Resumo Este trabalho teve como objetivo investigar a qualidade e o impacto dos modelos de value relevance das informações financeiras através da regressão quantílica (QR) em comparação com o método de estimação ordinary least squares (OLS). Seguindo os princípios e fundamentos de Ohlson (1995), Feltham e Ohlson (1995) e Ohlson e Kim (2015), foi possível utilizar um parâmetro de comparação entre os modelos de avaliação da relevância da informação contábil. Para tanto, foram aplicados dois testes (A e B), com dois modelos cada, assim como em Ohlson e Kim (2015), um com a variável dependente lucro líquido no período seguinte e, o segundo, com o valor de mercado da firma no período atual. Diante dessa temática, a regressão quantílica se mostra mais eficiente e com menos possibilidades de erros de estimação do que o método OLS, pelo menos sob as condições restritas deste trabalho. Portanto, é recomendável o emprego da estimação por meio de regressão quantílica nos modelos que utilizam informações contábeis e financeiras, uma vez que heterocedasticidade e outliers são comumente encontrados nesses tipos de dados, pois esse método de estimação é menos sensível e mais robusto às tais condições normalmente apresentadas pelos dados deste campo de pesquisa.

Abstract This study aimed to investigate the quality and impact of value relevance models of financial information using quantile regression (QR) compared to the ordinary least squares (OLS) methods. Following the principles and foundations of Ohlson (1995), Feltham and Ohlson (1995) and Ohlson and Kim (2015), it was possible to use a comparison parameter between models for evaluating the relevance of accounting information. Therefore, we applied two tests (A and B), with two models each as in Ohlson and Kim (2015), one with the dependent variable as net income in the following period and, second, as company market value in the current period. Given this theme, quantile regression showed to be more efficient and have less possibilities for estimation errors than OLS, at least under the strict conditions of this work. Therefore, we recommend the estimation of quantile regression in models that use accounting and financial information, since heteroscedasticity and outliers are commonly found in these types of data, and because this estimation method is less sensitive and more robust to such conditions typically displayed by the data of this research field.