CURRENT ISSUES IN FINANCIAL ACCOUNTING AND AUDIT

NAMA ANGGOTA KELOMPOK :

(MAKSI Kelas A2M)

AMELIA WESTRI A. (041714253002)

BIMO BERDIA DESNATA (041714253005)
IRWAN ADIMAS GANDA S. (041714253011)
RIVANTI SANTIARA D. (041714253012)
EMIELIA MARETA (041714253028)
BASSEM MOHAMAD I. (041714253044)

PROGRAM STUDI MAGISTER AKUNTANSI

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS AIRLANGGA
SURABAYA
2018
 CAN TWITTER HELP PREDICT FIRM-LEVEL EARNINGS
AND STOCKRETURNS?

ANALISIS ARTIKEL
A. Analisis Latar Belakang mengidentifikasi:
1) Kerangka konseptual

2) H1
OPI [-10;-2]

ESURP
H2

EXRET [-1; +1]

H3

POORINFO

PRIOR_ESURP EXRET[-10; -2] RP_OPI SIZE MB

ANL INST Q4 LOSS

Variabel Kontrol
1) Gap dan motivasi penelitian
Penelitian terdahulu meneliti tentang bagaimana perusahaan memanfaatkan Twitter untuk
berkomunikasi dengan investor, peneliti lain menyelidiki tentang apakah informasi dari Twitter
dapat memprediksi pasar saham secara keseluruhan, dan peneliti yang ketiga menganalisis
tentang hubungan antara aktivitas Twitter dan respon investor terhadap earning news. Dari
beberapa penelitian yang sudah pernah dilakukan, terdapat kesenjanagan yang menimbulkan
pertanyaan apakah informasi spesifik perusahaan dari Twitter berguna dalam memprediksi
pendapatan perusahaan dan stock returns has not been addressed. Dalam penelitian ini hal baru
yang dilakukan adalah menganalisis apakah informasi dari tweet individu tentang perusahaan
dapat membantu investor memprediksi laba perusahaan dan announcement returns.
2) Rumusan masalah
(1) Apakah aggregate opinion dari tweets individu yang berkaitan dengan perusahaan mampu
memprediksi pendapatan kuartalannya?
(2) Apakah aggregate opinion dari tweet individu mampu memprediksi reaksi harga saham
terhadap realisasi pendapatan perusahaan?
(3) Apakah kualitas lingkungan informasi suatu perusahaan mampu menjelaskan variasi lintas
bagian dalam kemampuan prediktif dari aggregate opinion dari tweet individu (jika ada)?
3) Kontribusi penelitian
Hasil dari penelitian ini memiliki beberapa konstribusi yang penting bagi para pelaku pasar
modal untuk mempertimbangkan informasi tentang saham dari Twitter saat menilai prospek dan
nilai masa depan saham. Secara garis besar, hasil penelitian ini memiliki dua kontribusi penting,
yaitu;
a. Pertama, hasil penelitian memiliki implikasi penting untuk peran yang dimainkan Twitter
dalam komunitas investasi. Sementara investasi saham dapat dilihat sebagai noncooperative
zero-sum game, hasil penelitian menunjukkan bahwa individu menggunakan Twitter sebagai
saluran penting untuk berbagi informasi mengenai saham untuk keuntungan bersama.
b. Kedua, hasil penelitian berguna bagi regulator. Secara skeptis mungkin berpendapat bahwa
individu yang melayani diri sendiri mengeksploitasi media sosial, seperti Twitter, dengan
menyebarkan informasi yang menyesatkan dan spekulatif kepada investor dan, dengan
demikian, tugas regukatir untuk mengatur media sosial. Namun, hasil penelitian ini
menunjukkan sebaliknya: informasi di Twitter dapat membantu investor dalam keputusan
investasi mereka. Dengan demikian, Twitter dapat memainkan peran dalam membuat pasar
lebih efisien dengan mengungkap informasi nilai-relevan tambahan, terutama untuk
 perusahaan di lingkungan informasi yang lemah, dan intervensi peraturan yang tidak
dijamin.

B. Analisis literatur dan pengujian hipotesis mengidentifikasi:

1) Teori utama
WISDOM OF CROWDS
Konsep Wisdom of Crowds mengacu pada fenomena bahwa agregasi informasi yang
disediakan oleh banyak individu sering menghasilkan prediksi yang lebih baik daripada yang
dibuat oleh setiap anggota kelompok, atau bahkan ahli.
2) Penelitian sebelumnya
Menyelidiki bagaimana perusahaan memanfaatkan Twitter untuk berkomunikasi dengan investor
1. Blankespoor, Miller, dan White (2014), hasil penelitiannya menunjukkan bahwa
perusahaan dapat mengurangi asimetri informasi di kalangan investor dengan menyebarkan
berita mereka secara lebih luas menggunakan Twitter untuk mengirim market participants
links ke press releases dan traditional disclosures lainnya.
2. Jung, Naughton, Tahoun, dan Wang (2016), menemukan bahwa kira-kira setengah dari
perusahaan S&P 1500 telah membuat akun Twitter perusahaan atau halaman Facebook,
dengan preferensi yang lebih berkembang untuk Twitter.
3. Lee, Hutton, dan Shu (2015), menunjukkan bahwa perusahaan menggunakan saluran
media sosial, seperti Twitter, untuk berinteraksi dengan investor guna melemahkan reaksi
harga negatif terhadap penarikan produk konsumen.
Menganalisis apakah informasi dari Twitter dapat memprediksi pasar saham secara keseluruhan
1. Bollen, Mao, dan Zeng (2011), menunjukkan bahwa suasana agregat yang disimpulkan dari
analisis tekstual dari daily Twitter feeds dapat membantu memprediksi perubahan dalam
Indeks Dow Jones.
2. Mao, Wei, Wang, dan Liu (2012) menemukan bahwa jumlah harian tweet yang
menyebutkan saham S&P 500 secara signifikan terkait dengan level, perubahan, dan
perubahan absolut dalam Indeks S&P 500.
Menganalisa bagaimana aktivitas Twitter memengaruhi respons investor terhadap penghasilan.
Curtis, Richardson, dan Schmardebeck (2016), yang fokus pada aktivitas media sosial
(Twitter dan StockTwits) secara keseluruhan selama 30-day rolling windows, menemukan
bahwa tingkat aktivitas yang tinggi terkait dengan sensitivitas yang lebih besar dari earnings
announcement returns ke earnings surprises, sementara rendahnya tingkat aktivitas media sosial
terkait dengan pengalihan post-earnings-announcement yang signifikan.
 3) Pengembangan hipotesis
H1: opini agregat dari tweet individu mampu memprediksi earnings surprises yang akan datang,
menyiratkan β1 > 0
H2: opini agregat dari tweet individu mampu memprediksi earnings announcement returns,
menyiratkan β1 > 0
H3: efek dari pendapat agregat Twitter pada announcement returns lebih kuat untuk perusahaan
di lingkungan informasi yang lemah, menyiratkan β2 > 0

C. Analisis metode penelitian mengidentifikasi

1) Sampel
Using a broad sample from 2009 to 2012, we find that the aggregate opinion from individual
tweets successfully predicts a firm’s forthcoming quarterly earnings and announcement
returns.We employ a broad sample of 869,733 tweets (covering 33,186 firm-quarters from 3,604
distinct Russell 3000 firms) that span the four-year period from January 1, 2009 to December 31,
2012. Our sample only covers tweets providing informationrelated to a stock, written by
individuals in the nine-trading-day period leading up to the firm’s quarterly
earningsannouncement (days _10 to _2, where day 0 is the earnings announcement day).We limit
our sample to tweets with cashtags in an effort to increase confidence that the tweets relate to the
firmfinancial performance and value, thereby increasing the relevance of our measures.Our
initial sample contains 10,894,037tweets (66,290 firm-quarters from 4,733 unique firms) with
cashtags from Russell 3000 firms between March 21, 2006 andDecember 31, 2012.Our final
sample consists of 869,733 tweets, covering 33,186 firm-quarters.
2) Desain penelitian
Along the lines of prior research, we use textual analysis to quantify the opinion expressed in
individual tweets. Since performing textual analysis using any word classification scheme is
inherently imprecise .we measure OPI using two alternative, and considerably different, textual
analysis methodologies. The first methodology considers each individual tweet as a whole and
classifies it as negative, positive, or neutral. The second methodology focuses on the words
included in each individual tweet and detects specific negative words in the tweet.
3) Definisi operasional dan pengukuran variable
ANL Natural logarithm of 1 plus the number of analysts in the latest I/B/E/S consensus analyst
quarterly earnings pershare forecast prior to the quarter-end date.
ASSETS Total assets (ATQ).
EXRET (%) Buy-and-hold abnormal returns measured using Carhart’s (1997) four-factor model
for the window specified, whereday 0 is the quarterly earnings announcement date, multiplied by
100. We measure the buy-and-hold abnormal returns for firm i over three trading days, as
follows:

FE (%) Analyst earnings forecast error, measured as I/B/E/S reported quarterly earnings per
share less the latest I/B/E/Sconsensus analyst quarterly earnings per share forecast just prior to
the quarterly earnings announcement date,scaled by stock price as of the forecast date, multiplied
by 100.
INST Number of shares held by institutional investors scaled by total shares outstanding as of
the quarter-end date.
LOSS Indicator variable equal to 1 if earnings before extraordinary items (IBQ) is strictly
negative in the prior quarter, and0 otherwise.
MB Ratio of market value to book value of equity ([CSHOQ _ PRCCQ]/CEQQ).
MVE Market value of equity (CSHOQ _ PRCCQ).
OPI_BAYES Total number of tweets classified as positive less total number of tweets classified
as negative during the ninetrading-day window [_10;_2], where day 0 is the quarterly earnings
announcement date, The measure is scaled by 1 plus the sum of the probability levels.
OPI_VOCAB Single factor from a factor analysis using three vocabulary-based measures. The
number of words classified asnegative in each tweet is first weighted by the number of followers
of the user f1 þ [Log(1 þ Number ofFollowers)]g. Then, each measure is defined as _1 multiplied
by the sum of the weighted number of negativewords during the nine-trading-day window
[_10;_2], where day 0 is the quarterly earnings announcement date,scaled by 1 plus the number
of words classified as either positive or negative.
OPI_ORIG OPI calculated using only tweets classified as conveying original information .
OPI_DISSEM OPI calculated using only tweets classified as disseminating existing
information
OPI_FUNDA OPI calculated using only tweets primarily containing information directly
related to earnings, firm fundamentals,and/or stock trading .
OPI_NONFUNDA OPI calculated using only tweets not classified as containing information
directly related to earnings, firmfundamentals, and/or stock trading .
POORINFO Indicator variable equal to 1 if AF, INST, and traditional media coverage are all
below sample medians in the samecalendar quarter, and 0 otherwise.
 Q4 Indicator variable equal to 1 if the quarter is the fourth fiscal quarter, and 0
otherwise.RP_OPI Total number of traditional news events classified as positive less total
number of traditional news events classifiedas negative during the nine-trading-day window
[_10;_2], where day 0 is the quarterly earnings announcementdate, using the RavenPack
database. Each positive or negative traditional news event is weighted by RavenPack’sESS
(Event Sentiment Score) rescaled to range between 0 and 1, where higher values indicate
stronger sentiment,and the measure is scaled by the sum of the ESS rescaled.
SIZE Natural logarithm of MVE.
SUE Standardized unexpected earnings, measured using quarterly diluted earnings per share
excluding extraordinary items(EPSFXQ) and applying a seasonal random walk with drift model.
4) Metode pengujian hipotesis
Can Aggregate Opinion Predict Earnings Surprises?
Our first research question pertains to the ability of social media to predict quarterly earnings.
Can opinion aggregated fromindividual tweets regarding a firm help predict the firm’s quarterly
earnings? To answer this question, we perform regressiontests, estimating Equation (1) using
bootstrapped standard errors clustered by firm, as described above.
This would be the case when individual tweets reflect opinions of a large and diverse group of
people making independent and timely assessments of a company’s future earnings. Specifically,
positive aggregate opinion may suggest company performance that exceeds prior expectations,
while negative aggregate opinion may suggest company performance that disappoints prior
expectations.

In Equation (1), which is a forecasting model, the dependent variable, ESURP, is the earnings
surprise, measured using either standardized unexpected earnings (SUE) or analyst earnings
forecast error (FE), as is standard in the literature. FE is the I/B/E/S reported quarterly earnings
per share (EPS) less the latest I/B/E/S consensus analyst quarterly EPS forecast just prior to the
earnings announcement, scaled by the stock price as of the forecast date, multiplied by 100 (see,
e.g., Ng, Rusticus, and Verdi 2008). The test variable, OPI[_10;_2], is the aggregate opinion
about a firm extracted from individual tweets written in the period_10 to_2, where day 0 is the
firm’s quarterly earnings announcement date. OPI is a signed measure of the aggregate opinion
from Twitter, with higher values representing more positive opinion and lower values
representing more negative opinion. In Equation (1), the hypothesis that the aggregate opinion

from individual tweets predicts the upcoming earnings surprise implies

Can Aggregate Opinion Predict Announcement Returns?
Our second research question examines the relation between the aggregate opinion from
individual tweets written just prior to the earnings announcement, and the market response to
earnings.

The other six explanatory variables in Equation (2) are defined above with Equation (1) and in
Appendix A.11 The first variable, EXRET[_10;_2], controls for momentum in stock returns, and
is included to ensure that the effects we attribute to our variable of interest (OPI) are not driven
by momentum of pre-announcement returns. The second variable, RP_OPI, is included to ensure
that the Twitter-based OPI variables are not merely capturing information and opinion from
traditional media sources. The other four variables are used to control for effects shown by prior
research to explain the cross-sectional variation in stock returns around earnings announcements.
In Equation (2), the prediction that the aggregate opinion from individual tweets predicts
earnings announcement returns implies b1 . 0. This would be the case if, as often argued in the
literature, the market relies on analyst earnings forecasts and stock recommendations in forming
its earnings expectations and stock prices, but does not extract earnings information from
other, less prominent sources, such as tweets, in a timely fashion (i.e., as they are released). It is
arguable, however, that the marginal investor who sets stock prices is a sophisticated investor
whose earnings expectations and equity valuations may not solely rely on analyst forecasts and
recommendations. To assess this possibility, we use INST as a control variable.

Role of the Information Environment

In Equation (3), the coefficient b1 represents the contribution of OPI in predicting announcement
returns for firms in strong information environments, and the coefficient b2 represents the
incremental contribution of OPI in predicting stock returns for firms in weak information
environments. Hence, our prediction that the effect of the aggregate Twitter opinion on
announcement returns is stronger for firms in weak information environments implies b2 . 0. All
other variables are as defined above in Equations (1) and (2).
D. Analisis bagian akhir meliputi
1) Hasil pengujian dan pembahasan
Findings highlight the importance for capital market participants to consider information on
stocks fromTwitter when assessing stocks’ future prospects and value. These findings make two
important contributions. First, they haveimportant implications for the role Twitter plays in the
investing community. While stock investing may be viewed as a noncooperativezero-sum game,
our results suggest that individuals use Twitter as an important channel to share information
regarding stocks for their mutual benefit.
Second, our results are important to regulators. Skeptics may argue that self-serving
individuals exploit social media tools,such as Twitter, by disseminating misleading and
speculative information to investors and, thus, call for regulating socialmedia. However, our
results show the opposite: the information on Twitter can help investors in their investment
decisions. Thus, Twitter can play a role in making the market more efficient by uncovering
additional value-relevant information,especially for firms in weak information environments, and
regulatory intervention does not seem warranted.

As the results show, OPI_BAYES issignificantly positive, with a coefficient of 0.0275

(t-statistic¼2.84), and similarly, OPI_VOCAB is significantly positive, wita coefficient of
0.3138 (t-statistic ¼ 13.98).Among the control variables in Table 4, Panel A, it is noteworthy
that the prior earnings surprise, PRIOR_ESURP, theprior abnormal stock returns,
EXRET[_10;_2], and the opinion from traditional media, RP_OPI, all have significantly
positivecoefficients in both specifications. The estimate on PRIOR_ESURP is expected to be
significantly positive in light of a similarfinding in prior research indicating a positive serial
correlation in quarterly earnings surprisesThe finding that the coefficient on
EXRET[_10;_2]—which is included to control for information otherthan through Twitter that
may have reached the capital market prior to the earnings release—is significant is not
surprisingbecause EXRET[_10;_2] reflects current earnings information not yet included in SUE.
Finally, the significantly positivecoefficient on RP_OPI indicates that the correlation between
the aggregate Twitter opinion variables and future earningssurprise is incremental to the effect of
information and opinion from traditional media sources. Taken together, the resultsprovide
consistent support that the aggregate opinion from individual tweets predicts earnings
surprises.Models III and IV in Table 4, Panel A present the results from estimating Equation (1)
using FE as the dependent variable.While FE may measure the earnings surprise more accurately
than SUE, as it reflects more current information, there is a slight(under 7 percent) decline in
sample size due to the need to use analyst earnings forecast data. The results for FE are
broadlysimilar to those for SUE. In Model III, the coefficient on OPI_BAYES is positive
(0.0075) and significant (t-statistic ¼ 2.53).
Likewise, in Model IV, the coefficient on OPI_VOCAB is positive (0.0193) and significant
(t-statistic¼2.40). Interestingly, thecoefficients on the control variables EXRET[_10;_2] and
PRIOR_FE are significantly positive in both models. While this findingmay appear somewhat
surprising, it is consistent with findings in prior research indicating that analyst earnings
expectations donot fully reflect information in stock prices and that analyst earnings forecast
errors are positively serially correlated . As before, the coefficient on RP_OPI is significantly
positive in both models, indicatingthat the aggregate Twitter opinion effect is incremental to
opinion from traditional media sources.16Table 4, Panel B repeats the analysis in Table 4, Panel
A using measures of OPI disaggregated between original tweets anddissemination tweets. As in
Panel A, Models I and II (III and IV) present results with SUE (FE) as the dependent variable. In
Model I, using OPI_BAYES, the coefficient on OPI_ORIG is insignificant, while the coefficient
on OPI_DISSEM is positive(0.0272) and significant (t-statistic ¼ 3.03). Recall thatOPI_BAYES
is the only measure that considers positive information,which prior research has generally found
to be unreliable. This may potentially explain the insignificance of OPI_ORIG. ModelII repeats
the analysis with components of OPI_VOCAB and finds that the original tweet component,
OPI_ORIG, and thedissemination component, OPI_DISSEM, are both significantly positively
associated with SUE. In Model III, the results areessentially similar to these of Model I. In
Model IV, however, the coefficient on OPI_ORIG is positive (0.0175) and significantt-statistic
¼ 1.82), while the coefficient on OPI_DISSEM is insignificant. Within each regression, F-tests
indicate that thecoefficients on the OPI_ORIG and OPI_DISSEM variables are insignificantly
different from each other in all specifications.
Taken together, these results suggest that the aggregate opinion from individual tweets can help
predict earnings, with nostatistical difference in the predictive ability between tweets that convey
original information and tweets that disseminateexisting information.
Table 4, Panel C repeats the analysis in Table 4, Panel A, decomposing OPI between tweets that
convey earnings,fundamental, and/or trade-related information (OPI_FUNDA) and tweets that
contain other information (OPI_NONFUNDA).In Model I, with OPI_BAYES, the coefficient on
OPI_FUNDA is positive (0.0306) and significant (t-statistic¼3.24), while thecoefficient on
OPI_NONFUNDA is insignificant. Results from F-tests indicate a significant difference in these
coefficients (pvalue, 0.01). In Model II, with OPI_VOCAB, the coefficient on OPI_FUNDA is
positive (0.2763) and significant (t-statistic¼11.18), as is the coefficient on OPI_NONFUNDA
 (0.0827, t-statistic¼3.22). Results from F-tests indicate, again, a significantdifference in these
coefficients (p-value , 0.01). In Models III and IV, for both OPI_BAYES and OPI_VOCAB, the
coefficienton the OPI_FUNDA component is positive and significant, while the coefficient on
the OPI_NONFUNDA component isinsignificant. The differences in coefficients are, however,
insignificant. One way to interpret these results is that tweets
2) Kontribusi
The contribution of this paper is twofold define as implications
3) Keterbatasan
Estimation of OPI
4) Saran
Individuals use social media to share information regarding companies’ future prospects
for their mutual benefit. Second, ourresults are important to regulators. Skeptics argue that
individuals exploit social media by disseminating misleading andspeculative information and,
thus, call for regulating social media. However, our results show that the Wisdom of Crowds
andthe value of diversity and independence trump any concerns about the lack of credibility of
information on Twitter. In otherwords, our findings suggest that the information from social
media may help investors in their investment decisions, notmislead them. Thus, social
media can play a role in making the market more efficient by uncovering additional
value-relevantinformation, especially for firms in weak information environments, and
regulatory intervention does not seem warranted.
5) Implikasi
Important implications for the role social media plays inthe investing community. While
investing may be viewed as a non-cooperative zero-sum game.

E. Analisis artikel mengidentifikasi :

1) Berisi apakah jurnal tersebut?
2) Apa yang ditemukan
3) Bagaimana menemukannya?
4) Apa kekurangan jurnal tersebut?
5) Apa yang menjadi kekuatan jurnal ini?
6) Apa tindak lanjut penelitian topik yang terkait dengan jurnal ini?

F. Akhiri analisis artikel dengan kritik bebas

 DO FIRMS STRATEGICALLY DISSEMINATE? EVIDENCE FROMCORPORATE USE OF
SOCIAL MEDIA

A. Analisis Latar Belakang :

1. Kerangka konseptual

2. Gap dan motivasi penelitian

Penelitian ini menguji apakah perusahaan secara strategis menyebarkan informasi kepada publik.
Diseminasi strategis berbeda dari pengungkapan strategis, di mana perusahaan secara sukarela
memberikan informasi informasi kepada publik. Sebaliknya, diseminasi strategis mengacu pada
perusahaan yang memilih untuk menggunakan atau tidak menggunakan channel komunikasi tertentu
untuk mendistribusikan informasi sukarela dan wajib. Contohnya, perusahaan harus mengajukan laporan
triwulan dengan Securities and Exchange Commission (SEC), mereka dapat menjadi strategis dalam
penggunaan siaran pers, konferensi, dan media sosial untuk menyebarluaskan, mendiskusikan, dan
mengangkat hasil kuartalan mereka. Dengan demikian, keputusan diseminasi melampaui keputusan
pengungkapan dan mengungkapkan bagaimana perusahaan mencoba untuk mengendalikan lingkungan
informasi mereka.
Penelitian ini mengenai diseminasi strategis berfokus pada pengumuman laba triwulanan yang
disebarkan di platform media sosial Twitter. Fokus pada pengumuman laba karena pengumuman laba
sangat penting bagi investor dan merupakan pengungkapan wajib yang tidak perlu disebarluaskan di
Twitter, sehingga memungkinkan peneliti untuk memisahkan keputusan diseminasi dari keputusan
pengungkapan. Dan fokus pada Twitter karena data peneliti mengungkapkan bahwa twitter telah
melampaui platform media sosial lainnya dalam adopsi perusahaan umum dan untuk menyebarluaskan
pengumuman terkait investor,

3. Rumusan masalah

4. Kontribusi penelitian
Penelitian ini berkontribusi pada literatur dengan menguji diseminasi strategis perusahaan: (1) setelah
diberlakukannya Peraturan Pengungkapan yang Adil, yang melarang diseminasi pribadi, dan (2) di era di
mana penyebaran publik melalui media sosial menjangkau khalayak yang lebih luas. langsung dan cepat
daripada informasi yang diposting ke situs web perusahaan, karena teknologi seluler telah mendorong
adopsi media sosial di seluruh dunia ke tingkat yang belum pernah terjadi sebelumnya.
B. Analisis literatur dan pengujian hipotesis:
1. Teori utama

2. Penelitian sebelumnya
1) Verrecchia (1983) dan Botosan (1997) menemukan bahwa manajer memiliki insentif pasar
modal untuk meningkatkan nilai perusahaan, dan satu mekanisme untuk mencapai tujuan ini
adalah untuk mengurangi biaya modal melalui pengungkapan strategis.
2) Peningkatan penyebaran berita baru mempengaruhi harga saham (Li et al. 2011), mengurangi
asimetri informasi (Bushee et al. 2010), dan mempengaruhi proses penemuan harga (Twedt
2016). Studi-studi ini menyoroti gagasan bahwa diseminasi berbeda dari pengungkapan, dan
diseminasi itu sendiri memiliki konsekuensi pasar modal yang berpotensi penting.
3. Pengembangan hipotesis
Peneliti menempatkan bahwa para manajer dengan berita laba yang baik akan berusaha untuk
meningkatkan penyebaran diseminasi menggunakan media sosial, tetapi para manajer dengan berita laba
yang buruk tidak akan menggunakan media sosial. Peneliti menyatakan hipotesis pertama sebagai berikut:
H1a : Diseminasi strategis dikaitkan dengan arah berita; perusahaan lebih (kurang)
kemungkinan untuk menyebarkan berita baik (buruk) melalui media sosial.
Peneliti juga memanfaatkan fitur Twitter yang memungkinkan perusahaan untuk mengirim beberapa
tweet berulang (atau tweet serupa) tentang pengumuman laba kuartal yang sama untuk mengukur sejauh
mana (atau jumlah) dari diseminasi strategis.
H1b : Tingkat penyebaran strategis dikaitkan dengan arah berita; dalam kuartal yang sama,
perusahaan cenderung mengirim lebih banyak berita baik (lebih sedikit berita buruk) tweet
melalui media sosial.

C. Analisis metode penelitian :

1. Sampel
Semua perusahaan yang termasuk dalam indeks S & P 1500 pada Januari 2013, yang merupakan
bulan awal pengumpulan data. Peneliti mengidentifikasi apakah setiap perusahaan memiliki media sosial
di Twitter, Facebook, LinkedIn, Pinterest, YouTube, dan Google+ dengan mengunjungi situs web
perusahaan masing-masing dan mencari ikon atau tautan ke situs media sosialnya. Langkah ini
memastikan bahwa peneliti menemukan situs media sosial perusahaan yang sebenarnya, dibandingkan
dengan situs yang dikelola oleh komunitas atau grup pengguna yang terkait dengan perusahaan. Jika tidak
ditemukan tautan media sosial di situs web perusahaan, maka dengan mencari keberadaan perusahaan
secara manual di masing-masing situs media sosial, dengan berhati-hati untuk menggunakan hanya
halaman perusahaan resmi jika ada. Pada akhir periode pengumpulan data tampaknya Twitter telah
menjadi platform media sosial yang lebih disukai untuk perusahaan.

2. Desain penelitian
3. Definisi operasional dan pengukuran variable
Dependent Variable :
1) TW (Firm Using Twitter) : Variabel indikator ditetapkan 1 jika perusahaan memiliki akun twitter
selama periode sampel
2) TW_EA (Firm using Twitter for earnings tweet at least once) :Variabel indikator ditetapkan 1 jika
perusahaan men-tweet berita laba kapan saja selama periode sampel
3) TW_EA_Q (Firm making an EA tweet in Quarter q) : Variabel indikator ditetapkan 1 jika
perusahaan menyebarkan setidaknya satu tweet EA (tweet terkait laba pada tanggal
pengumuman laba perusahaan) untuk kuartal fiskal q.
4) TW_EA_NUM (Log number of EA tweets in Quarter q) : Log 1 ditambah jumlah tweet EA
(tweet terkait laba pada tanggal pengumuman laba perusahaan) yang dibuat oleh perusahaan
untuk kuartal fiskal q.
5) EA_RETWEET (tweet pengumuman laba yang di retweet) : Log 1 ditambah jumlah retweet
per EA tweet.
6) RETWEET_FOLLOWERS (follower dari akun yang me-retweet pengumuman laba) : Log
jumlah pengikut semua retweeter dari tweet EA perusahaan.
7) EA_NEWS : log 1 ditambah jumlah artikel berita yang ditulis oleh organisasi media
tradisional tentang laba perusahaan selama tiga hari yang berpusat pada tanggal pengumuman
laba perusahaan.
8) EA_NEWS_POS : Subset EA_NEWS yang memiliki skor sentimen di atas 50. RavenPack
News Analytics membangun skor sentimen antara 0 dan 100 yang mewakili sentimen berita dari
cerita yang diberikan dengan menggabungkan berbagai teknik analisis sentimen. Arah skor
ditentukan dengan melihat kata-kata dan frasa yang bermuatan emosional dan mencocokkan
cerita yang biasanya dinilai oleh para ahli sebagai dampak harga saham positif atau negatif
jangka pendek. Kekuatan skor (nilai di atas atau di bawah 50, di mana 50 mewakili kekuatan
netral) ditentukan dari reaksi harga saham intraday.
9) EA_NEWS_NEG : Bagian dari EA_NEWS yang memiliki skor sentimen di bawah 50
10) ABN_SAR (Abnormal absolute value of size-adjusted returns) : Selisih antara tiga hari ukuran
disesuaikan ukuran absolut dan rata-rata tiga hari ukuran hasil yang disesuaikan dalam periode
estimasi, dibagi dengan standar deviasi dari rata-rata ukuran absolut yang disesuaikan kembali
 dalam periode estimasi. Periode estimasi dimulai 61 hari kalender sebelum tanggal pengumuman
laba dan berakhir dua hari sebelum tanggal tersebut.
11) ABN_TURN (Abnormal share turnover) : Volume tiga hari dibagi dengan saham yang beredar,
dikurangi rata-rata turnover tiga hari dalam periode estimasi. Periode estimasi dimulai 61 hari
kalender sebelum tanggal pengumuman laba dan berakhir dua hari sebelum tanggal tersebut.
12) ABN_SPREAD (Abnormal Spread) : Spread rata-rata tiga hari (minta harga penawaran
dikurangi, dibagi dengan mean mereka), dikurangi rata-rata spread tiga hari dalam periode
estimasi, dikalikan dengan 10.000 untuk memudahkan interpretasi. Periode estimasi dimulai 61
hari kalender sebelum tanggal pengumuman laba dan berakhir dua hari sebelum tanggal tersebut.

Variabel :
1) TW_EA_NUMPREVIEW : Log 1 ditambah jumlah pratinjau tweet yang dibuat perusahaan untuk
kuartal fiskal q
2) TW_EA_NUMREHASH : Log 1 ditambah jumlah tweet rehash yang dibuat perusahaan untuk
kuartal fiskal q
3) FIRM_FOLLOWERS : Log jumlah pengikut Twitter yang dimiliki perusahaan pada tanggal 31
Maret 2013.
4) EA_FIRM_FOLLOWERS : Log jumlah total pengikut Twitter perusahaan pada tanggal 31 Maret
2013, ketika perusahaan membuat tweet EA, dan 0 ketika perusahaan tidak membuat tweet EA.
5) PRESS_RELEASES : Log 1 ditambah jumlah siaran pers yang diterbitkan oleh perusahaan dan
didistribusikan melalui penyedia berita selama kuartal tersebut.
6) MEDIA_NEWS : Log 1 ditambah jumlah artikel berita yang ditulis tentang pengumuman laba
perusahaan selama kuartal tersebut.

4. Metode pengujian hipotesis : Ordinary Least Square (OLS) Regression

D. Analisis bagian akhir :

1. Hasil pengujian dan pembahasan
1) General Twitter Usage. Untuk menguji apakah perusahaan menggunakan Twitter untuk
penyebaran strategis pengumuman laba, dengan memeriksa faktor-faktor penentu penggunaan
umum Twitter perusahaan untuk memberikan bukti pemakaian media sosial perusahaan.
Hasil & Pembahasan: Koefisien positif pada SIZE, MTB, dan ADVERTISING menunjukkan
bahwa perusahaan dengan akun Twitter cenderung lebih besar, lebih bernilai, dan membelanjakan
lebih banyak untuk biaya iklan (misalnya, karena mereka adalah perusahaan ritel). Selain itu,
perusahaan-perusahaan ini memiliki leverage yang lebih rendah, cakupan analis yang lebih tinggi,
dan mengeluarkan lebih banyak siaran pers. Namun, koefisien negatif pada MEDIA_NEWS
menunjukkan bahwa lebih sedikit artikel yang ditulis tentang perusahaan-perusahaan ini di media
tradisional. Terakhir, perusahaan yang mengadopsi Twitter cenderung memiliki CEO yang lebih
muda, tetapi usia perusahaan dan apakah perusahaan tersebut berlokasi di Silicon Valley bukanlah
faktor yang signifikan.
2) Twitter Usage for Earnings News. Menyelidiki faktor penentu pilihan perusahaan untuk
menggunakan Twitter untuk menyebarkan berita laba setidaknya sekali selama periode sampel.
Hasil & Pembahasan : Koefisien positif yang signifikan untuk PRESS_RELEASES dan SIZE
menunjukkan bahwa perusahaan dan perusahaan besar yang mengeluarkan lebih banyak siaran pers
cenderung menyebarkan berita laba melalui Twitter. Koefisien negatif signifikan untuk
MEDIA_NEWS menunjukkan bahwa perusahaan dengan lebih sedikit artikel yang ditulis tentang
berita laba mereka dari media tradisional lebih cenderung menyebarkan berita laba melalui Twitter.
Koefisien negatif untuk CEO menunjukkan bahwa di semua perusahaan, dengan CEO yang lebih
muda lebih cenderung mengadopsi Twitter dan menggunakannya untuk berita laba. Tetapi tergantung
pada yang memiliki akun Twitter, usia CEO bukanlah faktor yang signifikan. Koefisien negatif untuk
FIRM_FOLLOWERS menunjukkan bahwa perusahaan dengan pengikut lebih sedikit lebih
cenderung menggunakan Twitter untuk informasi laba. Hasil ini menunjukkan bahwa perusahaan
dalam industri ritel kurang cenderung menggunakan Twitter untuk berita laba, sementara perusahaan
dalam industri industrial (misalnya, Minyak dan Baja) yang lebih mungkin untuk melakukannya.
3) Quarter-by-Quarter Dissemination of Earnings News Using Twitter. Untuk menguji hipotesis
pertama kami (H1a) bahwa penyebaran strategis terkait dengan arah (baik atau buruk) dari berita
laba kuartalan.
Hasil & Pembahasan : Koefisien untuk MISSEST dan istilah interaksi MISSEST*|JEARNINGS_
SURPRISE| secara signifikan negatif, menunjukkan bahwa perusahaan-perusahaan yang kehilangan
ekspektasi laba analis dan kehilangan dengan jumlah yang lebih besar cenderung tidak men-tweet
berita laba atas Twitter. Efek kecil dari ekspektasi yang hilang (MISSEST = 1) adalah penurunan 1,4
persen dalam probabilitas mengirim tweet EA, yang dapat muncul nominal secara absolut, tetapi ini
mewakili 12 persen dari probabilitas tanpa syarat (11,8 persen) dari perusahaan yang mengirim tweet
EA dalam suatu kuartal tertentu. Hasil ini mendukung hipotesis pertama bahwa keputusan untuk
menyebarluaskan berita laba melalui Twitter terkait dengan arah berita laba, yang konsisten dengan
perilaku diseminasi strategis oleh perusahaan.
 Untuk memberikan bukti lebih lanjut tentang diseminasi strategis dalam pengaturan media sosial,
peneliti menguji bagian kedua dari hipotesis (H1b) bahwa sejauh mana (atau jumlah) penyebaran
dikaitkan dengan arah berita laba kuartalan. Peneliti mengganti variabel dependen biner (TW_EA_Q)
dengan variabel kontinyu (TW_EA_NUM). Hasilnya, koefisien untuk MISSEST negatif (signifikan
pada tingkat 10 persen), menunjukkan bahwa di semua perusahaan, di mana perusahaan kehilangan
ekspektasi laba analis cenderung memiliki lebih sedikit tweet EA. Koefisien untuk interaction terms
negatif, tetapi tidak signifikan, menunjukkan bahwa besarnya laba yang hilang tidak berkorelasi
dengan jumlah tweet EA. Secara keseluruhan, hasil memberikan beberapa dukungan untuk H1b,
bahwa sejauh mana penyebaran strategis setiap kuartal dikaitkan dengan arah berita laba.
4) Timing of Dissemination of Earnings News Using Twitter. Menyelidiki apakah, tergantung pada
perusahaan yang membuat tweet EA, waktu tweet EA tertunda ketika berita laba buruk. Secara
umum, ada sedikit variasi dalam ukuran waktu yang berlalu — jumlah median waktu antara
waktu pengumuman laba dan tweet EA pertama adalah 37 menit, dan waktu kuartil pertama dan
ketiga masing-masing sepuluh menit dan dua jam. Dalam analisis yang tidak dianalisa, peneliti
tidak menemukan hubungan antara waktu yang telah berlalu dan arah berita laba, mungkin tidak
mengherankan mengingat kurangnya variasi dalam waktu yang telah berlalu di seluruh
perusahaan. Selanjutnya, peneliti menguji apakah perusahaan menunda laba setelah sampai pasar
modal tutup ketika berita laba buruk. Untuk analisis ini, dibatasi sampel untuk
perusahaan-perusahaan yang merilis laba sebelum pasar modal dibuka (untuk menguji apakah
perusahaan tersebut menunggu sampai seluruh hari perdagangan berakhir sebelum membuat
tweet EA).
Hasil & Pembahasan : Ada 39 perusahaan di mana perusahaan mengumumkan laba di pembukaan,
tetapi menunggu untuk menge-tweet setelah penutupan pasar. Dalam analisis yang tidak dianalisa,
tidak ditemukan bahwa perusahaan dengan berita laba yang buruk lebih atau kurang cenderung
menunda tweet EA mereka sampai setelah penutupan pasar. Secara keseluruhan, analisis ini tidak
mendukung kesimpulan bahwa perusahaan, tergantung pada pembuatan tweet EA, sangat strategis
dengan waktu tweet.
5) Cross-Sectional Variation in Incentives for Strategic Dissemination. Insentif untuk penyebaran
strategis dapat dikaitkan dengan tingkat risiko litigasi perusahaan, pengalaman investor, dan
ukuran audiens media sosial. Dalam subbagian ini, untuk menguji apakah variasi dalam insentif
ini terkait dengan keputusan penyebaran strategis perusahaan.
Hasil & Pembahasan: Koefisien untuk MISSEST secara signifikan negatif dan koefisien untuk
interaction term MISSEST* |EARNINGS_SURPRISE| secara signifikan negatif. Hasil terakhir
memberikan beberapa bukti bahwa diseminasi strategis sebagai tanggapan terhadap besarnya kejutan
laba negatif lebih mungkin bagi perusahaan dengan basis investor ritel yang lebih besar (yaitu,
pengalaman yang lebih rendah).
Terakhir, peneliti menganalisis apakah ada perbedaan cross-sectional berdasarkan ukuran
audiens media sosial. Membagi sampel menggunakan nilai median FIRM_FOLLOWERS. Koefisien
interaction term MISSEST*|EARNINGS_SURPRISE| secara signifikan negatif. Hasil terakhir
memberikan beberapa bukti bahwa diseminasi strategis dalam menanggapi earnings surprise
negatif lebih mungkin untuk perusahaan dengan pengikut media sosial yang lebih besar. Secara
keseluruhan, menunjukkan bahwa hubungan antara diseminasi strategis dan earnings surprise negatif
(atau besarnya) lebih kuat ketika insentif untuk diseminasi strategis lebih besar.
6) Response by Firms’ Twitter Followers to Earnings Tweets. Menguji bagaimana audiens media
sosial perusahaan menanggapi penyebaran berita laba. Twitter memungkinkan perusahaan untuk
tidak hanya menge-tweet informasi langsung kepada pengikut mereka, tetapi juga
memungkinkan pengikut perusahaan untuk retweet informasi kepada pengikut mereka. Peneliti
tertarik untuk memeriksa apakah frekuensi retweeting berita laba perusahaan dan ukuran audiens
yang menerima retweet terkait dengan arah berita laba. Untuk mengukur ekstensi audiens
Twitter perusahaan ini, dengan mengidentifikasi jumlah pengikut setiap orang yang me-retweet
tweet EA perusahaan.
Hasil & Pembahasan : Sampel mencakup semua perusahaan di mana perusahaan menge-tweet
berita laba. Menyertakan FIRM_FOLLOWERS sebagai kontrol tambahan dalam spesifikasi ini,
karena jumlah retweet kemungkinan bergantung pada jumlah total pengikut Twitter perusahaan.
Hasil kami tidak terpengaruh jika variabel kontrol tambahan ini tidak disertakan. Tidak menemukan
koefisien yang signifikan. Kurangnya signifikansi menunjukkan bahwa sementara perusahaan
menunjukkan perilaku strategis dalam penyebaran berita laba mereka melalui Twitter, pengikut
mereka tidak lebih atau kurang cenderung untuk me-retweet berita baik atau buruk. Hanya koefisien
untuk ukuran perusahaan dan market-to-book ratio yang secara signifikan positif, menunjukkan
bahwa pengikut perusahaan yang lebih besar dan memiliki valuasi relatif lebih tinggi cenderung
untuk me-retweet berita laba perusahaan kepada khalayak luas yang lebih besar.
7) Earnings Tweets and Traditional Media. Menguji apakah tweeting perusahaan tentang
pengumuman laba dan retweeting berikutnya oleh pengikut perusahaan terkait dengan perhatian
media tradisional.
Hasil & Pembahasan : Koefisien untuk EA_FIRM_FOLLOWERS dan interaksinya dengan
MISSEST tidak signifikan. Sebaliknya, koefisien untuk RETWEET_FOLLOWERS secara signifikan
positif, menunjukkan secara keseluruhan bahwa tingkat berita laba oleh media tradisional lebih tinggi
untuk perusahaan dengan retweet lebih dari pengumuman labanya. Ketika variabel dependen adalah
EA_NEWS_NEG, positif dan signifikan. Koefisien ini menunjukkan bahwa ketika perusahaan
membuat tweet EA mengenai ekspektasi analis yang terlewatkan dan itu di-retweet oleh pengikut
perusahaan, jumlah pengguna yang menerima retweet terkait dengan perhatian media negatif yang
lebih besar tentang pengumuman laba perusahaan. Hasil ini dapat mencerminkan kecenderungan
pengguna media sosial dan organisasi media tradisional untuk berita negatif.
8) Earnings Tweets and Market Reactions. Menguji apakah tweeting perusahaan tentang
pengumuman laba dan retweeting berikutnya oleh pengikut perusahaan terkait dengan reaksi
pasar modal.
Hasil & Pembahasan : Fokus analisis terkait reaksi pasar terhadap EA_FIRM_FOLLOWERS dan
RETWEET_FOLLOWERS. Ketika variabel dependen adalah ABN_SAR, koefisien untuk
EA_FIRM_FOLLOWERS secara signifikan positif, menunjukkan reaksi pasar yang lebih besar
ketika perusahaan membuat tweet EA dan audiens Twitter-nya lebih besar. Sebaliknya, koefisien
untuk RETWEET_FOLLOWERS tidak signifikan. Ketika variabel dependen adalah ABN_TURN,
koefisien untuk EA_FIRM_ FOLLOWERS dan RETWEET_FOLLOWERS keduanya tidak
signifikan. Hasil ini hanya memberikan dukungan terbatas untuk hubungan antara ukuran audiens
Twitter langsung perusahaan yang menerima tweet EA dan reaksi pasar pada saat pengumuman laba.
Ketika variabel dependen adalah ABN_SPREAD, yang merupakan ukuran asimetri informasi,
koefisien untuk EA_FIRM_FOLLOWERS secara signifikan negatif, menunjukkan spread yang lebih
kecil ketika perusahaan membuat tweet EA ke yang lebih besar jumlah pengikut. Dalam Kolom (6),
koefisien untuk interaksi RETWEET_FOLLOWERS dan earnings surprise absolut secara signifikan
positif, menunjukkan bahwa tingkat RETWEET_FOLLOWERS menetralkan asimetri informasi
ketika besarnya berita laba lebih besar.
9) Dissemination of Preview and Rehash Tweets. Menguji apakah keputusan perusahaan untuk
menyebarluaskan preview atau rehash laba tweets terkait dengan arah berita laba.
Hasil & Pembahasan : Koefisien untuk MISSEST dan interaksinya dengan earnings surprise absolut
tidak signifikan. Hasil untuk tweet rehash; perusahaan dan perusahaan besar yang menghabiskan
lebih sedikit untuk iklan (misalnya, perusahaan non-ritel) cenderung mengirim lebih banyak tweet
rehash. Kami juga menemukan bahwa istilah interaksi MISSEST* |EARNINGS_SURPRISE| secara
signifikan negatif (pada tingkat 10 persen), menunjukkan bahwa di semua perusahaan dan di dalam
perusahaan Twitter, mereka cenderung mengirim lebih sedikit tweet rehash ketika berita laba lebih
buruk. Bukti ini memberikan dukungan tambahan untuk hipotesis kami bahwa penyebaran berita laba
perusahaan dan sejauh mana (jumlah) penyebaran dikaitkan dengan arah berita.
10) Earnings Tweets and Intraday Market Reactions. Menganalisis reaksi pasar intraday untuk EA,
pratinjau, dan rehash tweet untuk subset perusahaan yang menge-tweet selama jam perdagangan
 pasar. Mengetahui tanggal dan waktu yang tepat dari setiap tweet, dan menggunakan data
intraday dari database New York Stock Exchange (NYSE) Trade and Quote (TAQ), kami
membandingkan reaksi pasar selama 15 menit setelah tweet ke reaksi pasar untuk 15 menit
sebelum tweet.
Hasil & Pembahasan : Dalam hasil yang tidak diolah, menemukan 230 EA tweet yang terjadi
selama jam perdagangan pasar, dan rata-rata volume abnormal dan jumlah perdagangan adalah 3
persen dan 5 persen, masing-masing (keduanya signifikan pada tingkat 1 persen). Dengan kata lain,
ada peningkatan volume perdagangan dan jumlah perdagangan secara signifikan, rata-rata, dalam 15
menit setelah tweet EA, dibandingkan dengan 15 menit sebelum tweet. Satu penjelasan bisa jadi
bahwa tweet EA terjadi pada hari yang sama dengan pengumuman laba perusahaan, dan mungkin ada
peningkatan perdagangan sepanjang hari. Namun, kami menemukan hasil yang serupa dengan
pratinjau dan rehash tweet meskipun pratinjau tweet terjadi, rata-rata, 13 hari sebelum pengumuman
laba, dan tweet rehash terjadi, rata-rata, satu hingga dua hari setelah pengumuman laba. Kami
menemukan 531 pratinjau tweet selama jam perdagangan, dan rata-rata volume dan jumlah
perdagangan yang tidak normal adalah 8 persen dan 9 persen, masing-masing. Juga ada 307 kicauan
rehash selama jam perdagangan, dan rata-rata volume dan jumlah perdagangan yang tidak normal
adalah 4 persen dan 5 persen, masing-masing. Melihat temuan ini sebagai bukti reaksi pasar intraday
terkait dengan tweet terkait laba intraday.

2. Kontribusi
Pertama, peneliti memperluas literatur pengungkapan strategis. Kedua, berkontribusi pada penelitian
sebelumnya yang telah memeriksa waktu pengungkapan strategis untuk menguntungkan manajer
perusahaan. Ketiga, penelitian ini juga memperluas karya terbaru yang meneliti penggunaan media sosial
oleh perusahaan untuk meningkatkan lingkungan informasi mereka.
3. Keterbatasan : Tidak diuraikan mengenai keterbatasan penelitian dalam artikel ini
4. Saran : Tidak disebutkan dalam artikel
5. Implikasi.

E. Analisis artikel :
1. Berisi apakah jurnal tersebut?
2. Apa yang ditemukan?
Peneliti menemukan bahwa perusahaan cenderung tidak menyebarkan berita laba kuartalan melalui
Twitter ketika berita buruk dan ketika laba meleset lebih besar, konsisten dengan perilaku diseminasi
strategis.
3. Bagaimana menemukannya?
Peneliti lebih lanjut memeriksa perilaku ini dengan menguji apakah tingkat (atau jumlah) dari
diseminasi strategis berkaitan dengan arah berita.
4. Apa kekurangan jurnal tersebut?
5. Apa yang menjadi kekuatan jurnal ini?
6. Apa tindak lanjut penelitian topik yang terkait dengan jurnal ini?