Tamanho da fonte: 

Pesquisadores raramente empregam modelos não lineares para examinar os determinantes da estrutura de capital e fazem também pouco esforço para identificar se somente os dados contábeis apresentam resultados condizentes com a interpretação da política de financiamento das empresas. Por meio de técnicas de mineração de dados, utilizando dados de painel a qual contém mecanismos necessários para lidar tanto com a dinâmica intertemporal e da individualidade das empresas que estão sendo investigadas aplicando regressão de séries temporais transversal e as habilidades preditivas de redes neurais, este estudo foi realizado.
Foram construídos modelos com esta técnica, utilizando um conjunto de variáveis contábeis para encontrar os atributos da razão da dívida por meio três técnicas de seleção de atributos, uma com origem na estatística (analise de componentes principais) e outras duas da aprendizagem de máquina (filtro e wrapper). Na técnica wrapper foram aplicados três classificadores, sendo dois lineares (regressão linear e robusta) e um não linear (redes neurais). A base de dados foi constituída de empresas classificadas, setorialmente, na Bolsa de Valores de São Paulo (BM&FBOVESPA) durante o período de 2010 a 2013. Os resultados sugerem que as variáveis contábeis explicativas das estratégias de alavancagem financeira somente rentabilidade sobre o ativo total e a rentabilidade dos acionistas estão em concordância com teorias de Pecking Order e de Trade-off. Além dessas variáveis também foram selecionadas: setor econômico, liquidez imediata e liquidez geral. Modelos construídos com redes neurais obtiveram o menor valor na raiz da média dos quadrados dos erros e o maior valor no coeficiente de correlação. Estes resultados revelam que as relações entre a razão da dívida e as variáveis contábeis determinantes são não-lineares e que redes neurais se mostraram capazes na modelagem em dados de painel para compreender a política de endividamento das empresas brasileira.