Arus Kas, Rasio Laba dan Return saham di Wilayah Global Berkembang: Bukti dari data longitudinal Beberapa

investor memilih untuk menggunakan arus kas, bukan laba per saham untuk mengevaluasi harga saham saat ini, dan mereka berpendapat bahwa, arus kas tidak mudah dimanipulasi, hal yang sama tidak bisa dikatakan untuk laba. Berdasarkan sampel dari Compustat global, termasuk 3.567 saham perusahaan dari 35 negara-negara berkembang, yang mencakup 118 bulan (1998-2007), yaitu total 218.530 pengamatan, penelitian ini dilakukan dengan model data panel menggunakan estimator yang berbeda untuk memverifikasi bahwa rasio terhadap arus kas lebih signifikan mempengaruhi hasil dari waktu ke waktu, dengan estimator yang lebih efisien untuk model efek tetap. Selain itu, regressors berbeda diperoleh pada setiap daerah global. 1. Pendahuluan Perbedaan perilaku harga saham di negara-negara maju telah banyak diteliti dan didokumentasikan (Bondt, 2008). Penyelidikan ini alami untuk negara berkembang, namun demikian sedikit kurang komprehensif. Karya-karya penting ini telah dilakukan oleh: Islam (1995), Kwon et. al. (1997), Lee (1997), Tsoukalas (2003), Karim and Guan (2004), Al-Khazali and Pyun (2004), Makina (2008), Valadkhani and Chancharat (2008), Al-Khazali (2008), Rutledge et al. (2008), Valadkhani et al. (2009) and Huang et al. (2009). Studi ini dilakukan pada beberapa model data panel untuk menyelidiki bagaimana return dari harga saham bulanan dipengaruhi oleh rasio harga terhadap arus kas dan rasio harga terhadap pendapatan di negara berkembang dari waktu ke waktu. Kedua rasio ini digunakan oleh investor untuk mengevaluasi daya tarik investasi, dari sudut pandang nilai saham perusahaan, tetapi beberapa analis lebih memilih untuk mempertimbangkan arus kas atas pendapatan karena tidak mudah dimanipulasi dan tidak dipengaruhi oleh depresiasi dan faktor non-tunai lain. Menurut Kennon (2010), rasio harga terhadap arus kas memberikan ide yang lebih baik dari jumlah uang yang tersedia untuk manajemen untuk penelitian dan pengembangan lebih lanjut, dukungan pemasaran, pengurangan utang, dividen, pembelian return saham, dan banyak lagi. Di sisi lain, rasio pendapatan harga

tidak bermanfaat untuk membandingkan perusahaan-perusahaan di industri yang berbeda, karena setiap industri memiliki prospek pertumbuhan yang jauh berbeda. Model data dengan estimator yang berbeda digunakan untuk mencoba menjawab dua pertanyaan berikut:? (i) bagaimana return harga saham perusahaan di negaranegara berkembang bereaksi terhadap rasio harga terhadap arus kas dan rasio harga terhadap pendapatan dari waktu ke waktu, dan (ii ) apakah ada "wilayah efek" pada return harga saham? Untuk tujuan ini, 3.567 sampel Compustat Global saham perusahaan dari 35 negara secara statistik diperiksa dari perspektif temporal, dalam periode 118 bulan (1998-2007). Bagian 2 menyajikan diagnosis return harga saham perusahaan di 35 negara berkembang, berfokus pada variasi dari waktu ke waktu. Bagian 3 menyajikan tinjauan model data panel dan estimator nya. Bagian 4 menyajikan dan membahas hasil empiris. Kesimpulan dan saran konseptual untuk pekerjaan yang lebih empiris disajikan pada bagian terakhir. 2. Return Harga Saham di Negara Berkembang Pada periode 1998-2007, banyak perusahaan menunjukkan tingkat pertumbuhan yang ekspresif dalam harga saham selama satu bulan atau lebih. Namun, sebagaimana yang diungkapkan pada grafik 1, kami menganggap tingkat return hanya dibawah 100% dalam satu bulan. Ini mungkin untuk memverifikasi bahwa return harga saham menunjukkan perilaku serupa dari waktu ke waktu, meskipun sesekali rata-ratanya berbeda dan cenderung diantara seri individu.

Grafik 1: Evolusi Return Harga Saham di Negara Berkembang 2

Setiap titik dalam grafik 1 mewakili return saham dalam bulan berpasangan. Perilaku ini menunjukkan elaborasi model longitudinal dan, menurut Cameron dan Trivedi (2009), banyak dari metode microeconometric ini menekankan adanya korelasi dari waktu ke waktu untuk data individu, dengan independensi bersama. Namun, dalam kasus yang berbeda, seperti model yang

mempertimbangkan data dari perusahaan aktif di negara-negara yang sama, korelasi dapat terjadi antara perusahaan, seperti yang ditunjukkan pada grafik 2. Oleh karena itu, biasanya diperlukan untuk koreksi dalam model "kesalahan standar melalui penerapan estimator data panel yang lebih konsisten.

Grafik 2: Antara Variasi Return Harga Saham Pembenaran untuk mengadopsi model data panel dalam penelitian ini juga berkaitan dengan fakta bahwa bagian dari balik dapat berubah-ubah dari waktu ke waktu, sementara bagian lain, sebagai kecenderungan umum sesekali, bisa berubah-ubah antara perusahaan. Sebagian return representatif, meskipun, dapat bervariasi antara perusahaan dari waktu ke waktu, dan fakta ini dapat menghasilkan perilaku yang berbeda antar wilayah global, salah satunya dapat dilihat melalui grafik 3. Bagian 4 menyajikan variasi dari masing-masing regressors yang akan dipertimbangkan dalam penelitian ini. Seperti dibahas lebih lanjut ke depan dan dipertimbangkan dalam model dengan berbagai jenis estimator, model data panel dapat dirujuk sebagai regressors endogen, karena adanya korelasi dengan komponen kesalahan yang berubah-ubah dari waktu ke 3

waktu (efek tetap), atau menganggap bahwa regressors sepenuhnya eksogen (efek acak). Kedua estimator akan dipertimbangkan dalam artikel ini. 3. Model data panel Banyak model yang berbeda dapat digunakan untuk data panel, dan perbedaan dasar adalah adanya efek tetap atau acak. Istilah "efek tetap" memberikan ide yang keliru tentang model, untuk kedua kasus, individu (dalam hal ini, saham) tingkat efek adalah acak. Oleh karena itu, menurut Cameron dan Trivedi (2009), model efek tetap menyajikan komplikasi tambahan bahwa regressors berkorelasi dengan efek dari tingkat-individu efek dan, oleh karena itu, estimasi yang konsisten dari parameter model permintaan penghapusan atau kontrol efek tetap. Oleh karena itu, model yang memperhitungkan efek spesifik individual untuk variabel dependen Yit menetapkan bahwa:

di mana xit adalah regressors, adalah efek individual acak tertentu dan merupakan kesalahan istimewa. Dua model yang berbeda dapat berasal dari ekspresi (1). Dalam model efek tetap, istilah dapat dikorelasikan dengan xit regressors, yang memungkinkan bentuk terbatas dari endogenitas. Penetapan kesalahan pengganggu it = + it dan memungkinkan xit berkorelasi dengan faktor kesalahan yang tetap dari waktu ke waktu (), diasumsikan bahwa xit tidak berkorelasi dengan kesalahan idiosinkratik. Model efek tetap menyiratkan bahwa E (Yit | , xit) = + x it 1, dengan asumsi bahwa E (it | , xit) = 0, sehingga j = E (Yit | , xit) / xj, it. Keuntungan dari model efek tetap adalah bahwa estimator konsisten dari efek marjinal regressor j dari E (Yit | , xit) dapat diperoleh, mengingat bahwa xj, it bervariasi dari waktu ke waktu, bahkan jika itu regressors endogen (dengan bentuk endogenitas terbatas). Dalam model efek acak, di sisi lain, diasumsikan bahwa adalah murni acak, yaitu, tidak berkorelasi dengan regressors. Oleh karena itu, perkiraan itu

dijabarkan dengan estimator (kuadrat umum yang setidaknya layak) FGLS (feasible generalized least squares). Keuntungan dari model efek acak adalah bahwa semua koefisien estimasi, bahkan regressors yang tidak bervariasi dari waktu ke waktu, karenanya, efek marjinal. Selain itu, E (Yit | xit) dapat diperkirakan. Keuntungan utama, adalah bahwa estimator-estimator ini tidak konsisten jika model efek tetap lebih sesuai. Sementara variasi dari waktu ke waktu atau untuk individu tertentu dikenal sebagai varians dalam, variasi antara individu disebut varians antara. Menurut Wooldridge (2002), dalam model efek tetap, koefisien regressor dengan varians dalam rendah akan tepat dan diperkirakan tidak akan diidentifikasi jika tidak ada varian dalam apapun. Oleh karena itu, membedakan antara varian-varian ini adalah sangat penting untuk menentukan model data panel terbaik.

Grafik 3: Variasi keseluruhan dan antara pada return per wilayah global

Menurut Cameron dan Trivedi (2009), estimator dari parameter 1 dari model efek tetap untuk persamaan (1) menghilangkan efek tetap , yaitu, suatu transformasi yang dijabarkan melalui perbedaan antar rata-rata. Dengan demikian, dalam menguraikan suatu estimasi model OLS (ordinary least squares) dengan data sekitar mean yang dibedakan dan, sebagai pengamatan dari regressor tetap dari waktu ke waktu dengan diferensiasi di sekitar mean nol, koefisien regressor yang tidak bervariasi dari waktu ke waktu tidak dapat diperkirakan. Di sisi lain, sebagai estimator dalam menawarkan estimasi yang konsisten untuk model efek tetap, yang sering disebut estimator efek tetap. Oleh karena itu, efek tetap dalam persamaan (1) dapat dihilangkan dengan mengurangkan rata-rata setiap individu pada model yang

berhubungan, menghasilkan model dalam lain atau model perbedaan rata-rata:

dimana

dan estimator dalam penaksir OLS dari model

ini. Karena fakta bahwa telah dieliminasi, menurut Cameron dan Trivedi (2009), pengukur OLS menawarkan perkiraan yang konsisten dari 1, bahkan jika berkorelasi dengan xit, seperti dalam kasus dari model efek tetap. Estimator antara hanya menggunakan variasi lintas-bagian dan estimator OLS dari regresi ke dalam fungsi , yang disajikan (persamaan 3). Karena hanya

mempertimbangkan variasi data potong lintang, koefisien dari setiap regressor yang berubah-ubah antara individu-individu tidak dapat diidentifikasi.

Konsistensi estimator ini tidak memerlukan korelasi antara faktor kesalahan) dan xit, yang terjadi ketika adalah efek acak, tetapi tidak ketika hal itu adalah efek tetap. Penaksir efek acak, di sisi lain, merupakan estimator FGLS dalam persamaan (1), didasarkan pada hipotesis bahwa efek acak dan kesalahan idiosinkratik it

adalah independen dan terdistribusi secara identik. Oleh karena itu, model efek acak adalah model efek individual:

dengan

dan

Jadi,

kesalahan

pengganggu

berkorelasi dengan waktu t, untuk pengamatan i, dengan korelasi:

Estimator efek acak adalah penaksir FGLS dari 1 di persamaan (4), mengingat korelasi kesalahan dalam ekspresi (5). Dalam model dengan kesalahan heteroscedastic, pengukur FGLS dapat dihitung sebagai penaksir OLS dalam model yang ditransformasi, untuk mendapatkan kesalahan homoscedastic tak berkorelasi. Oleh karena itu, pengukur efek acak dapat diperoleh melalui estimasi OLS dari model yang telah ditransformasi sebagai berikut:

dimana

, adalah perkiraan yang konsisten dari:

Estimator efek acak yang menggunakan varian dalam dan antara untuk model data, di mana estimasi dalam merupakan kasus khusus ketika

= 1. Estimator ini akan konsisten dan benar-benar efisien jika model efek acak adalah tepat, tetapi akan tidak konsisten jika model efek tetap sesuai, seperti hasil korelasi antara xit dan dalam korelasi antara regressors dan kesalahan pengganggu dalam ekspresi (6 ). Menurut Cameron dan Trivedi (2009), jika tidak ada efek tetap tetapi kesalahan menunjukkan korelasi di dalam panel, maka estimator efek acak akan konsisten tapi tidak efisien dan, karenanya, estimasi standar error dengan clusterized kuat harus diperoleh. Sebuah titik awal untuk model data panel adalah aplikasi dari model POLS (pooled ordinary least squares), yang mengasumsikan bahwa regressors eksogen 7

dan bahwa kesalahan adalah itu:

, bukan dekomposisi dari

. Oleh karena

Parameter model ini diestimasi melalui OLS, tetapi memerlukan kontrol dari kesalahan dalam korelasi untuk individu tertentu, akan diuraikan dengan

menggunakan standar error kuat yang dikelompokkan pada tingkat individu. Studi ini menerapkan 6 model data panel yang berbeda, untuk memperoleh pemahaman yang lebih baik dari berbagai jenis estimator, dan juga untuk menyajikan model terbaik untuk menjelaskan return harga saham perusahaan di negara-negara berkembang. 4. Model dan Hasil Seperti dibahas di atas, 6 model data panel yang diuraikan, dengan pertimbangan yang berbeda tentang istilah estimator dan kesalahan. Model umum adalah sebagai berikut:

dimana 1 dan 2 mewakili perubahan return ketika masing-masing satu unit rasio harga terhadap arus kas (PCF) atau rasio harga terhadap pendapatan (pe) terjadi, ceteris paribus. Model data panel didasarkan pada keberadaan secara keseluruhan, varians dalam dan antara dalam masing-masing regressor, seperti yang dibahas sebelumnya. Tabel 1 menampilkan dekomposisi varians untuk masing-masing regressors. Karena saham tetap dari waktu ke waktu, maka variasi dalam adalah sama dengan nol. Variabel waktu (bulan), bagaimanapun, tidak berubah-ubah antar individu, karena ini adalah sebuah panel yang sangat tidak seimbang. Variasi dalam dari panel regressors lebih tinggi dari variasi antara, indikator pertama dari estimasi antara dapat menyebabkan kerugian efisiensi dalam kasus ini. Tabel 1 juga 8

memberikan penawaran lebih lanjut untuk mengadopsi model data panel dan menerapkan estimator berbeda. Kolom "Minimum" dan "Maximum" ini, masingmasing menunjukkan nilai minimum dan maksimum dari xit untuk garis "keseluruhan" garis dalam. Tabel 1: Panel Statistik dan Dekomposisi Varians , untuk garis antara dan untuk garis

Tabel 2 menunjukkan hasil dari masing-masing enam model data panel yang diusulkan. Seperti yang dapat diamati, koefisien yang diperkirakan dapat bervariasi dari model ke model, mencerminkan adanya hasil yang berbeda jika variasi di dalam atau antara digunakan. Pertama, kesalahan standar yang lebih tinggi ada di efek tetap dan model acak efek dengan kesalahan standar yang terkluster kuat bila dibandingkan dengan masing-masing model tanpa pertimbangan ini. Selain itu, estimasi regressors pada POLS dan model antara memberikan hasil bahkan dalam standar kesalahan yang lebih tinggi, meskipun keberadaan koefisien regressor yang signifikan dalam semua model (sig. <0,05).

Tabel 2: Model data panel

Obs: Standar error antara tanda kurung * Sig. <0,05. Adapun kecukupan model itu sendiri, signifikansi statistik dari himpunan variabel yang diamati pada semua kasus (sig. F POLS, antara dan model efek tetap dan sig Wald 2 untuk model efek acak). Statistik R2 adalah sangat rendah dalam model yang diperoleh, ini tidak relatif memadai untuk tujuan prediksi. Uji LM Breusch-Pagan, diterapkan setelah pemodelan efek acak, membantu untuk menolak hipotesis nol dari kecukupan model POLS dalam kaitannya dengan model efek acak, dengan 2 = 31,94 (sig. 2 = 0,000). Selanjutnya, dengan menggunakan uji F Chow, hipotesis null tentang adanya intersept dan kecenderungan yang sama untuk semua perusahaan (POLS) ditolak. Oleh karena itu, parameter ini berbeda dari parameter lintas-bagian (efek tetap), dimana F = 1,37 (sig. F = 0,000). Akhirnya, uji Hausman untuk efek tetap, diterapkan setelah pemodelan efek tetap dan acak, membantu untuk menolak hipotesis nol bahwa

10

model efek acak menawarkan estimasi parameter konsisten, dalam hal ini, 2 = 6,13 (sig. 2 = 0,000). Regressors menjelaskan return harga saham di negara-negara berkembang, yang mendukung hipotesis penelitian awal. Namun, melalui tabel 2, hanya rasio harga terhadap arus kas yang signifikan menjelaskan return pada rasio harga terhadap laba, membenarkan argumen dari beberapa analis yang lebih suka

mempertimbangkan arus kas atas laba. Menurut Islam (1995), utilitas utama dari pemodelan data panel adalah kemampuannya untuk memberikan perbedaan antara individu di setiap negara, yang mengarah ke hasil yang secara signifikan berbeda dari yang diperoleh melalui regresi terisolasi untuk setiap negara. Hal yang sama dapat digeneralisasikan untuk wilayah global. Dalam Tabel 3, koefisien regresi yang ditampilkan untuk masing-masing wilayah global dipertimbangkan dalam penelitian ini. Tabel 3: Koefisien per Wilayah

Obs: Dependent variabel:. Return harga saham bulanan. Meskipun rasio harga terhadap arus kas lebih signifikan untuk menjelaskan return harga saham di negara-negara berkembang, tabel 3 menunjukkan adanya pengaruh yang berbeda. Keberadaan koefisien yang berbeda untuk regressors dan untuk nilai-nilai dari konstanta mengungkapkan pentingnya mempertimbangkan data panel dan tantangan untuk penelitian lebih lanjut tentang alasan mengapa daerah ekonomi global saat ini memiliki perilaku harga saham perusahaan yang berbeda dari waktu ke waktu. Dapat diihat bahwa semua daerah menawarkan slope positif pada rasio harga terhadap arus kas, dengan Amerika Latin dan Timur Tengah yang tertinggi. Jika 11

hasil return lebih besar dapat dilihat sebagai proxy untuk pengembangan pasar modal ekuitas, atau mungkin sebagai indikator kedalaman pasar, perkembangan keuangan adalah ceteris paribus, maka "per se" merupakan kontributor untuk harga saham yang lebih tinggi dan keuntungan kekayaan bagi pemegang saham. 5. Kesimpulan Model data panel telah semakin sering digunakan dalam menilai return pasar saham. Model ini memungkinkan seseorang untuk menguji hubungan antara beberapa variabel kinerja dan beberapa variabel prediktif, memungkinkan penentuan pengaruh perbedaan temporal dan regional tentang evolusi return. Studi sebelumnya telah mengadopsi model longitudinal untuk mencoba menjelaskan variabilitas variabel yang signifikan pada kinerja perusahaan antar negara dan dari waktu ke waktu, dengan penelitian empiris yang dikembangkan di daerah yang berbeda (Makino et al 2004.). Tetapi tidak umum untuk menemukan studi longitudinal yang diterapkan pada pasar saham, mengingat perbedaan antara wilayah global. Analisis kontribusi dari rasio harga terhadap arus kas dan rasio harga terhadap pendapatan terhadap return memicu diskusi tentang bagaimana perilaku saham di negara-negara dengan pasar keuangan yang kurang berkembang. Kontribusi penelitian ini juga terkait dengan penilaian kemungkinan estimator yang berbeda ketika pemodelan data panel digunakan, dengan maksud untuk menentukan model yang paling memadai, dalam fungsi karakterisasi panel pendek.

Selanjutnya, pertimbangan negara-negara maju, seperti AS, Inggris, Perancis atau Australia, dapat membawa satu kemungkinan perbandingan return harga saham antara negara dalam perspektif yang lebih luas.

12