Utilização da análise fatorial na identificação dos principais indicadores para avaliação do desempenho financeiro: uma aplicação nas empresas de seguros

Use of factor analysis to identify the main financial performance assessment indicators: an application in insurance companies

Utilização da análise fatorial na identificação dos principais indicadores para avaliação do desempenho financeiro: uma aplicação nas empresas de seguros^*

Use of factor analysis to identify the main financial performance assessment indicators: an application in insurance companies

Francisco Antonio Bezerra^I; Luiz J. Corrar^II

^IProfessor Doutor do Programa de Pós-Graduação em Ciências Contábeis da Universidade Regional de Blumenau - SC. E-mail: [e-mail]

^IIProfessor Doutor do Departamento de Contabilidade e Atuária da Faculdade de Economia, Administração e Contabilidade da Universidade de São Paulo - SP. E-mail: [e-mail]

RESUMO

A utilização de indicadores financeiros para a avaliação do desempenho das organizações já é realizada há muito tempo. Usualmente, esses indicadores são utilizados para fazer comparações entre empresas ou mesmo entre unidades de uma mesma companhia.

No entanto, a análise dos indicadores, geralmente, é realizada de forma individual e seqüencial, ou seja, as análises são realizadas com base em comparações, por exemplo, dos indicadores de liquidez, em que se busca verificar quais são as melhores empresas com base em um padrão médio de liquidez, depois disso, uma nova análise é feita para indicadores de rentabilidade etc. Esse tipo de avaliação seqüencial e individualizada não permite avaliar a influência de alguns indicadores sobre os demais, além de depender de critérios subjetivos para avaliar quais dos indicadores são os mais relevantes. O que se pretende com este trabalho é propor uma metodologia que: (1) diminua o grau de subjetividade na escolha dos indicadores que deverão compor a avaliação das empresas e (2) permita uma análise simultânea do comportamento de vários indicadores. Na realização deste trabalho foi utilizada uma das técnicas de análise multivariada de dados: Análise Fatorial (AF) para criação dos critérios de seleção dos indicadores financeiros.

Palavras-chave: Análise de Seguradoras; Análise Fatorial; Indicadores Financeiros.

ABSTRACT

Financial indicators have been used for a long time to assess organizational performance. Usually, these indicators are used to compare companies or even units of the same company. However, these indicators tend to be analyzed individually and sequentially. In other words, analyses are based on comparisons of liquidity ratios for example, with a view to finding the best companies on the basis of a mean liquidity standard, followed by a new analysis for profitability ratios etc. That type of sequential and individualized assessment does not permit the evaluation of some indicators' influence on others, besides depending on subjective criteria to evaluate which are the most relevant indicators. This study intends to propose a methodology that: (1) reduces the subjectivity degree in the choice of the indicators to be used for company assessment and (2) allows for a simultaneous analysis of the behavior of several indicators. In this research, we used one multivariate data analysis technique: Factor Analysis (FA), to create the financial indicator selection criteria.

Keywords: Analysis of Insurance Companies; Factor Analysis; Financial Indicators.

1 INTRODUÇÃO

São diversas as empresas nacionais e internacionais que avaliam a situação financeira das seguradoras. Entre elas estão: Austin Asis, Standard & Poor's, Moody's etc.

Em todas as avaliações feitas, as empresas seguradoras são colocadas em um rating que se fundamenta em indicadores financeiros calculados com base nas demonstrações contábeis.

O conjunto de indicadores que cada órgão avaliador utiliza varia de acordo com o objetivo da análise, no entanto, o resultado final a ser alcançado é sempre o mesmo: classificar as empresas segundo sua capacidade financeira.

Silva (1997) afirma que:

A avaliação e classificação de riscos que se consubstancia nos ratings divulgados por cada empresa é baseado em primeira instância nas demonstrações financeiras das seguradoras, obrigatoriamente publicadas nos principais jornais do país e que são, portanto, de domínio público. O que as empresas de rating fazem, numa primeira abordagem, é exatamente "interpretar" essas demonstrações e atribuir "notas" aos principais indicadores de análise: liquidez, solvência, rentabilidade, etc.

Silva (1997) relata, ainda, uma entrevista com então presidente da Sincor - RJ - Hélio Brandão - que fez o seguinte comentário:

O rating tem a máxima importância como instrumento para avaliar as companhias, pois elas lidam com recursos de terceiros, que ali depositam valores na expectativa de que serão cobertos por indenizações na ocorrência de sinistros. A contrapartida para a empresa é óbvia: uma seguradora vende confiança e as mais confiáveis vendem mais e melhor.

Dessa forma, ao avaliar os indicadores financeiros das empresas e atribuir notas a esses indicadores é possível determinar desajustes que podem levar a problemas para as seguradoras e por conseguinte para a sociedade.

No entanto, quando colocado diante de uma série de indicadores financeiros, como decidir os pesos para cada indicador? Como avaliar todos os indicadores conjuntamente e definir quais os indicadores que mais influenciaram o resultado da empresa?

Essas perguntas são, em geral, respondidas com um grande grau de subjetividade e as respostas serão diferentes dependendo do profissional que as responda. Todavia, neste trabalho será demonstrada uma forma de se encontrar a importância de cada indicador no resultado da empresa através de uma técnica estatística denominada Análise Fatorial. Através dessa técnica serão definidos os principais indicadores que explicam grande parte da variação que ocorre em todos os demais indicadores.

Desse modo, pretende-se indicar os principais indicadores que poderão estar compondo os critérios de classificação de empresas seguradoras.

2 METODOLOGIA E CONCEITUAÇÃO DO OBJETO DE PESQUISA

2.1 Objetivo Geral da Pesquisa

O objetivo desta pesquisa é a determinação das variáveis financeiras mais significativas, reveladas pela Análise Fatorial, que devem ser levadas em consideração no acompanhamento do resultado das empresas seguradoras.

2.2 Objetivos Específicos da Pesquisa

Além do objetivo geral descrito, espera-se contribuir de forma indireta na:

• demonstração de que a utilização de técnicas estatísticas diminui a subjetividade na avaliação das seguradoras;

• diminuição do número de indicadores necessários para avaliação das empresas seguradoras;

• identificação da importância de avaliações conjuntas dos indicadores financeiros;

• apoio às instituições que elaboram o rating de seguradoras na escolha dos indicadores financeiros mais adequados para esse tipo de classificação.

2.4 Contribuições do Resultado da Pesquisa

Ao atingir os objetivos propostos, espera-se contribuir para aumentar a capacidade de interpretação dos indicadores financeiros que são utilizados para avaliação de empresas e permitir que critérios menos subjetivos sejam utilizados na avaliação dessas empresas.

2.5 Metodologia de Pesquisa

Esta pesquisa fará uso do método estatístico e pode ser considerada como sendo uma pesquisa quantitativa,exploratória e ex post facto.

• Estatístico porque está baseada no levantamento das ocorrências passadas e na extrapolação dos conhecimentos adquiridos para ocorrências futuras utilizando técnicas estatísticas.

• Quantitativo porque os atributos das variáveis tratadas nesse trabalho são numéricos e serão tratadas como tais.

• Exploratório porque pretende aumentar o conhecimento existente sobre a utilização de ferramentas de análise estatística multivariada na avaliação de desempenho das seguradoras no Brasil.

• Ex post facto porque serão avaliadas as ocorrências após as variáveis terem interferido sobre o objeto de pesquisa, uma vez que não é possível a interferência do pesquisador sobre as variáveis analisadas (prêmio ganho, ativo total, patrimônio líquido etc.).

A pesquisa foi desenvolvida com os dados das seguradoras do ano 2001 disponíveis na Superintendência de Seguros Privados (SUSEP). Dessa forma, a intenção era tratar a população de empresas seguradoras controladas pela SUSEP. Todavia, de 132 empresas, cujas informações se encontravam na SUSEP, 25 foram excluídas do trabalho por não apresentarem informações suficientes para cálculo de todos os indicadores. Desse modo, o trabalho foi desenvolvido com 107 empresas.

Inicialmente, foram calculados 15 indicadores financeiros para cada uma das seguradoras. Esses indicadores foram submetidos à análise fatorial para a determinação de grupos de indicadores (fatores).

O modelo foi desenvolvido com informações do ano de 2001. As empresas que foram incluídas neste trabalho serão tratadas por códigos (S₀₀₁,S₀₀₂, S₀₀₃ ... S₁₀₇).

3 DESCRIÇÃO DA PESQUISA

Como comentado anteriormente, foram calculados 15 indicadores financeiros para as 107 empresas seguradoras, sendo eles:

• Índices de Estrutura de Capital:

ÍNDICE DE CAPITAÇÕES (ICAP) = PTL/ATT

ÍNDICE DE ENDIVIDAMENTO (IEND) = (PCI+ELP)/PTL

ÍNDICE DE RECURSOS PRÓPRIOS EM GIRO (IRPG) =(PTL-IMO-IVD-RLP)/ACI

ÍNDICE DE IMOBILIZAÇÃO DE RECURSOS (IIMR) = (IMO+IVD)/PTL

• Índices de Rentabilidade:

ÍNDICE DE SINISTRALIDADE (ISIN) = SR/PG

ÍNDICE DE COLOCAÇÃO DO SEGURO (ICOL) = DC/PG

ÍNDICE DE DESPESAS ADMINISTRATIVAS (IDAD) = DA/PR

ÍNDICE DE LUCRATIVIDADE SOBRE PRÊMIO GANHO (ILPG) = LL/PG

ÍNDICE DE RETORNO SOBRE O PL (IRPL) = LL/ PTL

• Índices de Alavancagem:

ÍNDICE DE SOLVÊNCIA PRÊMIOS (PRPL) = PR/ PTL

ÍNDICE DE ALAVANCAGEM LÍQUIDA (IALI) = (PR+PCC+PCD)/PTL

• Índices de Liquidez:

ÍNDICE DE LIQUIDEZ CORRENTE (ILCO) = ACI/ (PCC+PCD)

ÍNDICE DE LIQUIDEZ GERAL (ILGE) = (ACI+RLP)/ (PCC+PCD+ELP)

• Índices Operacionais:

ÍNDICE COMBINADO (ICOM) = (SR + DC + DA)/PG

ÍNDICE COMBINADO AMPLIADO (ICOA) = (SR + DC + DA)/(PG + RF)

Em que: ACI= ATIVO CIRCULANTE; PCI= PASSIVO CIRCULANTE; ATT= ATIVO TOTAL; DA= DESPESA ADMINISTRATIVA; DC= DESPESA COMERCIAL; ELP= EXIGÍVEL A LONGO PRAZO; IMO= IMOBILIZADO; IVD= INVESTIMENTOS E DIFERIDO; LL= LUCRO LÍQUIDO; PB= PRÊMIO BRUTO; PCC= PROVISÃO COMPROMETIDA CIRCULANTE; PCD= PASSIVO CIRCULANTE - DEMAIS; PCI= PASSIVO CIRCULANTE; PCP= PROVISÃO COMPROMETIDA; PG= PRÊMIO GANHO; PNC= PROVISÃO NÃO COMPROMETIDA; PR= PRÊMIO RETIDO; PT= PRÊMIO TOTAL; PTL= PATRIMÔNIO LÍQUIDO; RF=RESULTADO FINANCEIRO; RLP= REALIZÁVEL A LONGO PRAZO e SR= SINISTRO RETIDO; SS= SINISTRO SEGUROS.

3.1 Tentativa com todos os Indicadores

Inicialmente, imaginou-se estabelecer os fatores utilizando todos indicadores ao mesmo tempo. No entanto, como a AF busca a criação de fatores que expliquem melhor simultaneamente todos os indicadores, o fato de existirem indicadores que possuam um pequeno (ou nenhum) relacionamento com os demais indicadores faz com que a AF atinja resultados medíocres.

Foi o que aconteceu na tentativa de unir todos os indicadores em uma única análise de dados. Os resultados foram os seguintes:

Todo o trabalho foi desenvolvido com o auxílio do software SPSS 10.0.

O teste de Kaiser-Meyer-Olkin (Measure of Sampling Adequacy - MSA) que indica o grau de explicação dos dados a partir dos fatores encontrados na AF.

Caso o MSA indique um grau de explicação menor do que .50 significa que os fatores encontrados na AF não conseguem descrever, satisfatoriamente, as variações dos dados originais.

Neste caso, o teste indicou um baixo poder de explicação entre fatores e os indicadores (.569). Outro teste que pode ser avaliado é o teste de esfericidade que indica se existe relação suficiente entre os indicadores para aplicação da AF. Para que seja possível a aplicação da AF recomenda-se que o valor de Sig. (Teste de Significância) não ultrapasse de .05, caso isso ocorra é provável que a correlação dos indicadores seja muito pequena o que impede a aplicação da AF. Se o valor de Sig. atingir .10 a AF é desaconselhável. Apesar de o teste de esfericidade indicar a possibilidade de aplicação da AF nas variáveis analisadas preferiu-se aumentar o poder de explicação dos fatores retirando algumas variáveis da análise.

A escolha dos indicadores que, em um primeiro momento, ficariam fora da AF foi facilitada por outra tabela gerada pelo SPSS (10.0). A matriz de antiimagem.

Clique para ampliar

A tabela de antiimagem indica o poder de explicação dos fatores em cada uma das variáveis analisadas. A diagonal da parte inferior da tabela (Anti-image Correlation) indica o MSA para cada uma das variáveis analisadas. Os valores inferiores a .50 são considerados muito pequenos para análise e nesses casos indicam variáveis que podem ser retiradas da análise. Segundo esse critério, foram retirados da análise os indicadores: ICOA, IIMR, ISIN e IRPL.

Apesar de algumas variáveis possuírem pouca relação com os fatores a maioria dos indicadores conseguiu (na tentativa com todos os indicadores) um poder de explicação alto considerando todos os fatores obtidos (comunalidades). É claro que alguns obtiveram explicações razoáveis (abaixo de .70). Isso pode ser observado na tabela de Communalities (comunalidades).

A última análise que pode ser feita antes de serem realizados outros testes é o grau de explicação atingido pelos 6 fatores que foram calculados pela AF. Com relação a esse indicativo, apesar da fraca relação entre os fatores e algumas variáveis, o modelo consegue explicar quase 84% da variância dos dados originais, o que é muito bom. É possível observar isso na tabela de Variância Total Explicada (Total Variance Explained).

Clique para ampliar

3.2 Tentativa com 11 Indicadores

Retirados os indicadores da análise (ICOA, IIMR, ISIN e IRPL) foi realizada uma segunda tentativa para se obter uma AF satisfatória.

O teste de KMO (MSA) melhorou e passou para .673 o que é bem melhor do que os .569 atingidos na tentativa anterior. O teste de esfericidade continua validando a utilização da AF (Sig. < .05).

Apesar da melhora no teste de KMO ocorreu uma piora significativa no poder de explicação do modelo. Percebe-se isso na tabela de comunalidades que possui valores muito pequenos em algumas variáveis (IRPG e ICOL).

Além da tabela de comunalidades, a tabela de explicação das variâncias, também, demonstra uma queda de explicação do modelo. A segunda tentativa levou à criação de três fatores que explicavam quase 74% da variação dos indicadores (houve uma perda de 10% no poder de explicação do modelo já que na tentativa anterior o modelo explicava quase 84% das variações).

Como a perda de explicação foi significativa e levando em consideração que existem alguns indicadores com uma baixa correlação com os fatores, fez-se uma nova análise na tabela de antiimagem para verificar se existiam fatores que poderiam estar prejudicando a análise.

Clique para ampliar

A análise da tabela de antiimagem demonstrou a presença de outro indicador com explicação abaixo de .50 (ICOL). O indicador foi retirado da análise e uma nova tentativa foi realizada.

3.3 Tentativa com 10 Indicadores

Depois de retirado mais um indicador percebeu-se uma melhora significativa na explicação gerada pelo modelo em análise. Antes dessa discussão, cabe a avaliação dos testes iniciais que validam a AF.

O teste de KMO melhorou e foi para .677 (na tentativa anterior era .673). O teste de esfericidade continua validando a utilização da AF (Sig. < .05).

Os valores individuais de MSA indicam valores acima de .50, o que valida a utilização de todos os indicadores restantes na AF.

O poder de explicação dos três fatores extraídos da AF aumentou para 80% (um aumento de 6% em relação à tentativa anterior, mas continuava inferior à primeira tentativa 84%).

No entanto, ocorreu um problema na explicação de um dos indicadores (IRPG) que não possui relacionamento razoável com nenhum dos fatores resultantes da AF. A solução encontrada foi a exclusão desse indicador. A tabela de comunalidades demonstra o baixo relacionamento dos fatores com o indicador (IRPG).

Clique para ampliar

Clique para ampliar

Clique para ampliar

3.4 Tentativa com 9 Indicadores

Depois de extrair o indicador IRPG percebeu-se um melhora ainda maior no poder de explicação do modelo.

O teste de KMO ficou em .678 (maior do que a tentativa anterior de .677). O teste de esfericidade continua inferior a .05, o que valida a utilização da AF.

A tabela da MSA individual dos indicadores apresenta valores superiores a .50 em todos os casos.

As explicações das variáveis a partir dos fatores apresentam- se de forma bastante razoável (a maioria das comunalidades acima de .80).

Além disso, os três fatores extraídos na AF explicam quase 89% das variações dos indicadores que participam da análise (melhor até do que a primeira tentativa de 84%).

Dessa forma, acredita-se ter chegado a um grau de relacionamento e explicação das variáveis capaz de ser útil na avaliação das seguradoras.

Cabe, agora, identificar quais indicadores fazem parte de cada um dos fatores.

A tabela Matriz Componente (Component Matrix) permite verificar qual dos fatores melhor explica cada um dos indicadores considerados.

Clique para ampliar

Clique para ampliar

Percebe-se, no entanto, que essa matriz causa dúvidasquanto à composição de cada fator à medida que existem valores de explicação muito próximos em alguns casos(ICAP, IEND, PRPL, ILCO e ILGE); nesses casos, cabe a verificação dos valores após a aplicação da rotação dos fatores(que nesse caso é feito pelo critério Varimax).

A matriz após a rotação dos fatores (Rotated Component Matrix) já permite uma classificação mais precisa dos indicadores em cada um dos fatores. Assim, pode-se concluir que:

• o Fator 1 é composto por ICOM, IDAD e ILPG.

• o Fator 2 é composto por ICAP, IEND, PRPL e IALI.

• o Fator 3 é composto por ILCO e ILGE.

No modelo, foi possível interpretar o primeiro fator como sendo o "Controle das Despesas Operacionais", o segundo fator pode ser interpretado como um indicativo de "Alavancagem" e o terceiro de "Liquidez".

3.5 Consideração sobre os Indicadores Excluídos da Análise

Os indicadores que foram excluídos da análise passaram por uma série de testes para verificar se era possível criar agrupamentos entre esses indicadores que pudessem resultar em outros fatores que, isolados dos três fatores inicialmente identificados, comporiam o modelo de avaliação das seguradoras.

No entanto, os resultados não foram nada satisfatórios. Em nenhum dos testes realizados, o KMO ultrapassou o valor de .54 (na maioria dos casos era menor que .50), um valor muito próximo da linha de rejeição dos dados para aplicação da AF (.50).

Em função disso, os demais indicadores não fizeram parte do modelo para avaliação das seguradoras.

Pereira (2001) faz a seguinte observação:

Os fatores assemelham-se aos indicadores [...], com a distinção de que um indicador é criado por uma composição de variáveis arbitrada pelo pesquisador, enquanto o fator (ou os fatores) identificado pela análise fatorial é uma descoberta que o pesquisador faz: inicialmente ele tem várias medidas e não se apercebe ainda que elas podem ser reunidas num fator (ou indicador), e é a análise fatorial que descobre isso para ele. Algumas vezes, o pesquisador pode intuir que várias de suas medidas devam compor um fator, mas prefere, ao invés de propor subjetivamente a criação de um indicador, submeter seus dados a uma análise fatorial que aponte objetivamente para essa agregação de medidas.

Assim, a escolha dos indicadores que devem fazer parte da avaliação foi feita de forma objetiva utilizando os critérios da AF.

4 CONSIDERAÇÕES FINAIS

Os fatores encontrados pela AF demonstram as principais preocupações que deverão estar preenchendo o pensamento dos administradores dessas empresas.

4.1 Fator 1: Controle das Despesas Operacionais

O fator que sugere um maior "Controle das Despesas Operacionais" é responsável por 33,11% da variância explicada. Esse fator é representado pelos indicadores:

• ICOM (Índice Combinado): representa o desempenho das operações da empresa antes do resultado financeiro. Apresenta o percentual de sinistros, despesas comerciais e administrativas sobre os prêmios ganhos. Quanto maior o valor dessas despesas sobre o total dos prêmios ganhos menos recursos sobram para investimentos e para o aumento da capacidade de assumir um maior volume de riscos (prêmios).

• IDAD (Índice de Despesas Administrativas): analogamente ao indicador anterior, esse indicador representa a importância assumida pelas despesas administrativas nas empresas seguradoras.

• ILPG (Índice de Lucratividade sobre Prêmio Ganho): descreve quanto do total dos prêmios ganhos a empresa conseguiu transformar em lucro. O controle rigoroso do volume de despesas operacionais (sinistralidades, comerciais e administrativas) irá determinar parte importante da lucratividade das empresas seguradoras.

4.2 Fator 2: Alavancagem

O fator "Alavancagem" é responsável por 31,74% da variância explicada. Esse fator é representado pelos indicadores:

• ICAP (Índice de Capitações): avalia a participação do capital próprio sobre o total de ativo investido na empresa.

• IEND (Índice de Endividamento): Indica a participação do capital de terceiros em comparação com o capital próprio empregado.

• PRPL (Prêmios Retidos sobre Patrimônio Líquido): indica o grau de alavancagem decorrente do resultado líquido do negócio (após considerado o resseguro aceito e cedido) com relação ao patrimônio líquido.

• IALI (Índice de Alavancagem Líquida): considera o somatório dos prêmios retidos com o passivo circulante sobre o patrimônio líquido. Mede a exposição da companhia aos erros na estimativa da provisão de sinistros a liquidar.

Os dois primeiros indicadores podem causar estranheza quanto a sua classificação com os indicadores para avaliação da Alavancagem, no entanto, como as empresas devem, preferencialmente, recorrer a empréstimos (capital de terceiros) quando a taxa de retorno do negócio é maior que o custo da dívida, descreve-se, nesse caso, a importância de se analisar até que ponto é interessante para as seguradoras dependerem de capitais de terceiros levando em consideração sua taxa de retorno e o custo de suas dívidas (alavancagem).

4.3 Fator 3: Liquidez

O fator "Liquidez" é responsável por 23,80% da variância explicada. Esse fator é representado pelos indicadores:

• ILCO (Índice de Liquidez Corrente): mede a proporção entre o disponível (ou valores de realização de curto prazo) em relação às dívidas de curto prazo.

• ILGE (Índice de Liquidez Geral): esse indicador mede a capacidade de pagamento das dívidas de curto e de longo prazo de acordo com o total de realizáveis também de curto e de longo prazo.

Os indicadores de liquidez são importantes para seguradoras à medida que representam sua capacidade de resposta a saídas de caixa provenientes da ocorrência de sinistros.

Como se pode perceber, a AF foi capaz de determinar, dentre os indicadores apresentados, os principais indicadores que deverão compor as futuras avaliações de empresas seguradoras, bem como a necessidade de acompanhamento de um número de indicadores, menor que os apresentados originalmente.

Apesar desses indicadores serem alguns dos mais utilizados, alguns deixaram de ser calculados (e testados) em função da falta de detalhe em que se apresentam as informações disponibilizadas pela SUSEP.

Dessa forma, mais do que determinar que indicadores devem ser utilizados para avaliação dos resultados de uma seguradora, a metodologia apresentada pode ser utilizada como forma de análise de um conjunto de variáveis, numéricas ou não, no intuito de determinar sua importância na explicação das variáveis envolvidas.

Cabe ressaltar que os indicadores latentes (fatores) podem ser transformados em novos indicadores (Controle das Despesas Operacionais, Alavancagem e Liquidez) para cada uma das seguradoras que participaram da pesquisa. Para isso, basta multiplicar os Scores apresentados na tabela Component Score Coefficient Matrix em cada um dos casos (seguradoras). O SPSS faz esse cálculo e permite salvar os resultados desses indicadores com os demais.

Referências Complementares

Recebido em 31.10.2005

Aceito em 21.09.2006

NOTA - Endereço dos autores

Universidade Regional de Blumenau

Programa de Pós-Graduação em Ciências Contábeis

Rua Antônio da Veiga, 140 - CP.1507 - Victor Konder

Blumenau - SC 89012-900

Universidade de São Paulo

Faculdade de Economia, Administração e Contabilidade Departamento de Contabilidade e Atuária

Av. Prof. Luciano Gualberto, 908 - Cidade Universitária

São Paulo - SP 05508-900

• PEREIRA, Júlio Cesar Rodrigues. Análise de Dados Qualitativos: Estratégias Metodológicas para as Ciências da Saúde, Humanas e Sociais. São Paulo: EDUSP, 2001.
• SILVA, Cibele Aparecida da. Proposta de Rating para Seguradoras Brasileiras (Ramos Elementares) Encontro Anual da ANPAD, p.107, 1997.
• ARTES, Rinaldo. Aspetos Estatísticos da Análise Fatorial de Escalas de Avaliação. Revista de Psiquiatria Clínica, Nş 25, p. 223-228, 1998.
• CONTANDRIOPOULOS, André-Pierre; CHAMPAGNE, François; POTVIN, Louise; DENIS, Jean-Louis; BOYLE, Pierre. Saber Preparar uma Pesquisa: Definição, Estrutura e Financiamento. São Paulo: Hucitec, 1999.
• CORRAR, João Luiz. Indicadores de Desempenho de Empresas de Saneamento Básico 1981. Dissertação. Mestrado em Controladoria e Contabilidade. Faculdade de Economia, Administração e Contabilidade. Universidade de São Paulo, São Paulo.
• GIL, Antonio Carlos. Métodos e Técnicas de Pesquisa Social São Paulo: Atlas, 1987.
• HAIR, Joseph F. Jr.; ANDERSON, Rolph E.; TATHAN, Ronald L.; BLACK, William C.. Multivariate data Analysis. New Jersey: Prentice Hall, 1998.
• KANITZ, Stephen C. Contribuição à Teoria do Rateio dos Custos Fixos 1972. Tese de Doutorado apresentada à Faculdade de Economia, Administração e Contabilidade. Universidade da São Paulo, São Paulo.
• LATIF, Sumaia Abdei. A Análise Fatorial Auxiliando a Resolução de um Problema Real de Pesquisa de Marketing. Caderno de Pesquisas em Administração, Nş 0, 2ş Sem., 1994.
• LUPORINI, Carlos Eduardo de Mori. Avaliação de Cias. Seguradoras - Insuficiências dos Critérios Atuais e Propostas de um Novo Modelo. 1993. Tese de Doutorado apresentada à Faculdade de Economia, Administração e Contabilidade. Universidade de São Paulo, São Paulo.
• MINCIOTTI, Silvio A. Uma Reflexão sobre o Método Científico Aplicado em Pesquisas em Administração. Revista IMES, Nş 47, p. 31-37, Set./ Dez., 1999.
• REIS, E. Estatística Multivariada Aplicada Lisboa: Edições Silabo, 1997.
• ROSA, Fernando de. Significância Prática em Análise Multivariada: Um Caso de Aplicação de Análise Fatorial em Dados de Potencial de Mercado Bancário no Brasil. IV SEMEAD, outubro, 1999.
• RUDIO, Franz Victo. Introdução ao Projeto de Pesquisa Científica Petrópolis: Vozes, 1978.
• RUMMEL, R. J.. Applied Factor Analysis Northwestern University Press, 1975.
• THEÓFILO, Carlos Renato. Algumas Reflexões sobre Pesquisa Empírica em Contabilidade. Caderno de Estudos, Nş 19, p. 9-15, Set./Dez., 1998.

*

Artigo originalmente apresentado no XXVI EnANPAD, Salvador- BA, 2002.

Datas de Publicação

• Publicação nesta coleção
  10 Maio 2011
• Data do Fascículo
  Dez 2006

Histórico

• Recebido
  31 Out 2005
• Aceito
  21 Set 2006