Miopía Contable

Tabla 9. Resultados de la regresión para la Hipótesis 3

Gestión real de resultados (REM)

Signo

Coeficiente

t

Uso interactivo de MACS (MAX)

(+)

0,241

2,441***

Edad

0,049

0,346

Género

0,134

1,274

Cargo

0,002

0,016

Eficiencia de la inversión

0,237

2,449**

Información voluntaria por riesgo de litigio

0,203

2,120**

Paquetes de información voluntaria.

0,183

1,854*

Activos (log)

0,059

0,590

Formación

0,057

0,548

ROA

0,165

1,697*

Presiones de flujos de caja libres (Inversa)

-0,180

-1,870*

Preferencia por beneficios con altibajos

-0,163

-1,669*

0,241

R 2

0,138

R 2 ajustado

F-estadístico

2,349**

Max. VIF

2,281

*, **, *** niveles de significatividad al 10%, 5% and 1 % respectivamente. Los niveles de significación son de una cola para las variables con una predicción direccional y de dos colas, de lo contrario, se presentan los coeficientes estandarizados.

5.2. Análisis de robustez

10. Los resultados son cualitativamente similares a los obtenidos a partir de regresiones previamente reportados. En esencia, los resultados sugieren que el uso diagnóstico puede desencadenar un uso interacti- vo, al menos a nivel operacional, de manera relativa- mente rápida. Esto implica que cuando se detectan grandes desviaciones y aumenta la presión, un uso intensivo de diagnóstico puede desencadenar que los administradores reconsideren sus operaciones, desdeñando el enfoque y el debate, el surgimiento de iniciativas y el descubrimiento e implementación de nuevos planes de acción. Una preocupación po- tencial es que esta secuencia de acontecimientos, mientras que plausible, puede requerir una serie de periodos para que se materialice. Esto sería particu- larmente cierto cuando el uso interactivo pretende lograr una revisión completa del modelo de negocio

Para comprobar la robustez de los resultados, se uti- lizaron modelos de ecuaciones estructurales como una técnica de estimación alternativa para probar el modelo de investigación. Se aplicó un enfoque ba- sado en la varianza (Smart pls ; Ringle et al., 2014), en lugar de en la covarianza basada (i.e. lisrel o amos ) por varias razones: ( i ) el algoritmo de pls es más apropiado cuando la teoría es relativamente nueva o el modelo estructural de la ecuación no se ha pro- bado (Trichterborn et al, 2016); ( ii ) pls funciona con un menor tamaño de la muestra que los enfoques basados en covarianzas (Bauer y Matzler, 2014); y ( iii ) el objetivo es explicar la gestión del resultados, y pls optimiza la variable dependiente en lugar de todo el modelo estructural, teniendo un mayor carácter predictivo (Bauer y Matzler, 2014). La R 2 y el Q 2 para las variables endógenas del modelo, junto con los coeficientes y estadísticos T se reportan en la tabla

36  |  Anexo. Trabajo de investigación

Made with FlippingBook - Online Brochure Maker