Existing Allocation Scheme

independente. Por sua vez, valores positivos indicam um relacionamento positivo. Quais são as variáveis que afetam significativamente a variação de Y. Schwarz Bayesian Criterion é um critério para seleção de modelos entre um conjunto finito de modelos, definido conforme a seguinte equação matemática: 𝑆𝐵𝐶 = × 2 + 𝑘 ∙ 𝑙𝑛(𝜂) + 𝐶 (𝑐𝑜𝑛𝑠𝑡). Teste bicaudal: teste cujo objetivo é testar apenas se as médias (ou proporções) são iguais ou diferentes, e não estabelecer qual delas é maior ou menor.

*p-valor < 0.10. **p-valor < 0.05. ***p-valor < 0.01

Φ TODOS INDIVÍDUOS INVESTIDORES INDIVIDUAIS ‹ PROFISSIONAIS ǁ INEXPERIENTES ›

Tabela 20. Modelo de Regressão Logística :⇔ nonlinear Generalized Model (logit) para Coeficientes de Estimativas e Dados em Painel Desbalanceados

Parâmetros de Escala GLM sobre n = 164 observações a partir de i = 17 sujeitos e t = variável contínua. Propriedades Logarítmicas foram utilizadas como um offset.

Variável Coeficiente _ Coef Erro-padrão da Estimativa [𝐒𝐞] estatística Z pr(Y =1|x=0) Estatística Wald chi² p-valor Estatística Chi-squared (Prob> chi2) Intervalos de 16.80

Retorno ǀ 𝛽0 ]-5, 0] 0.3316 0.4059 ‒0.82 0.5355 0.414 Prob> chi2 = 0.03** ]0, 5[ 1.6533 0.4861 3.40 0.8119 0.001*** Profissional ‒ 0.1712 0.4524 ‒ 0.38 0.705 R-R interval ‒0.1912 3.1462 ‒0.06 0.952 RMSSD (função exponencial) 20.8183 22.3422 0.93 0.351 SDNN (função exponencial) ‒34.3831 16.6298 ‒2.07 0.039** Beta wave (função logarítmica) ‒1.-178 0.6043 ‒1.68 0.092** Alfa wave (função logarítmica) ‒1.4974 1.6879 ‒0.89 0.375 constante 19.9516 15.9571 1.25 0.211

# de obs. Com Y = 0 : 72 # Número de regressão logística total de obs. : 164 # de obs. Com Y = 1 : 95 Hausman test =

Loglikelihood = ‒ 101.6387 ≡ a robustez/potência do teste estatístico (1 – β) pode ser derivada da derivado da função likelihood

Nota: os retornos foram separados para evitar problemas de colinearidade entre as variáveis a constante de coeficientes a serem testados. Os dados resultantes das variáveis explicativas sofreram transformação para logaritmos naturais. Para resolver o problema da discrepância provocada no segundo quartil, a transformação da série em logaritmo e a remoção da tendência parecem ter sido eficazes na suavização da série, visto que os valores de média e desvio-padrão das variáveis sofreram transformação logarítmica. Os intervalos de retorno 𝛽0é expresso em percentual % e implica no resultado obtido a partir do logaritmo natural da divisão entre a cotação de fechamento na data t pela cotação de fechamento na data t−1 (CHATTERJEE; HADI, 2006).

As Tabelas 15 e 16 apresentam os resultados de uma regressão logística que segue a metodologia de Kaustia (2010) e Grinblatt et al. (2001). Adaptando a regressão ao contexto experimental dessa pesquisa, foi necessário reduzir a quantidade e a amplitude dos intervalos de retorno. Assim, a amplitude considerada foi de 5% e os retornos foram classificados em quatro variáveis binárias que representam em qual faixa de retorno se encontrava a operação de cada participante. Essas variáveis classificam os retornos de –10% até +10%. Não foram observados retornos fora desse intervalo devido ao formato do experimento e do software desenvolvido para esta pesquisa. Cabe lembrar que essas variáveis que classificam os retornos em intervalos consideram tanto retornos de vendas realizadas (quando Y=1) quanto retornos fictícios de quando o indivíduo deixou de obter um retorno positivo ou negativo por ter optado por reter o ativo em carteira (Y = 0).

A significância estatística dos retornos que vão de –5% até +10% na Tabela 1 indica que os intervalos dentro dessa faixa de retorno se mostraram significativos para explicar o comportamento de venda dos participantes dos experimentos. Nesse caso, uma maior significância estatística indica que o referido intervalo possui maior poder de explicação sobre o comportamento dos indivíduos.

Outro resultado bastante relevante da Tabela 16 é a probabilidade estimada de ocorrência de uma venda quando o participante experimenta um retorno dentro de determinado intervalo (Pr(Y=1|X=1), sendo que X nesse caso pode ser compreendido como cada um dos quatro intervalos de retorno. Exemplificando, se um indivíduo realiza uma operação durante o experimento que lhe proporciona um retorno dentro do intervalo de 0 a 5%, então a probabilidade de ele realizar uma venda (Y=1) é de 81,38%, conforme demonstra a Tabela 1.

Seguindo essa interpretação, é possível afirmar que os resultados das Tabelas 15 e 16 corroboram a existência do efeito disposição. No teste de Wald, a hipótese nula é rejeitada se Wn > z, em que é um valor crítico predeterminado. O teste de Wald pode ser utilizado para testar o verdadeiro valor do parâmetro com base na estimativa de amostra. Esses resultados estão em linha com a literatura, que demonstra que um maior CD tende a piorar a performance financeira (ODEAN 1998; WEBER e CAMERER 1998).

Examinamos, ainda, por meio do teste de Wald, se sob a hipótese nula (=ausência de correlação entre os regressores e o termo de erro), há sinais indicativos de convergência de probabilidades em direção ao valor zero (0). Para as distribuições de erro, que pertencem à família exponencial, uma função de ligação pode ser usada para transformar os parâmetros sob o modelo linear generalizado (FRYDMAN; CAMERER; RANGEL, 2013).

A relação entre π e X pode ser modelada através de uma função de resposta logística, a qual é apresentada por Chatterjee e Hadi (2006) matematicamente:

π = Pr(Y = 1|X = x) = eβ0+β1 x 1 ...βpx p+1 + eβ0+β1 x 1 ...βpx p+ (38)

A Equação 2.4 é não linear nos parâmetros, mas é possível torná-la linear com o uso do logaritmo natural dos dois lados da equação. Então obteremos:

logit(π) = ln π 1 – π = β0 + β1x1 . . . βpxp + (39)

de maneira que:

ln(π/1 − π) passa a ter um intervalo que vai de −∞ até +∞, o modelo se torna mais adequado para o uso de uma regressão linear. O modelo logit é linear nos parâmetros, os quais são estimados por máxima verossimilhança. Após a estimação obtêm-se as probabilidades para cada valor de xp.

As análises a serem realizadas fundamentam-se na abordagem e em métodos da bioestatística, que propõem a aplicação de estatísticas às análises de dados biológicos, importantes para este trabalho, das respostas e variáveis neurofisiológicas e fisiológicas. Tais análises baseiam-se essencialmente em modelos de dados em painel.

Modelos em dados em painel são bastante utilizados em estudos em que é possível obter informações sobre vários indivíduos ao longo de um determinado período temporal. A maior vantagem de dados em

painel é o aumento na precisão da estimação que é resultado do maior número de observações em função da combinação, ou “pooling”, de dados de vários períodos temporais para cada indivíduo.

Uma segunda atração de dados em painel é a possibilidade de estimadores consistentes de modelos de efeitos fixos, que permitem heterogeneidade individual não observável. Ademais, em que pese à robustez e coerência da aplicabilidade dos modelos econométricos de regressão logit com dados em painel desbalanceados, o uso de modelos de efeitos fixos (FE) demonstra forte adequabilidade se o objetivo está apenas em analisar o impacto de variáveis de previsão e de resultado que se modificam ao longo do tempo t. Nesse caso, o termo independente (intercepto) será responsável por diferir os indivíduos. Não obstante, caso os efeitos individuais não se comportem de uma forma determinística, mas sim aleatória, o modelo de efeitos aleatório que introduz a heterogeneidade individual no termo de erro deve ser utilizado. No entanto, testes devem ser realizados para identificar a melhor especificação para o modelo de dados em painel estático de acordo com os dados utilizados.

Em muitos estudos de economia e finanças, a variável dependente é discreta, indicando, por exemplo, que uma família comprou um carro ou que um empréstimo foi negado para um indivíduo. Esse cenário é o que se enquadra na presente tese, em que temos a variável dependente discreta assumindo o valor 1 em caso de venda de determinado ativo em um intervalo de tempo 𝑡 ou 0 se o indivíduo não vendeu a ação no mesmo período.

Assim, temos um modelo de dados em painel com variável dependente discreta. De fato, se 𝑝𝑖𝑡 é a probabilidade de um indivíduo 𝑖

vender um ativo em 𝑡, então 𝐸(𝑦𝑖𝑡) = 1 ∗ 𝑝𝑖𝑡+ 0 ∗ (1 − 𝑝𝑖𝑡) = 𝑝𝑖𝑡, que

é usualmente modelada como uma função de algumas variáveis explicativas como segue:

𝒑𝒊𝒕= 𝑷𝒓[𝒚𝒊𝒕= 𝟏] = 𝑬(𝒚𝒊𝒕⁄𝒙𝒊𝒕) = 𝑭(𝒙𝒊𝒕′ 𝜷)

Para o modelo de probabilidade linear, 𝐹(𝑥_𝑖𝑡′ 𝛽) = 𝑥_𝑖𝑡′ 𝛽 e os métodos usuais de estimação de modelos em dados em painel podem ser aplicados. Caso não seja possível garantir que 𝑦̂𝑖𝑡 pertence ao intervalo

[0,1], a solução padrão é usar funções de distribuição normal ou logística que restringem 𝐹(𝑥𝑖𝑡′ 𝛽) de modo que esteja entre 0 e 1. Essas

funções de probabilidade são conhecidas na literatura como logit e probit, correspondendo às distribuições logística e normal,

respectivamente. Mais detalhes sobre os métodos de estimação de modelos de dados em painel com variável dependente discreta podem ser encontrados em Baltagi (2008) e Wooldridge (2010).

4.4.2 Descrição dos modelos econométricos: modelos de Regressão Logística :⇔ nonlinear Generalized Model (logit) para Coeficientes de Estimativas e Dados em Painel Desbalanceados

As principais hipóteses a serem investigadas a partir da análise do modelo de dados em painel são:

: não existe diferença significativa de ativação neurofisiológica e fisiológica de acordo com o efeito disposição

: existe diferença significativa de ativação neurofisiológica e fisiológica de acordo com o efeito disposição;

: não existe diferença significativa de ativação neurofisiológica e fisiológica de acordo com o retorno (desempenho) econômico-financeiro final (retorno percentual absoluto);

: existe diferença significativa de ativação neurofisiológica e fisiológica de acordo com o retorno (desempenho) econômico-financeiro final (retorno percentual absoluto);

Os dois primeiros modelos econométricos que serão utilizados para investigar as relações de causa e efeito para a propensão individual de vender um determinado ativo em um intervalo de tempo são apresentados nas equações (19) e (20). Lembrando que vender um ativo (𝑌 = 1) resulta em ganho (perda) realizado(a) assim como não vender (𝑌 = 0) resulta em ganho (perda) não realizado(a). Primeiro, apresentamos o modelo considerando os intervalos [-10,5] e [5,10]. Pelo