Machine Learning Feature Importance vs. Fixed-Effects Regression: Which Variables Actually Drive CSR–Firm Value Relationships in Africa?

Resumo Técnico: Importância de Atributos via Aprendizado de Máquina vs. Regressão de Efeitos Fixos em Pesquisas de CSR na África

Problema
A pesquisa empírica sobre a relação entre a divulgação da Responsabilidade Social Corporativa (RSC/CSR) e o valor da empresa nos mercados de capitais africanos tem dependido historicamente de regressões de painel de efeitos fixos (EF). Embora essa abordagem tenha estabeleído um consenso geral sobre a direção positiva do vínculo RSC–valor, ela sofre de duas fraquezas metodológicas críticas que obscurecem os verdadeiros motores dessa relação:

1. Viés de Seleção de Variáveis: A pré-especificação de um conjunto limitado de controles corre o risco de omitir variáveis moderadoras cruciais e subteorizadas.
2. Suposição de Linearidade: As regressões de EF padrão impõem efeitos aditivos lineares, falhando em detectar não linearidades, efeitos de limiar ou tratamentos heterogêneos que são teoricamente plausíveis em contextos de RSC.

Consequentemente, há ambiguidade sobre quais variáveis impulsionam robustamente o valor da empresa, pois os métodos tradicionais podem perder interações complexas ou atribuir erroneamente significância a variáveis mecanicamente correlacionadas.

Metodologia
Este estudo emprega uma estrutura comparativa de duas etapas usando um painel balanceado de 800 observações de empresa-ano (80 empresas das África do Sul, Nigéria, Quênia e Gana) de 2015 a 2024. O conjunto de dados inclui 83 preditores abrangendo divulgação de RSC (GRI G3.1), desempenho financeiro, governança corporativa e qualidade institucional.

1. Descoberta por Aprendizado de Máquina (ML): Os autores utilizam algoritmos de Random Forest (RF) e Gradient Boosting (GB) para gerar classificações de importância de atributos baseadas em dados. Para garantir a interpretabilidade e a comparabilidade com os resultados econométricos, o SHAP (Shapley Additive Explanations) é aplicado para decompor as previsões do modelo em contribuições individuais de atributos. Os modelos são treinados com dados de 2015–2022 e testados em 2023–2024 para evitar o vazamento temporal (temporal leakage).
2. Benchmark Econométrico: Uma regressão de efeitos fixos de duas vias (efeitos fixos de entidade e de ano) serve como o benchmark de inferência causal, utilizando os mesmos 83 preditores.
3. Estrutura de Concordância: O estudo compara a classificação de importância de variáveis entre RF, GB, SHAP e coeficientes de regressão de EF padronizados. As variáveis são classificadas em três categorias:
   • Concordantes: Classificadas dentro de 5 posições em todos os métodos.
   • Subestimadas pelo EF (FE-Underweighted): O ML classifica a variável significativamente mais alta (≥ 8 posições) do que o EF, sugerindo que o EF perde efeitos não lineares ou de limiar.
   • Superestimadas pelo EF (FE-Overweighted): O EF classifica a variável significativamente mais alta do que o ML, sugerindo que a significância do EF provém de correlações mecânicas dentro da própria empresa, em vez de um poder preditivo genuíno.

Principais Resultados
A análise revela um alto grau de concordância (Spearman $\rho = 0,91$) para os preditores de primeira linha, validando a seleção de variáveis chave na literatura anterior. Os quatro principais impulsionadores identificados por todos os métodos são: Pontuação de RSC, Retorno sobre Ativos (ROA), Qualidade Institucional e Tamanho da Empresa.

No entanto, surge uma discordância significativa nas variáveis de nível intermediário, revelando limitações específicas da abordagem de EF:

• Variáveis Subestimadas pelo EF (Governança e Institucional): O ML identifica a Independência do Conselho, Divulgação Ambiental, Dualidade do CEO e Risco Político como substancialmente mais importantes do que o EF sugere. A análise SHAP revela as razões para essa discrepância:
  • Efeitos de Limiar: A independência do conselho só gera valor quando excede um limiar de 40%; abaixo deste nível, os diretores independentes carecem da massa crítica para restringir a gestão.
  • Não linearidade: A divulgação ambiental impulsiona o valor da empresa 2,3 vezes mais do que a divulgação social, uma nuance mascarada pelas pontuações agregadas de RSC.
  • Interações Contextuais: O impacto negativo da dualidade do CEO é contingente à qualidade institucional e é significativo apenas em Gana e Nigéria, não na África do Sul.
• Variáveis Superestimadas pelo EF (Estrutura Financeira): Variáveis como Crescimento de Vendas, Alavancagem e Índice de Liquidez Corrente parecem estatisticamente significativas nos modelos de EF, mas possuem baixa importância preditiva nos modelos de ML. O estudo atribui isso a correlações mecânicas com o Tobin's Q que não refletem impulsionadores causais genuínos.
• Robustez da Variável Dependente: Quando o Valor Econômico Agregado (EVA) padronizado é usado como variável dependente, a pontuação de RSC cai em importância, confirmando que a RSC opera primariamente através de canais de percepção de mercado (Tobin's Q) em vez de desempenho operacional direto (EVA).

Principais Contribuições

1. Inovação Metodológica: O artigo introduz um fluxo de trabalho replicável de "ML para descobrir, regressão para inferir". Propõe o uso da importância de atributos de ML como uma ferramenta de diagnóstico para identificar não linearidades e limiares antes de especificar modelos de regressão, reduzindo assim o erro de especificação.
2. Insights Substantivos para Mercados Africanos:
   • Demonstra que a divulgação ambiental é o principal impulsionador da relação RSC–valor na África, superando as dimensões sociais.
   • Identifica um limiar de 40% de independência do conselho, sugerindo que as reformas de governança devem alcançar uma massa crítica para serem eficazes, em vez de apenas visar a representação média.
     im destaca a natureza dependente do país dos mecanismos de governança (ex: dualidade do CEO), argumentando contra políticas de governança uniformes para os mercados africos.
3. Taxonomia de Erro de Especificação: O estudo fornece um sistema de classificação para variáveis que são ou subestimadas (devido à não linearidade) ou superestimadas (devido à correlação mecânica) em regressões de painel padrão.

Significância e Alegações
Os autores alegam que este estudo fornece a primeira avaliação sistemática do acordo entre ML e regressão de EF no contexto da pesquisa de RSC na África. Os achados sugerem que, embora os modelos de EF tradicionais sejam válidos para os principais impulsionadores lineares, eles falham sistematicamente em capturar a complexidade das variáveis de governança e institucionais.

O artigo não alega que o ML substitui a inferência causal; em vez disso, argumenta que o ML é essencial para a descoberta de variáveis e diagnóstico de especificação. Ao revelar limiares e interações ocultos, o ML permite que os pesquisadores construam modelos de regressão mais precisos que considerem as realidades não lineares. A estrutura de concordância proposta é apresentada como um passo pré-especificação necessário para futuras pesquisas de dados de painel em mercados emergentes para evitar o viés de variável omitida e a interpretação errônea da significância estatística.