📊 estatística

Working Capital Financing and Firm Performance:A Machine Mislearning Approach - A comment on Mahmood, Ahmed, Hussain &amp; Ben-Zaied (2025)

Este comentário critica Mahmood et al. (2025) por erros metodológicos em sua comparação entre o financiamento do capital de giro e o desempenho da empresa, destacando especificamente a classificação errônea da análise de componentes principais, o relato incorreto de estatísticas de regressão linear para modelos baseados em árvores e a presença de estimativas mutuamente inconsistentes que enfraquecem a conclusão do estudo de que os modelos de aprendizado de máquina superam os modelos de efeitos fixos.

Autores originais: Gwenael Piaser

Publicado 2026-10-19

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Gwenael Piaser

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No mundo dos negócios, as empresas constantemente equilibram duas necessidades concorrentes: manter dinheiro suficiente em caixa para pagar suas contas diárias e investir esse dinheiro para crescer e obter lucros. Esse ato de equilíbrio é conhecido como gestão de capital de giro. Por décadas, economistas tentaram encontrar a fórmula perfeita para essa relação, assumindo frequentemente que, quanto mais eficientemente uma empresa gerencia suas finanças de curto prazo, mais lucrativa ela se torna. No entanto, o mundo real raramente é uma linha reta. Às vezes, ter dinheiro demais é tão ruim quanto ter dinheiro de menos, criando uma curva onde existe um meio-termo ideal. Para entender esses padrões complexos, pesquisadores têm recorrido cada vez mais a programas de computador chamados aprendizado de máquina (machine learning). Essas ferramentas são projetadas para encontrar formas e conexões ocultas em quantidades massivas de dados que os métodos estatísticos tradicionais poderiam perder, oferecendo uma nova maneira de ver como as decisões financeiras de uma empresa realmente afetam seu sucesso.

Um estudo recente realizado por um pesquisador chamado Mahmood, Ahmed, Hussain e Ben-Zaied tentou aplicar essa abordagem moderna a empresas de manufatura chinesas. Eles reuniram dados de mais de 15.000 observações de empresa-ano abrangendo quase duas décadas, esperando provar que seus novos modelos de aprendizado de máquina poderiam explicar a relação entre capital de giro e lucro melhor do que os métodos padrão usados durante anos. Eles alegaram que seus modelos de computador eram superiores porque se ajustavam mais estritamente aos dados e produziam pontuações de precisão mais altas. No entanto, uma crítica perspicaz de um pesquisador chamado Gwenael Piaser examinou desde então o trabalho deles e descobriu que o estudo, embora fizesse uma pergunta válida, está construído sobre uma base de erros fundamentais. A crítica revela que o estudo não utilizou, de fato, as ferramentas de aprendizado de máquina que alegou usar, e que os números apresentados no relatório final são internamente contraditórios.

O cerne do problema reside em como os pesquisadores descreveram seus métodos. Eles afirmaram estar usando "árvores de regressão" e "florestas aleatórias" (random forests), que são tipos específicos de algoritmos de computador que funcionam dividindo os dados em grupos cada vez menores para fazer previsões. Essas ferramentas não produzem o tipo de resultados que o autor publicou. Uma verdadeira árvore de decisão não gera uma lista de números com sinais, erros padrão e estrelas indicando significância estatística, nem produz uma estatística F, que é uma medida usada apenas para equações lineares tradicionais. Em vez disso, esses modelos de computador produzem classificações de quais variáveis são mais importantes e estimativas de quão bem o modelo prevê novos dados. Piaser aponta que as tabelas no estudo original se parecem exatamente com o resultado de uma regressão linear padrão e antiga, não de um algoritmo de aprendizado de máquina. A presença de termos quadráticos e variáveis de interação adicionados manualmente nas equações do estudo confirma ainda mais que os pesquisadores estavam, na verdade, executando um modelo linear tradicional, apesar de rotulá-lo como uma "árvore de decisão".

A confusão se aprofunda ao observar os números específicos relatados. O estudo apresenta uma tabela intitulada "resultados do algoritmo de regressão de floresta aleatória", mas os números dentro dela são uma mistura confusa de dois modelos diferentes. Para as principais variáveis de interesse, a tabela lista valores que coincidem perfeitamente com o modelo de efeitos fixos tradicional, enquanto as variáveis de controle e as pontuações de precisão geral correspondem ao modelo de floresta aleatória. É matematicamente impossível que um único modelo produza um conjunto de coeficientes que pertencem a um método e uma pontuação de precisão que pertence a outro. Além disso, o estudo relata exatamente o mesmo coeficiente para uma variável fundamental três vezes, com três valores completamente diferentes aparecendo no texto e nas tabelas. Isso sugere que os dados não foram processados de forma consistente ou que os números finais foram montados a partir de diferentes fontes sem a devida verificação.

Outro problema significativo envolve o uso de uma técnica chamada análise de componentes principais. O autor listou isso como um de seus métodos de estimativa concorrentes, colocando-o no mesmo nível dos modelos de aprendizado de máquina. No entanto, a análise de componentes principais não é um método para estimar relações entre variáveis; é uma ferramenta usada para simplificar dados, combinando várias medições em um resumo único e mais limpo. É uma etapa tomada antes da análise real começar, não uma forma de testar uma hipótese. Ao tratar isso como um rival dos outros modelos, o estudo criou um erro de categoria, comparando uma ferramenta de limpeza de dados contra um método para encontrar respostas. Adicionalmente, o estudo aplicou um processo de "lavagem de dados" chamado winsorização duas vezes, primeiro aos dados brutos e novamente após a combinação das variáveis. Essa compressão dupla dos dados provavelmente suavizou artificialmente os extremos, fazendo com que os modelos parecessem mais precisos do que realmente são ao esconder os casos difíceis de prever que um modelo robusto deveria ser capaz de lidar.

Em última análise, a crítica conclui que a afirmação central do estudo original — de que os modelos de aprendizado de máquina explicam a variância no desempenho das empresas melhor do que os métodos tradicionais — não é sustentada. A comparação baseou-se em medir quão bem os modelos se ajustavam aos dados nos quais já haviam sido treinados, uma prática que favorece modelos complexos simplesmente porque eles podem memorizar os dados de treinamento em vez de aprender com eles. Sem testar os modelos em novos dados não vistos, as pontuações de precisão mais altas relatadas são sem sentido. O estudo também falhou em fornecer os dados brutos ou o código de computador necessário para que outros cientistas verificassem o trabalho, deixando as inconsistências insolúveis por qualquer pessoa que não os próprios autores originais. Embora a questão de como o capital de giro afeta a lucratividade continue sendo uma questão vital para a economia global, esta tentativa específica de respondê-la usando aprendizado de máquina parece ter aprendido mal as próprias ferramentas que pretendia empregar. Os números apresentados não refletem a saída dos algoritmos avançados que eles alegam representar, e as conclusões extraídas deles não podem ser confiáveis.

Resumo Técnico: Um Comentário sobre Mahmood et al. (2025)

Problema de Pesquisa
Mahmood et al. (2025) investigam a relação entre o financiamento de curto prazo do capital de giro (WCF) e a lucratividade das empresas, utilizando um painel balanceado de empresas manufatureiras chinesas (2000–2018). O estudo original hipotetiza uma relação não linear, côncava (em forma de U invertido), moderada pelo tipo de propriedade, tamanho da empresa e alavancagem. Metodologicamente, o autor afirma comparar um modelo de painel de efeitos fixos (FE) padrão contra dois estimadores de "aprendizado de máquina": uma árvore de regressão e uma floresta aleatória (random forest). Eles concluem que os modelos baseados em árvores "explicam melhor a variância" com base em valores de $R^2$ e estatísticas $F$ mais elevados reportados.

Este comentário, de autoria de G. Piaser, identifica falhas metodológicas fundamentais, inconsistências internas e representações incorretas de saídas estatísticas do artigo original. O problema central abordado não é a questão econômica do WCF e da lucratividade, mas a validade da implementação econométrica e de aprendizado de máquina utilizada para respondê-la.

Metodologia e Crítica
O comentário emprega uma abordagem de verificação, checando a consistência interna do texto, equações e tabelas do artigo original sem exigir a reestimação de dados externos. A crítica foca em três falhas metodológicas primárias:

Classificação Incorreta de Análise de Componentes Principais (PCA):
O estudo original lista a PCA como um estimador concorrente ao lado de árvores de regressão e florestas aleatórias. Piaser argumenta que isso é um erro de categoria. A PCA é uma técnica de redução de dimensionalidade não supervisionada usada para construção de atributos (criando "proxies mestras" a partir de múltiplas proxies da literatura), e não um estimador supervisionado que modela relações entre variáveis dependentes e independentes. Ela não produz coeficientes, níveis de significância ou valores de $R^2$ em relação a uma variável alvo. No estudo original, a PCA serve apenas como uma etapa de pré-processamento, tornando sua inclusão em uma tabela de comparação de modelos logicamente inválida.
Representação Incorreta de Resultados de Aprendizado de Máquina:
O comentário demonstra que as tabelas rotuladas como "Árvore de Decisão" e "Floresta Aleatória" no estudo original reportam quantidades que métodos baseados em árvores não produzem. Especificamente, as tabelas listam coeficientes com sinal, erros padrão paramétricos, estatísticas $t$ , estrelas de significância e estatísticas $F$ .

Natureza dos Métodos de Árvore: Árvores de regressão e florestas aleatórias particionam o espaço preditor em regiões e predizem valores constantes dentro dessas regiões. Elas não geram um vetor de parâmetros global ( $\beta$ ), nem produzem erros padrão paramétricos ou estatísticas $F$ (que são definidas para modelos lineares via decomposição ANOVA).
Evidência de Regressão Linear: A presença de termos quadráticos construídos manualmente ( $WCF^2$ ) e termos de interação ( $WCF \times \text{dummy}$ ) confirma uma especificação linear paramétrica. Métodos baseados em árvores aproximam a não linearidade e interações através de divisões recursivas, tornando tal construção manual redundante. As tabelas reportadas são identificadas como resultados de Mínimos Quadrados Ordinários (OLS) ou de Efeitos Fixos, erroneamente rotulados como resultados de aprendizado de máquina.

Inconsistências Numéricas Internas:
O comentário documenta discrepâncias numéricas graves que tornam os resultados reportados irreproduzíveis:

Colunas Híbridas: A Tabela 13, intitulada "Resultados do algoritmo de regressão de floresta aleatória", mostra ser um composto de dois modelos diferentes. Os coeficientes para as variáveis principais ( $WCF$ e $WCF^2$ ) coincidem com as estimativas de Efeitos Fixos, enquanto as variáveis de controle, o $R^2$ e a estatística $F$ coincidem com as estimativas da Floresta Aleatória. Esta combinação é matematicamente impossível para um único modelo ajustado, pois o $R^2$ é mecanicamente determinado pelo vetor de coeficientes específico e pelos dados.
Coeficientes Conflitantes: O coeficiente da amostra total para $WCF$ no modelo de Floresta Aleatória é reportado três vezes com três valores incompatíveis: 0,598 (texto), 0,403 (Tabela 13) e 0,323 (Tabela 7).
Inconsistências de Dados: Existem discrepâncias nos tamanhos das amostras (15.238 vs. 15.239 observações) e nas contagens de subamostras (ex: as observações da indústria têxtil variam entre 167 e 679 entre as tabelas).

Principais Achados e Resultados
O comentário não oferece novos resultados empíricos sobre o WCF e a lucratividade. Em vez disso, seus "resultados" são a exposição da incoerência metodológica do estudo original:

Comparação de Modelos Inválida: A afirmação central de que os modelos de aprendizado de máquina superam os modelos de efeitos fixos baseia-se em uma comparação de valores de $R^2$ amostrais (in-sample). O comentário argumenta que isso é pouco informativo porque modelos de árvore flexíveis (se tivessem sido implementados corretamente) mecanicamente alcançariam um ajuste in-sample maior do que modelos lineares parcimoniosos. Uma comparação válida exigiria métricas de erro fora da amostra (out-of-sample) ou de validação cruzada, que não foram reportadas.
Falhas no Processamento de Dados: O estudo original aplica dupla winsorização (primeiro a 5% nas proxies brutas, depois a 10% nos componentes principais resultantes). Este procedimento comprime a dispersão dos dados duas vezes, inflando artificialmente o $R^2$ e atenuando as estimativas de inclinação, embora nenhuma análise de sensibilidade seja fornecida.
Falha de Reprodutibilidade: Devido ao uso de dados proprietários da CSMAR sem o fornecimento de conjuntos de dados de replicação, código ou identificadores de empresas, e dadas as contradições internas nos números reportados, os resultados não podem ser verificados ou reconstruídos.

Significância e Alegações
O artigo alega modestamente avaliar a "consistência interna" dos métodos, estatísticas e valores numéricos do artigo original. Sua significância reside em:

Correção Metodológica: Esclarecer que a PCA é uma ferramenta de construção de atributos, não um estimador, e que métodos baseados em árvores não produzem coeficientes de regressão linear ou estatísticas $F$ .
Aviso de Replicação: Destacar que as conclusões do estudo original não são sustentadas pela evidência reportada devido ao rótulo incorreto de resultados de regressão linear como resultados de aprendizado de máquina e à presença de valores numéricos contraditórios.
Integridade da Pesquisa: Enfatizar que, sem um conjunto de dados de replicação e código, e dadas as inconsistências documentadas, os achados do estudo sobre a superioridade das abordagens de aprendizado de máquina neste contexto não podem ser aceitos.

O comentário conclui que a afirmação central do artigo original — de que os modelos de aprendizado de máquina fornecem uma explicação mais precisa dos dados — é inválida em seus próprios termos devido ao uso indevido de objetos estatísticos e à falta de uma métrica de generalização válida.

Mais como este