-5

0,007

Colmbia

9,07x10-6

0,015

Mxico

-2,66x10-5

0,007

Peru

8,75x10-5

0,016

Venezuela

1,32x10-4

0,010

Obs.: Varivel Dependente: Retorno Mensal do Preo da Ao.

Embora a razo preo-fluxo de caixa seja mais significante para explicar os retornos dos
preos de aes nos pases da Amrica Latina, a tabela 3 revela a existncia de diferentes
influncias. Os diferentes coeficientes e sinais da varivel pcf e da constante expressam a
importncia de se considerar a modelagem de dados em painel e propiciam a formulao de
pesquisas futuras sobre as razes econmicas pelas quais os pases apresentam diferentes
comportamentos nos preos das aes de suas companhias ao longo do tempo.

3.2 Modelos para Dados em Painel Longo

Para este caso, como a amostra oferece dados de 40 empresas ao longo de 118 meses, o
painel pode ser considerado longo (T > N). Dessa forma, como a influncia temporal
bastante importante em sries longas, modelos de efeitos fixos e aleatrios sero tambm
aplicados com a considerao de componentes autorregressivos (AR(1)) para os resduos, o
que pode resultar em parmetros com estimativas mais eficientes para painis longos.
Assim como elaborado para o painel curto, a tabela 4 apresenta a decomposio de
varincia para cada um dos regressores do painel longo.

BBR, Vitria, v. 10, n. 1, Art. 6, p. 131 - 156, jan.-mar. 2013

www.bbronline.com.br

148
Fvero

Tabela 4: Estatsticas do Painel Longo e Decomposio de Varincia

Varivel

Decomposio

Mdia

Desvio-Padro

Mnimo

Mximo

Observaes

geral
N.T = 4.720
id (empresa)

between
N = 40
within

0,000

geral

34,066

1,000

118,000

between

0,000

60,500

60,500

within

34,066

1,000

118,000

geral

0,144

-0,662

0,899

0,005

0,005

0,022

within

0,144

-0,656

0,896

geral

22,261

-264,68

107,37

5,106

-3,262

10,906

within

21,682

-270,274

101,776

geral

66,362

-536,13

735,86

12,089

1,365

40,972

65,279

-537,894

734,095

N.T = 4.720
t (ms)

N = 40

N.T = 4.720
var_y (retorno)

between

0,012

N = 40

N.T = 4.720
var_x1 (pcf)

between

5,312

N = 40

N.T = 4.720
var_x2 (pe)

between

14,488

N = 40
within

Aqui, propositadamente, foram escolhidas 9 empresas de modo que a varivel referente

ao tempo (ms) fosse invariante, ou seja, que o painel fosse balanceado e, portanto, que sua
variao between fosse igual a zero. Todas as demais variveis apresentaram menor variao
entre indivduos (between) do que ao longo do tempo (within), porm tambm no possvel
afirmar que a estimao between resultar numa perda de eficincia.
Da mesma forma que o realizado para o painel curto, a tabela 5 apresenta os resultados
dos modelos, considerando tambm 6 diferentes estimadores.

BBR, Vitria, v. 10, n. 1, Art. 6, p. 131 - 156, jan.-mar. 2013

www.bbronline.com.br

149
Dados em Painel em Contabilidade e Finanas: Teoria e Aplicao

Tabela 5: Modelos de Dados em Painel Longo

Varivel

Efeitos Fixos

Efeitos
Aleatrios

Efeitos
Fixos com
Erros
AR(1)

Efeitos
Aleatrios
com Erros
AR(1)

Pooled OLS
com Erros
AR(1)

Pooled
FGLS com
Erros AR(1)

-5,68x10-5

-7,55x10-5

-5,77x10-5

-6,49x10-5

-7,13x10-5

-1,49x10-4

(9,74x10-5)

(9,45x10-5)

(4,32x10-5)

(4,88x10-5)

(2,36x10-4)

(1,97x10-4)

-8,42x10-5*

-9,11x10-5*

-7,88x10-5*

-8,58x10-5*

-8,90x10-5

-8,63x10-5

(3,24x10-5)

(3,17x10-5)

(1,70x10-5)

(2,32x10-5)

(6,90x10-5)

(6,07x10-5)

0,014*

0,014*

0,013*

0,014*

0,014

0,013

(2,23x10-3)

(2,22x10-3)

(2,20x10-3)

(2,21x10-3)

(8,22x10-3)

(7,24x10-3)

4.720

4.720

4.680

4.720

4.720

4.720

pcf

pe

constante

N.T

1,8x10-3

R
R (geral)
R (between)
R (within)

1,9x10-3

1,9x10-3

1,9x10-3

1,9x10-3

0,494

0,504

0,462

0,499

1,5x10-3

1,5x10-3

1,2x10-3

1,5x10-3

3,59

2,88

sig. F

0,027

0,050

Wald

9,00

7,87

1,72

2,57

sig.

0,011

0,048

0,422

0,276

Obs.: Erros-Padro entre parnteses.

*sig. < 0,05.

De acordo com a tabela 5, possvel verificar que os coeficientes estimados tambm

variam entre os modelos. Primeiramente, nota-se a existncia de erros-padro bem superiores
nos modelos de efeitos fixos e aleatrios (mais de 100%) em comparao com aqueles
reportados pelos respectivos modelos com efeitos AR(1) nos termos de erro. Esse fato talvez
tenha ocorrido pela natureza do painel em anlise, ou seja, pelo fato de ser longo.
Porm, mesmo permitindo-se que os termos de erro sejam correlacionados entre
companhias, nota-se que no houve, nesse caso, uma reduo dos erros-padro dos modelos

pooled com estimadores OLS e FGLS em comparao com aqueles obtidos, anteriormente,
por meio dos modelos de efeitos fixos e aleatrios com termos de erro AR(1).
Em relao adequao dos modelos propriamente ditos, nota-se a significncia
estatstica do conjunto de variveis nos casos em que foram considerados efeitos fixos ou
BBR, Vitria, v. 10, n. 1, Art. 6, p. 131 - 156, jan.-mar. 2013

www.bbronline.com.br

150
Fvero

aleatrios, com ou sem termos de erro AR(1). Como apresentado quando da elaborao dos
modelos para o painel curto, embora haja relativa importncia das estatsticas R2 para efeitos
de predio, seus valores no so consideravelmente elevados nos modelos em anlise.
Os modelos de efeitos fixos e aleatrios oferecem uma alternativa, para dados em painel
longo, em que so considerados os efeitos individuais com termos de erro AR(1), e
representam melhores modelos do que aqueles que consideram os termos de erro i.i.d., o que
poder gerar estimativas dos parmetros mais eficientes. De fato, os modelos de efeitos fixos
e aleatrios com termos de erro AR(1) apresentam erros-padro da ordem de 30% a 50%
menores do que aqueles obtidos pelos respectivos modelos sem a considerao de termos de
erro AR(1).
O teste de Hausman aplicado aos modelos de efeitos fixos e aleatrios com termos de
erro AR(1) auxilia na rejeio da hiptese nula de que o modelo com efeitos aleatrios
oferece estimativas consistentes dos parmetros, j que, nesse caso, 2 = 10,50 (sig. 2 =
0,005).
Por fim, importante mencionar que, nesse caso, os resultados parecem estar
contrariando aqueles obtidos para o painel curto, ou seja, a varivel pcf no estatisticamente
significante (sig. > 0,05) na presena da varivel pe, que se apresenta com sinal negativo.
Porm, como as empresas consideradas neste caso so provenientes apenas de Argentina,
Brasil e Mxico, uma investigao mais detalhada sobre as razes econmicas subjacentes a
esse fenmeno precisa ser elaborada. Como os sinais negativos dos parmetros dos
regressores esto condizentes com aqueles apresentados na tabela 3 para os referidos pases,
ressalta-se ainda mais a importncia da aplicao correta dos modelos em painel para o estudo
das diferenas existentes entre indivduos e ao longo do tempo para um determinado
fenmeno.

4 CONCLUSES E RECOMENDAES
Modelos de dados em painel possibilitam que o pesquisador avalie a relao entre
alguma varivel de desempenho e diversas variveis preditivas, permitindo que se elaborem
inferncias sobre as eventuais diferenas entre indivduos e ao longo do tempo sobre a
evoluo daquilo que se pretende estudar. Dadas as suas caractersticas, natural que muitas
pesquisas em contabilidade e finanas venham a fazer uso de tais modelos, uma vez que
muitos dados so publicados com determinada periodicidade para empresas, municpios,
estados ou pases.

BBR, Vitria, v. 10, n. 1, Art. 6, p. 131 - 156, jan.-mar. 2013

www.bbronline.com.br

151
Dados em Painel em Contabilidade e Finanas: Teoria e Aplicao

Para tanto, necessrio, assim como para qualquer outra tcnica economtrica, que a
aplicao venha acompanhada de rigor metodolgico e de certos cuidados quando da anlise
dos resultados, principalmente se estes tiverem como objetivo a elaborao de previses. A
adoo de determinado estimador, em detrimento de outro considerado viesado ou
inconsistente, pode auxiliar o pesquisador na escolha do melhor modelo, valorizando a sua
pesquisa e propiciando novos estudos sobre o tema escolhido.
No presente artigo, procurou-se elaborar seis diferentes modelos para um especfico
painel curto, e outros seis para um painel longo. Os dados, em ambos os casos, foram
provenientes da Compustat Global. Segundo Makino, Isobe e Chan (2004), trabalhos prvios
tm utilizado modelagens longitudinais para se estudar a variabilidade de variveis de
desempenho entre firmas ou pases ao longo do tempo, com pesquisas empricas
desenvolvidas em diversas reas do conhecimento. Porm no comum que se encontrem
estudos aplicados a mercados de aes, considerando diferenas entre economias emergentes.
A anlise da contribuio da razo preo-fluxo de caixa e da razo preo-lucro por ao
sobre os retornos mensais de aes de pases emergentes possibilita que seja incrementada a
discusso sobre como diferem os comportamentos dos mercados em pases considerados
emergentes. Porm essa abordagem foi adotada apenas como exemplo dentro de um objetivo
maior, que foi o de apresentar como os diferentes estimadores podem gerar resultados
inconsistentes, quando da elaborao de modelos de dados em painel, e o de auxiliar o
pesquisador para a escolha do modelo mais adequado, tanto no caso de um painel curto,
quanto no de um painel longo.
O presente artigo pretende contribuir apenas com uma parte das inmeras pesquisas que
podem surgir. Modelos cujas variveis de desempenho estejam apresentadas na forma de

dummy, com dados censurados ou com dados de contagem apresentam estimadores

consistentemente diferentes e, consequentemente, rotinas especficas em softwares como o
Stata. Tais modelos no foram discutidos neste artigo. Espera-se, portanto, que essa discusso
seja inicial e ganhe importncia em contabilidade e finanas, dada a vastido de
possibilidades de pesquisa.

REFERNCIAS
AHN, S. C.; SCHMIDT, P. Efficient estimation of dynamic panel data models: alternative
assumptions and simplified estimation. Journal of Econometrics, v. 76, n. 1-2, p. 309-321,
1997.

BBR, Vitria, v. 10, n. 1, Art. 6, p. 131 - 156, jan.-mar. 2013

www.bbronline.com.br

152
Fvero

ALMEIDA, J. E. F. Qualidade da informao contbil em ambientes competitivos. 2010.

174 f. Tese (Doutorado em Controladoria e Contabilidade) Faculdade de Economia,
Administrao e Contabilidade, Universidade de So Paulo.
ANDERSON, T. W.; HSIAO, C. Formulation and estimation of dynamic models using panel
data. Journal of Econometrics, v. 18, n. 1, p. 47-82, 1982.
ARELLANO, M. Panel data econometrics: advanced texts in econometrics. New York:
Oxford University Press, 2003.
BALESTRA, P.; NERLOVE, M. Pooling cross section and time series data in the estimation
of a dynamic model: the demand for natural gas. Econometrica, v. 34, n. 3, p. 585-612, 1966.
BALTAGI, B. H. Econometric analysis of panel data. 4. ed. New York: John Wiley and
Sons, 2008.
BALTAGI, B. H.; GRIFFIN, J. M. Short and long run effects in pooled models.
International Economic Review, v. 25, n. 3, p. 631-645, 1984.
BASTOS, D. B.; NAKAMURA, W. T. Determinantes da estrutura de capital das companhias
abertas no Brasil, Mxico e Chile no perodo 2001-2006. Revista Contabilidade e Finanas,
v. 20, n. 50, p. 75-94, 2009.
BECK, N.; KATZ, J. N. What to do (and not to do) with time-series cross-section data.
American Political Science Review, v. 89, n. 3, p. 634-647, 1995.
BHARGAVA, A.; FRANZINI, L.; NARENDRANATHAN, W. Serial correlation and the
fixed effects model. Review of Economic Studies, v. 49, n. 4, p. 533-549, 1982.
BHARGAVA, A.; SARGAN, J. D. Estimating dynamic random effects models from panel
data covering short time periods. Econometrica, v. 51, n. 6, p. 1635-1659, 1983.
BREUSCH, T. S.; MIZON, G. E.; SCHMIDT, P. Efficient estimation using panel data.
Econometrica, v. 57, n. 3, p. 695-700, 1989.
CAMERON, A. C.; TRIVEDI, P. K. Microeconometrics using Stata. College Station: Stata
Press, 2009.
CARNEIRO, L. A. F.; SHERRIS, M. Corporate interest rate risk management with
derivatives in Australia: empirical results. Revista Contabilidade e Finanas, v. 19, n. 46, p.
86-107, 2008.
COELHO, A. C. D. Qualidade informacional e conservadorismo nos resultados contbeis
no Brasil. 2007. 240 f. Tese (Doutorado em Controladoria e Contabilidade) Faculdade de
Economia, Administrao e Contabilidade, Universidade de So Paulo.
FVERO, L. P. L.; SOTELINO, F. B. Elasticities of stock prices in emerging markets. In:
BATTEN, J. A.; SZILAGYI, P. G (Ed.) The impact of the global financial crisis on
emerging financial markets. Emerald Group Publishing Limited, 2011. (Contemporary
Studies in Economic and Financial Analysis, Vol. 93, p. 473-493).

BBR, Vitria, v. 10, n. 1, Art. 6, p. 131 - 156, jan.-mar. 2013

www.bbronline.com.br

153
Dados em Painel em Contabilidade e Finanas: Teoria e Aplicao

FREES, E. W. Longitudinal and panel data: analysis and applications in the social sciences.
Cambridge: Cambridge University Press, 2004.
GREENE, W. H. Econometric analysis. 6. ed. Upper Saddle River: Prentice Hall, 2007.
HOECHLE, D. Robust standard errors for panel regressions with cross-sectional dependence.
Stata Journal, v. 7, n. 3, p. 281-312, 2007.
HOLTZ-EAKIN, D.; NEWEY, W.; ROSEN, H. S. Estimating vector auto regressions with
panel data. Econometrica, v. 56, n. 6, p. 1371-1395, 1988.
HSIAO, C. Analysis of panel data. 2. ed. Cambridge: Cambridge University Press, 2003.
ISLAM, N. Growth empirics: a panel data approach. The Quarterly Journal of Economics,
v. 110, n. 4, p. 1127-1170, 1995.
JONES, D. C.; KALMI, P.; MKINEN, M. The productivity effects of stock option schemes:
evidence from Finnish panel data. Journal of Productivity Analysis, v. 33, n. 1, p. 67-80,
2010.
KENNON, J. Price to cash flow ratio. Disponvel em:
<http://beginnersinvest.about.com/od/financialratio/a/pricetocashflow.htm>. Acesso em: 07
ago. 2010.
KRISHNAKUMAR, J.; RONCHETTI, E. (Ed.) Panel data econometrics: future directions.
Amsterdam: North Holland, 2000.
LIMA, G. A. S. F. Nvel de evidenciao x custo da dvida das empresas brasileiras. Revista
Contabilidade e Finanas, v. 20, n. 49, p. 95-108, 2009.
LIMA, G. A. S. F. Utilizao da teoria da divulgao para avaliao da relao do nvel
de disclosure com o custo da dvida das empresas brasileiras. 2007. 98 f. Tese (Doutorado
em Controladoria e Contabilidade) - Faculdade de Economia, Administrao e Contabilidade,
Universidade de So Paulo.
LIMA, G. A. S. F. et al. Influncia do disclosure voluntrio no custo de capital de terceiros.
In: CONGRESSO USP DE CONTROLADORIA E CONTABILIDADE, 7., 2007, So Paulo.
Anais... Universidade de So Paulo, 2007.
MADDALA, G. S. The econometrics for panel data. Brookfield: Elgar, 1993.
MAKINO, S.; ISOBE, T.; CHAN, C. M. Does country matter? Strategic Management
Journal, v. 25, n. 10, p. 1027-1043, 2004.
MALACRIDA, M. J. C. et al. An accounting accruals model to predict future operating cash
flows: evidence from Brazil. International Journal of Management, v. 27, n. 3, p. 562-578,
2010.
MARQUES, L. D. Modelos dinmicos com dados em painel: reviso da literatura. Srie
Working Papers do Centro de Estudos Macroeconmicos e Previso (CEMPRE) da
Faculdade de Economia do Porto, Portugal, n. 100, 2000.

BBR, Vitria, v. 10, n. 1, Art. 6, p. 131 - 156, jan.-mar. 2013

www.bbronline.com.br

154
Fvero

MTYS, L.; SEVESTRE, P. (Ed.). The econometrics of panel data: fundamentals and
recent developments in theory and practice. 3. ed. New York: Springer, 2008.
NAKAMURA, W. T. et al. Determinantes de estrutura de capital no mercado brasileiro:
anlise de regresso com painel de dados no perodo 1999-2003. Revista Contabilidade e
Finanas, v. 18, n. 44, p. 72-85, 2007.
PIMENTEL, R. C. Accounting earnings properties and determinants of earnings
response coefficient in Brazil. 2009. 162 f. Tese (Doutorado em Controladoria e
Contabilidade) Faculdade de Economia, Administrao e Contabilidade, Universidade de
So Paulo.
PIMENTEL, R. C. O mercado de eurobonds e as captaes brasileiras: uma abordagem
emprico-descritiva. 2006. 178 f. Dissertao (Mestrado em Controladoria e Contabilidade)
Faculdade de Economia, Administrao e Contabilidade, Universidade de So Paulo.
SOUZA, M. S. Fluxo de caixa por regime de competncia. 2006. 93 f. Dissertao
(Mestrado em Controladoria e Contabilidade) Faculdade de Economia, Administrao e
Contabilidade, Universidade de So Paulo.
WOOLDRIDGE, J. M. Econometric analysis of cross section and panel data. 2. ed.
Cambridge: MIT Press, 2010.

BBR, Vitria, v. 10, n. 1, Art. 6, p. 131 - 156, jan.-mar. 2013

www.bbronline.com.br

155
Dados em Painel em Contabilidade e Finanas: Teoria e Aplicao

APNDICE: ROTINAS EM STATA

Definio do Painel:
xtset id t
Elaborao do Grfico 1:
graph twoway (scatter var_y t) (lfit var_y t)
Elaborao do Grfico 2:
preserve
xtdata, fe
graph twoway (scatter var_y t) (lfit var_y t)
restore
Elaborao do Grfico 3:
preserve
xtdata, be
graph twoway (scatter var_y t) (lfit var_y t)
restore
Elaborao das Tabelas de Decomposio de Varincia do Painel (Tabelas 1 e 4):
xtsum id t var_y var_x1 var_x2
Elaborao dos Modelos de Dados em Painel Curto:
- POLS com Erros-Padro Robustos Clusterizados:
regress var_y var_x1 var_x2, vce(cluster id)
- Modelo com Estimador Between:
xtreg var_y var_x1 var_x2, be
- Efeitos Fixos:
xtreg var_y var_x1 var_x2, fe
- Efeitos Fixos com Erros-Padro Robustos Clusterizados:
xtreg var_y var_x1 var_x2, fe vce(cluster id)
- Efeitos Aleatrios:
xtreg var_y var_x1 var_x2, re
- Efeitos Aleatrios com Erros-Padro Robustos Clusterizados:
xtreg var_y var_x1 var_x2, re vce(cluster id)
Elaborao da Tabela de Comparao dos Estimadores para os Modelos em Painel Curto
(Tabela 2):
quietly regress var_y var_x1 var_x2, vce(cluster id)
estimates store POLS_rob
quietly xtreg var_y var_x1 var_x2, be
estimates store BE
quietly xtreg var_y var_x1 var_x2, fe
estimates store FE
quietly xtreg var_y var_x1 var_x2, fe vce(cluster id)
estimates store FE_rob
quietly xtreg var_y var_x1 var_x2, re
estimates store RE
quietly xtreg var_y var_x1 var_x2, re vce(cluster id)
estimates store RE_rob
BBR, Vitria, v. 10, n. 1, Art. 6, p. 131 - 156, jan.-mar. 2013

www.bbronline.com.br

156
Fvero

estimates table POLS_rob BE FE FE_rob RE RE_rob, b se stats(N r2 r2_o r2_b r2_w F chi2)
b(%7.5f)
Elaborao do Teste LM de Breusch-Pagan:
xttest0
Elaborao do Teste de Hausman para o Painel Curto:
hausman FE RE, sigmamore
Elaborao da Tabela de Coeficientes para cada Pas (Tabela 3):
preserve
statsby, by(pais) clear: xtreg var_y var_x1 var_x2, fe
list, clean
restore
Elaborao dos Modelos de Dados em Painel Longo:
- Efeitos Fixos:
xtreg var_y var_x1 var_x2, fe
- Efeitos Aleatrios:
xtreg var_y var_x1 var_x2, re
- Efeitos Fixos com Erros AR(1):
xtregar var_y var_x1 var_x2, fe
- Efeitos Aleatrios com Erros AR(1):
xtregar var_y var_x1 var_x2, re
- POLS com Erros AR(1) e correlao entre indivduos:
xtpcse var_y var_x1 var_x2, corr(ar1)
- FGLS com Erros AR(1) e correlao entre indivduos:
xtgls var_y var_x1 var_x2, corr(ar1) panels(correlated)
Elaborao da Tabela de Comparao dos Estimadores para os Modelos em Painel Longo
(Tabela 5):
quietly xtreg var_y var_x1 var_x2, fe
estimates store FE
quietly xtreg var_y var_x1 var_x2, re
estimates store RE
quietly xtregar var_y var_x1 var_x2, fe
estimates store FEAR1
quietly xtregar var_y var_x1 var_x2, re
estimates store REAR1
quietly xtpcse var_y var_x1 var_x2, corr(ar1)
estimates store POLSAR1
quietly xtgls var_y var_x1 var_x2, corr(ar1) panels(correlated)
estimates store FGLSAR1
estimates table FE RE FEAR1 REAR1 POLSAR1 FGLSAR1, b se stats(N r2 r2_o r2_b r2_w
F chi2) b(%7.5f)
Elaborao do Teste de Hausman para o Painel Longo:
hausman FEAR1 REAR1

BBR, Vitria, v. 10, n. 1, Art. 6, p. 131 - 156, jan.-mar. 2013

www.bbronline.com.br