Acceso usuarios
Jefferson Ricardo do Amaral Melo, Sirlei Lemes, Neirilaine Silva de Almeida
This paper aims to investigate the performance and reliability of different regression methods in a value relevance model. Ten regression methods, both linear and nonlinear, were investigated to assess the effects of outliers, sample size, and overfitting on the model's performance (R² and error). The findings revealed that the Ordinary Least Squares (OLS) method is susceptible to false positive results due to its high R² but is often affected by heteroscedasticity, is more sensitive to outliers, sample size, and overfitting compared to the other regression methods analyzed. Although OLS is widely used in research in the field, it may not adequately address research questions in value relevance. The research advocates for a broader use of advanced regression techniques, including machine learning, to enhance empirical studies in finance. This research offers important insights for regulators, academia, companies, investors, and other stakeholders on the use of value relevance studies for decision-making
Este artículo tiene como objetivo investigar el rendimiento y la confiabilidad de diferentes métodos de regresión en un modelo de value relevance. Se investigaron diez métodos de regresión, incluyendo tanto lineales como no lineales, para evaluar los efectos de los outliers, el tamaño de la muestra y el sobreajuste en el rendimiento del modelo (R² y error). Los hallazgos revelaron que el método de Mínimos Cuadrados Ordinarios (MCO) es susceptible a resultados falsos positivos debido a su alto R², pero a menudo se ve afectado por la heterocedasticidad, es más sensible a los outliers, al tamaño de la muestra y al overfitting en comparación con los otros métodos de regresión analizados. Aunque el MCO se utiliza ampliamente en la investigación en el campo, puede que no aborde adecuadamente las preguntas de investigación en value relevance. La investigación aboga por un uso más amplio de técnicas avanzadas de regresión, incluido machine learning, para mejorar los estudios empíricos en finanzas. Esta investigación proporciona ideas importantes para reguladores, académicos, empresas, inversores y otros interesados respecto al uso de estudios de value relevance para la toma de decisiones.
