# JR Ak Kos - Weiss2010.en - Id

TINJAUAN AKUNTANSI Asosiasi Akuntansi Amerika
Vol. 85, No. 4 DOI: 10.2308 / accr.2010.85.4.1441

2010
hlm. 1441–1471
Perilaku Biaya dan Penghasilan Analis

Ramalan
Dan Weiss
Universitas Tel Aviv
ABSTRAK: Studi ini meneliti bagaimana perilaku biaya asimetris perusahaan memengaruhi prakiraan pendapatan analis,
terutama keakuratan prakiraan pendapatan konsensus analis. Hasil menunjukkan bahwa perusahaan dengan perilaku
biaya lebih ketat memiliki perkiraan pendapatan analis yang kurang akurat dibandingkan perusahaan dengan perilaku
biaya lebih rendah. Selain itu, temuan menunjukkan bahwa kekakuan biaya memengaruhi prioritas cakupan analis dan
investor tampaknya mempertimbangkan perilaku biaya tetap dalam membentuk keyakinan mereka tentang nilai
perusahaan. Studi ini mengintegrasikan topik penelitian akuntansi manajemen yang khas, perilaku biaya, dengan tiga topik
akuntansi keuangan standar yaitu, akurasi perkiraan pendapatan analis, cakupan analis, dan respons pasar terhadap
kejutan pendapatan .
Kata kunci: analis; perkiraan pendapatan; biaya tetap; perilaku biaya asimetris.
Klasifikasi JEL: M41; G12.
I. PENDAHULUAN
M.perusahaan
aspek analisis laba untuk manajer. Analis keuangan, bagaimanapun, memperkirakan biaya masa depan
dalammanajemen
akuntan proses perkiraan pendapatan
secara tradisional masa depan.
berfokus Memprediksi
pada perilaku perilaku
biaya sebagai halbiaya
yang merupakan
penting bagian penting dari
prediksi pendapatan. Namun, hubungan potensial antara perilaku biaya perusahaan dan properti perkiraan pendapatan
analis belum dieksplorasi. Penelitian ini mengintegrasikan manajemen dan disiplin akuntansi keuangan dengan
menunjukkan efek perilaku biaya pada: 1 akurasi perkiraan pendapatan konsensus analis, 2 tingkat cakupan analis, dan 3 respons
pasar terhadap pengumuman pendapatan.
Berfokus pada perilaku biaya, saya membangun konsep biaya tetap Anderson et al. 2003 . Biaya
disebut lengket jika meningkat lebih ketika aktivitas naik dari penurunan ketika aktivitas turun dengan jumlah yang setara. Suatu perusahaan
dengan biaya lebih ketat menunjukkan penurunan laba yang lebih besar ketika perusahaan
Penulis berterima kasih atas komentar yang berharga dan saran yang membangun dari Matthias Amen, Yakov Amihud, Eli Amir, Ramji Balakrishnan, Ray Ball,
Bankir Rajiv, Avraham Beja, Simon Benninga, Jeffrey Callen, Clara Chen, editor Harry Evans , Richard Frankel, Dan Givoly, Thomas Hemmer, Surya
Janakiraman, Avner Kalay, Itay Kama, Michael Kinney, Thomas Lys, Michael Maher, Aharon Ofer, Naomi Soderstrom, Paul Zarowin, dan dua wasit anonim.
Komentar dari para peserta MAS Midyear Conference, Simposium Penelitian Akuntansi Akuntansi Global GMARS , Konferensi Riset Akuntansi Manufaktur,
Konferensi Akuntansi Tel Aviv, dan Pertemuan Tahunan Asosiasi Akuntansi Amerika sangat dihargai. Bagian dari penelitian ini dilakukan selama kunjungan
penulis ke University of California, Davis. Penelitian ini didukung oleh Yayasan Sains Israel. Catatan editor: Diterima oleh John H. Harry Evans III.
Diserahkan: September 2008

Diterima: Januari 2010
Diterbitkan Online: Juni 2010
1441
1442 Weiss
tingkat aktivitas turun dari perusahaan dengan biaya yang lebih rendah. Alasannya adalah bahwa biaya tetap menghasilkan penyesuaian biaya yang lebih
kecil ketika tingkat aktivitas menurun dan, oleh karena itu, penghematan biaya lebih rendah. Penghematan biaya yang lebih rendah menghasilkan
penurunan pendapatan yang lebih besar. Penurunan laba yang lebih besar ketika tingkat aktivitas turun meningkatkan variabilitas distribusi pendapatan,
menghasilkan prediksi pendapatan yang kurang akurat.
Hasil, berdasarkan sampel 44.931 kuartal industri untuk 2.520 perusahaan dari tahun 1986 hingga 2005, menunjukkan
bahwa perilaku biaya tetap mengurangi keakuratan prakiraan pendapatan konsensus analis setelah mengendalikan
ketidakpastian lingkungan, jumlah informasi perusahaan yang tersedia, cakrawala perkiraan, dan efek industri.
Mengklasifikasikan biaya menjadi biaya lengket dan anti-lengket, 1 Temuan menunjukkan bahwa prakiraan pendapatan konsensus absolut
analis untuk perusahaan dengan perilaku biaya tetap, rata-rata, 25 persen kurang akurat dibandingkan dengan perusahaan dengan perilaku biaya
anti-lengket. Terbukti, perilaku biaya merupakan penentu yang berpengaruh terhadap akurasi perkiraan analis. Hasilnya kuat untuk keleluasaan
manajerial potensial yang mungkin bias ukuran kekakuan biaya dan untuk memperkirakan kekakuan biaya selama jangka waktu yang lama.
Temuan meluas Bankir dan Chen 2006 , yang menunjukkan bahwa perilaku biaya menjelaskan sebagian besar keunggulan analis dibandingkan
model deret waktu. Temuan-temuan ini juga berguna bagi investor yang menggunakan perkiraan pendapatan konsensus untuk menilai
perusahaan, karena mereka berpendapat bahwa biaya yang lebih ketat mengindikasikan pendapatan masa depan yang lebih fluktuatif.
Mengatasi tingkat cakupan analis, saya memeriksa hubungan antara akurasi perkiraan pendapatan dan tingkat cakupan analis.
Sementara Alford dan Berger 1999 dan Weiss et al. 2008 mendokumentasikan hubungan positif, Barth et al. 2001 melaporkan bahwa analis
cenderung lebih suka menutupi perusahaan dengan aset tidak berwujud yang ditandai dengan kinerja yang tidak stabil. Dengan demikian,
bukti sebelumnya dicampur dan hubungan ini merupakan masalah empiris terbuka. Saya menemukan perusahaan itu dengan biaya yang
lebih ketat dan perkiraan pendapatan yang kurang akurat memiliki cakupan analis yang lebih rendah setelah mengendalikan jumlah informasi
yang tersedia, ketidakpastian lingkungan, intensitas pengeluaran R&D, dan faktor penentu tambahan penawaran dan permintaan untuk
perkiraan analis yang dilaporkan dalam literatur misalnya, Bhushan 1989 ; Lang dan Lundholm 1996 . Temuan menunjukkan bahwa perilaku
biaya perusahaan mempengaruhi prioritas cakupan analis.
Akhirnya, saya memeriksa apakah investor berperilaku seolah-olah mereka memahami kekakuan biaya dalam menanggapi pengumuman
laba. Ketika prediktabilitas penghasilan menurun, laba yang dilaporkan memberikan informasi yang kurang berguna untuk prediksi laba masa
depan, sehingga koefisien respons laba menurun misalnya, Lipe 1990 . Jika investor mengenali kekakuan biaya sampai batas tertentu, menyadari
bahwa kekakuan biaya mengurangi keakuratan prakiraan pendapatan analis, maka perilaku biaya yang lebih ketat menyebabkan investor kurang
bergantung pada informasi laba yang direalisasikan karena kekuatan prediksi yang lebih rendah. Demikian pula, saya menemukan respons
pasar yang lebih lemah terhadap kejutan pendapatan bagi perusahaan dengan perilaku biaya yang lebih ketat. Secara keseluruhan, temuan
menunjukkan bahwa perilaku biaya penting dalam membentuk kepercayaan investor mengenai nilai perusahaan.
Pemeriksaan empiris ini difasilitasi oleh ukuran baru dari kekakuan biaya pada tingkat perusahaan yang dikembangkan dalam penelitian
ini. Saya memperkirakan perbedaan dalam kemiringan fungsi biaya antara penyesuaian aktivitas ke atas dan ke bawah. Sementara Anderson et
al. 2003 dan studi selanjutnya menggunakan regresi crosssectional dan time-series untuk memperkirakan kekakuan biaya, 2 ukuran baru yang
dikembangkan di sini menempatkan lebih sedikit permintaan pada data dan memungkinkan untuk menguji sensitivitas hasil terhadap asumsi
model biaya utama. Ukuran baru ini menguatkan bukti sebelumnya tentang variasi di antara sticki biaya perusahaan
1 Biaya disebut anti-lengket jika mereka meningkat kurang ketika aktivitas naik dari penurunan ketika aktivitas turun oleh
jumlah yang setara. Lihat contoh di Balakrishnan et al. 2004 dan diskusi di Bagian II.
2 Lihat,
misalnya, Banker et al. 2008 dan Anderson dan Lanen 2007 .
Tinjauan Akuntansi Juli 2010

Asosiasi Akuntansi Amerika
Prakiraan Perilaku Biaya dan Analis 1443
dan menyediakan ruang untuk memperkirakan kekakuan biaya perusahaan yang beroperasi di industri dengan sejumlah kecil
perusahaan, yang membatasi estimasi yang berarti dari model regresi. 3
Penelitian ini memperluas ruang lingkup penelitian perilaku biaya. Secara tradisional, perilaku biaya telah menarik perhatian akuntan
manajemen yang tertarik dalam pengambilan keputusan dan kontrol. Hasil saat ini menunjukkan bahwa analis keuangan juga mendapat
manfaat dari pemahaman perilaku biaya. Selanjutnya, temuan ini berkontribusi pada pemahaman kami tentang bagaimana analis
menggunakan informasi publik yang dilaporkan dalam laporan keuangan untuk mengenali perilaku biaya misalnya, Abarbanell dan Bushee
1997 ;
Brown et al. 1987 .
Singkatnya, penelitian ini mengintegrasikan topik penelitian akuntansi manajemen yang khas, perilaku biaya, dengan
tiga topik akuntansi keuangan standar. Pentingnya mengintegrasikan dua aliran penelitian telah lama diakui Hemmer dan
Labro 2008 .
Hipotesis dikembangkan di Bagian II, desain penelitian dijelaskan pada Bagian III, dan hasil empiris di Bagian IV.
Bagian V menawarkan komentar penutup tentang prospek mengintegrasikan manajemen dan penelitian akuntansi
keuangan.
II PENGEMBANGAN HIPOTES
Terlepas dari minat yang besar pada ramalan pendapatan analis, penelitian sebelumnya belum menyelidiki hubungan
antara perilaku biaya perusahaan dan sifat-sifat ramalan pendapatan analis, meskipun bagian penting yang dimainkan prediksi
biaya dalam proses prediksi pendapatan. Studi empiris sebelumnya memberikan bukti bahwa keakuratan prakiraan pendapatan
analis meningkat dalam jumlah informasi yang tersedia mengenai perusahaan Atiase 1985 ; Lang dan Lundholm 1996 ,
meningkatkan ukuran perusahaan tetapi tidak dalam kompleksitas perusahaan Brown et al. 1987 , dan penurunan tingkat
ketidakpastian di lingkungan produksi perusahaan Parkash et al. 1995 . Kemudian dikerjakan oleh
Bankir dan Chen 2006 melaporkan bahwa perilaku biaya menjelaskan sebagian besar keuntungan analis dalam prediksi
pendapatan atas berbagai model deret waktu.
Konsep biaya lengket yang baru-baru ini dikembangkan memberikan latar belakang yang menarik untuk mengeksplorasi mengapa dan
bagaimana perilaku biaya memengaruhi keakuratan prakiraan pendapatan analis. Biaya tetap menunjukkan bahwa biaya cenderung “melekat”
dan karenanya tidak hilang ketika tingkat aktivitas menurun. Balakrishnan dan Gruca 2008 melaporkan bahwa administrator rumah sakit
menemukan itu sulit dan mahal untuk menyesuaikan tingkat kapasitas kegiatan inti ke bawah yang mengakibatkan biaya tetap. Bankir dan Chen
2006
meningkatkan prediksi pendapatan dengan memperkirakan biaya berlebihan yang dikeluarkan karena biaya menjadi lengket ketika penjualan menurun. Anderson
et al. 2007 melaporkan bahwa kekakuan biaya menyebabkan rasio biaya SG&A terhadap penjualan meningkat, bukannya menurun secara proporsional dengan
penjualan, ketika pendapatan menurun. Secara keseluruhan, penelitian sebelumnya menganggap biaya sebagai lengket jika perusahaan mengeluarkan biaya yang
tidak proporsional ketika tingkat aktivitas menurun.
Saya membangun Balakrishnan et al. 2004 untuk menggambarkan intuisi yang mendasari hubungan antara tingkat kekakuan biaya dan
keakuratan prakiraan pendapatan analis. Balakrishnan et al. 2004 berpendapat bahwa tingkat pemanfaatan kapasitas memengaruhi respons
manajer terhadap perubahan tingkat aktivitas. Dengan demikian, jika pemanfaatan kapasitas tinggi, manajer perusahaan tidak mungkin untuk
segera memotong sumber daya sebagai respons terhadap penurunan tingkat aktivitas karena penurunan tersebut mungkin bersifat sementara.
Namun, peningkatan tingkat aktivitas di bawah pemanfaatan kapasitas tinggi kemungkinan akan melewati ambang batas sumber daya yang
tersedia dan memicu peningkatan sumber daya yang disediakan. Dengan asumsi pemanfaatan kapasitas tinggi, respons terhadap penurunan
tingkat aktivitas akan lebih kecil daripada respons terhadap peningkatan serupa di tingkat aktivitas, yang mengakibatkan biaya tetap -
digambarkan oleh garis tebal pada Gambar 1 . Sebaliknya, anggap perusahaan yang sama mengalami kelebihan kapasitas. Manajernya
cenderung menggunakan slack untuk menyerap permintaan dari peningkatan tingkat aktivitas. Namun, terjadi penurunan tambahan
3 Contohnya, Bankir dan Chen 2006 mengecualikan dari industri kode SIC empat digit sampel mereka dengan kurang dari 20 perusahaan.

1444 Weiss
GAMBAR 1
Asimetri Biaya
Angka tersebut menggambarkan fungsi biaya sticky dan anti-sticky berdasarkan Balakrishnan et al. (2004) contoh. Fungsi biaya tebal menggambarkan biaya tetap
dengan asumsi bahwa tingkat aktivitas Y 0 adalah pemanfaatan kapasitas tinggi. Fungsi biaya putus-putus menggambarkan biaya anti-lengket dengan asumsi
kapasitas berlebih untuk tingkat aktivitas Y 0.
di tingkat kegiatan ditafsirkan sebagai mengkonfirmasi penurunan permintaan secara permanen dan memicu respons. Dengan asumsi kelebihan
kapasitas, respons biaya terhadap penurunan tingkat aktivitas melebihi respons biaya terhadap peningkatan serupa di tingkat aktivitas, yang
menghasilkan biaya anti-lengket — digambarkan oleh garis putus-putus pada Gambar 1 . Selanjutnya, saya membangun Balakrishnan et al. 2004 untuk
menggambarkan bahwa biaya tetap menghasilkan variabilitas pendapatan yang lebih besar. Pemanfaatan kapasitas yang lebih tinggi menghasilkan
biaya yang lebih ketat, menghasilkan penghematan biaya yang lebih rendah dan penurunan laba yang lebih besar ketika penjualan menurun. 4 Dengan
asumsi bahwa sisa distribusi laba tidak berubah, penurunan laba yang lebih besar ini meningkatkan variabilitas perusahaan. ex ante distribusi laba.
Sekarang, anggaplah seorang analis memperkirakan laba masa depan. Untuk kesederhanaan, saya berasumsi bahwa tingkat aktivitas di
masa depan akan meningkat atau menurun dengan jumlah yang setara dengan probabilitas yang sama. Saya lebih jauh mengandaikan bahwa analis
mengakui perilaku biaya sampai batas yang wajar dan mengasumsikan bahwa analis memperkirakan laba yang diharapkan misalnya, Ottaviani dan
Sorensen 2006 . Hal lain yang sama, biaya tetap menghasilkan laba lebih rendah ketika tingkat aktivitas menurun daripada biaya anti-lengket lakukan.
Dengan asumsi laba sama ketika tingkat aktivitas naik, perkiraan laba analis lebih rendah di bawah biaya tetap daripada
4 Istilah laba dan laba digunakan secara bergantian dalam penelitian ini.

di bawah biaya anti-lengket. Untuk alasan itu, the mutlak perkiraan kesalahan ketika tingkat aktivitas menurun serta ketika tingkat aktivitas
naik lebih besar di bawah biaya lengket daripada di bawah biaya anti-lengket. Angka
2 menggambarkan laba lebih rendah di bawah biaya tetap dengan asumsi pemanfaatan kapasitas tinggi daripada di bawah biaya antisticky dengan
asumsi kelebihan kapasitas ketika tingkat aktivitas menurun: titik G di bawah titik E. Keuntungan yang lebih rendah diharapkan dan
diperkirakan dengan biaya tetap daripada biaya anti-lengket; lihat tingkat keuntungan FC dan DB, masing-masing. Itu mutlak perkiraan
kesalahan di bawah biaya tempel lebih besar daripada di bawah biaya anti-lengket: AC AB saat tingkat aktivitas meningkat dan FG DE saat
tingkat aktivitas menurun. Contoh tersebut menunjukkan bahwa kesalahan perkiraan absolut meningkat dengan tingkat kekakuan biaya.
GAMBAR 2
Kesalahan Prakiraan Absolut Lebih Besar di Hadirnya Biaya Lengket Dibandingkan dengan Kehadiran
Biaya Anti-Lengket
Keuntungan
Fungsi Keuntungan
SEBUAH
Laba yang
Diperkirakan (Biaya D
B
anti-lengket)
Perkiraan
C
Laba (Biaya
tetap)
Biaya Lengket
GF
Y L. Y HAI YH
Angka menggambarkan dua fungsi laba berikut Balakrishnan et al. (2004) . Fungsi laba tebal mengasumsikan biaya tempel dan fungsi laba putus-putus
mengasumsikan biaya anti-lengket. Ketika tingkat aktivitas menurun dari Y 0 untuk Y L, laba lebih rendah di bawah biaya lengket (dengan asumsi pemanfaatan
kapasitas tinggi) daripada di bawah biaya anti lengket (dengan asumsi kelebihan kapasitas): titik G di bawah titik E. Laba yang diharapkan lebih rendah di bawah
biaya lengket daripada di bawah biaya anti lengket: lihat tingkat laba FC dan DB, masing-masing. Itu mutlak kesalahan perkiraan di bawah biaya tempel lebih
besar daripada di bawah biaya anti-lengket: AC> AB pada tingkat aktivitas meningkat dan FG> DE pada tingkat aktivitas menurun. Secara keseluruhan, itu mutlak
perkiraan kesalahan ketika tingkat aktivitas menurun, serta ketika tingkat aktivitas meningkat, lebih besar di bawah biaya lengket daripada di bawah biaya
anti-lengket.

1446 Weiss
Contoh di atas digunakan untuk menggambarkan intuisi hubungan antara tingkat kekakuan biaya dan keakuratan
prakiraan pendapatan. Hubungan antara tingkat kekakuan biaya dan kesalahan perkiraan absolut dimodelkan dalam
Lampiran konsisten dengan Persamaan 5 in Bankir dan Chen 2006 . Proposisi yang disajikan dalam Lampiran menunjukkan
hubungan positif antara tingkat kekakuan biaya dan kesalahan perkiraan absolut. Dengan demikian, hipotesis pertama saya
adalah: 5
H1: Peningkatan kekakuan biaya mengurangi akurasi perkiraan pendapatan konsensus analis. Literatur sebelumnya
mendokumentasikan hubungan antara akurasi perkiraan pendapatan analis dan tingkat cakupan analis misalnya, Alford dan Berger 1999 .
Baru saja, Weiss et al. 2008 , Tabel 7 melaporkan bahwa perusahaan dengan cakupan analis yang tinggi memiliki perkiraan pendapatan yang
lebih akurat daripada perusahaan dengan cakupan analis yang rendah. Stickel 1992 melaporkan bahwa anggota Tim Investor All-American
Research memiliki perkiraan yang lebih akurat daripada yang bukan anggota. Analis yang menemukan persaingan ini menjadi sangat penting
cenderung lebih suka menutup perusahaan dengan perilaku biaya yang lebih rendah untuk mencapai akurasi yang diharapkan lebih besar. 6
Namun, Barth et al. 2001 melaporkan cakupan tinggi perusahaan dengan aset tidak berwujud, ditandai dengan prediktabilitas
pendapatan rendah dan kesalahan perkiraan pendapatan tinggi. Sementara analis termotivasi untuk memberi para investor
ramalan-ramalan pendapatan yang lebih akurat, mereka mungkin tidak segan-segan mengikuti suatu perusahaan dengan prediktabilitas
pendapatan rendah jika mereka memiliki keunggulan informasi sehubungan dengan perusahaan itu atau jika permintaan untuk ramalan
lebih tinggi untuk perusahaan itu. Singkatnya, bukti empiris tentang hubungan antara akurasi perkiraan pendapatan analis dan tingkat
cakupan analis beragam, dan itu tetap menjadi masalah empiris terbuka.
Saya memeriksa apakah perilaku biaya tetap mempengaruhi tingkat cakupan analis. Perilaku biaya tetap akan
memengaruhi prioritas cakupan analis jika mereka mengenali hubungan antara kelengketan biaya dan keakuratan prakiraan
pendapatan yang dihipotesiskan di atas. Saya menguji hubungan potensial antara perilaku biaya tetap dan tingkat cakupan
analis setelah mengendalikan intensitas penelitian dan pengembangan, jumlah informasi yang tersedia, ukuran perusahaan,
ketidakpastian lingkungan, dan untuk penentu tambahan penawaran dan permintaan untuk perkiraan analis yang dilaporkan di
dalam literatur. Karena tidak ada ex ante dasar untuk prediksi, hipotesis yang sesuai dinyatakan dalam bentuk nol:
H2: Perilaku biaya tetap tidak mempengaruhi jangkauan analis.
Akhirnya, saya memeriksa apakah investor mengenali perilaku biaya. Jika investor memiliki pemahaman bahwa perusahaan dengan
biaya lebih ketat cenderung memiliki perkiraan laba yang kurang akurat, maka perilaku biaya cenderung memengaruhi respons mereka
terhadap kejutan dalam pengumuman laba. Ketika prediktabilitas penghasilan menurun, laba yang dilaporkan memberikan informasi yang
kurang bermanfaat untuk penilaian dan prediksi laba masa depan, menghasilkan koefisien respons laba yang lebih rendah misalnya, Lipe
1990 .
Abarbanell et al. 1995 menunjukkan bahwa koefisien respons pendapatan-harga meningkat dalam ketepatan perkiraan. Jika
investor menyadari bahwa kekakuan biaya mengurangi keakuratan analis
5 Untuk memperjelas, beberapa penelitian melaporkan variasi dalam tingkat kekakuan biaya — lihat Balakrishnan dan Gruca 2008 , Bankir
et al. 2008 , Anderson dan Lanen 2007 , dan Balakrishnan dan Soderstrom 2009 . Studi-studi ini menawarkan penjelasan untuk perilaku biaya tetap dan
anti-lengket misalnya, kepemilikan, pesimisme / optimisme sehubungan dengan permintaan di masa depan, aktivitas inti . Dalam studi ini, saya membangun
variasi ini dan menunjukkan hubungan antara tingkat kekakuan biaya dan sifat perkiraan pendapatan analis.
6 Meneliti faktor-faktor yang terkait dengan tingkat cakupan analis, Bhushan 1989 menemukan jumlah analis
menutupi suatu perusahaan meningkat dalam ukuran perusahaan, O'Brien dan Bhushan 1990 melaporkan cakupan yang lebih besar di industri dengan persyaratan
pengungkapan yang ketat, dan Lang dan Lundholm 1996 klaim cakupan perusahaan yang lebih besar dengan kebijakan pengungkapan yang lebih informatif. Frankel et al.
2006 Namun, tidak menemukan hubungan antara keinformatifan perkiraan analis dan ukuran analis berikut.

prakiraan pendapatan, kemudian perilaku biaya yang kaku menyebabkan investor lebih sedikit mengandalkan informasi laba yang
direalisasikan karena daya prediksi yang rendah. Hipotesis ketiga merangkum argumen:
H3: Respons pasar terhadap kejutan pendapatan lebih lemah untuk perusahaan dengan perilaku biaya yang lebih ketat. Jika H3 berlaku,
maka itu menunjukkan bahwa investor memiliki apresiasi terhadap peran perilaku biaya dalam menentukan kejutan pendapatan. Dengan
kata lain, hipotesis ini memprediksi bahwa perilaku biaya penting dalam membentuk kepercayaan investor mengenai nilai perusahaan.
AKU AKU AKU. DESAIN PENELITIAN
Berfokus pada perilaku biaya asimetris, penelitian ini mengusulkan ukuran baru dari kekakuan biaya di tingkat perusahaan. Studi
sebelumnya menggunakan model regresi cross-sectional untuk memperkirakan kekakuan biaya di tingkat industri atau model regresi deret
waktu untuk memperkirakannya di tingkat perusahaan misalnya, Anderson et al. 2003 . Mengambil jalan yang berbeda, penelitian ini
memperkenalkan ukuran langsung dari kekakuan biaya di tingkat perusahaan. Saya memperkirakan perbedaan antara tingkat penurunan biaya
untuk kuartal terakhir dengan penurunan penjualan dan tingkat kenaikan biaya yang sesuai untuk kuartal terakhir dengan peningkatan
penjualan:
LENGKET i, t = catatan BIAYA - log BIAYA ,¯ t, . . , t −3 ,

PENJUALAN saya, PENJUALAN saya, ¯
dimana adalah yang terbaru dari empat kuartal terakhir dengan penurunan penjualan dan ¯ adalah yang terbaru dari empat kuartal terakhir dengan
peningkatan penjualan, PENJUALAN itu = PENJUALAN Itu - PENJUALAN Itu −1, Kompustat # 2 ,
BIAYA itu = PENJUALAN Itu - PENDAPATAN Itu - PENJUALAN Itu −1 - PENDAPATAN Itu −1 , dan PENDAPATAN adalah penghasilan sebelum barang luar biasa Kompustat
#8.
LENGKET didefinisikan sebagai perbedaan dalam kemiringan fungsi biaya antara dua kuartal terbaru dari kuartal t Through3 hingga
kuartal t, sedemikian rupa sehingga penjualan menurun dalam satu kuartal dan kenaikan lainnya. Jika biaya lengket, artinya mereka
meningkat lebih ketika aktivitas naik dari penurunan ketika aktivitas turun dengan jumlah yang setara, maka ukuran yang diusulkan memiliki
nilai negatif. SEBUAH menurunkan Nilai dari LENGKET mengekspresikan lebih perilaku biaya tetap. 7 Artinya, negatif positif Nilai dari LENGKET
menunjukkan bahwa manajer lebih sedikit cenderung merespons penurunan penjualan dengan mengurangi biaya daripada meningkatkan
biaya ketika penjualan naik.
Mengikuti studi biaya tetap sebelumnya, LENGKET menggunakan perubahan dalam penjualan sebagai proksi tidak sempurna untuk
perubahan aktivitas aktual karena perubahan tingkat aktivitas tidak dapat diamati. Mempekerjakan penjualan sebagai variabel stokastik
fundamental sejalan dengan Dechow et al. 1998 , yang menyarankan model pendapatan, arus kas, dan akrual, dengan asumsi proses penjualan
berjalan acak. Bankir dan Chen 2006
juga menggunakan penjualan sebagai variabel stokastik mendasar untuk memprediksi pendapatan masa depan.
Karena analis memperkirakan total biaya dalam proses prediksi pendapatan, ukuran stickiness berkonsentrasi pada total biaya untuk
mendapatkan wawasan ke dalam hubungan potensial antara stickiness total biaya dan keakuratan prediksi pendapatan analis. Menyelidiki
bagaimana kekakuan biaya mempengaruhi perkiraan pendapatan analis, saya menggunakan penjualan dikurangi pendapatan.
Mempekerjakan total biaya untuk analisis juga menghilangkan keleluasaan manajerial dalam klasifikasi biaya Anderson dan Lanen 2007 .
Saya juga berasumsi bahwa kenaikan biaya di tingkat aktivitas seperti dalam model biaya penyesuaian yang disajikan dalam Lampiran .
Asumsi ini berarti bahwa biaya bergerak ke arah yang sama dengan aktivitas dan menghalangi kenaikan biaya ketika aktivitas turun dan
biaya berkurang ketika aktivitas meningkat Anderson dan Lanen 2007 . Karena alasan ini, saya tidak menggunakan pengamatan dengan
biaya yang bergerak berlawanan arah dalam memperkirakan LENGKET. Bentuk rasio dan spesifikasi logaritmik memudahkan untuk
membandingkan variasi
7 Estimasi dari LENGKET konsisten dengan tanda parameter

, sebagaimana didefinisikan dalam model yang disajikan dalam
Lampiran. Tanda dari LENGKET juga konsisten dengan ukuran kekakuan, 2, di Anderson et al. 2003 , Model I .

1448 Weiss
mampu lintas perusahaan, serta mengurangi potensi heteroskedastisitas Anderson et al. 2003 . Ukuran yang diusulkan memiliki
beberapa keunggulan. Pertama, dan yang paling penting untuk penelitian ini,
LENGKET mengestimasikan asimetri biaya pada tingkat perusahaan. Dengan demikian, ini menyediakan sarana untuk menyelidiki bagaimana perilaku
biaya mempengaruhi perkiraan pendapatan analis. Selain itu, memungkinkan untuk studi skala besar tanpa membatasi analisis untuk perusahaan
dengan setidaknya sepuluh pengamatan yang valid dan setidaknya tiga pengurangan penjualan selama periode sampel. Anderson et al. 2003 , 56 . 8
Kedua, berdasarkan desain, kekakuan fungsi biaya linier adalah nol, yaitu, LENGKET 0, untuk a
model biaya variabel tetap tradisional dengan kemiringan konstan untuk semua tingkat aktivitas dalam kisaran yang relevan. Dengan demikian, nilai nol
menunjukkan bahwa manajer mengubah biaya secara simetris sebagai respons terhadap kenaikan dan penurunan penjualan.
Ketiga, ukuran kekakuan biaya yang diusulkan memiliki cakupan yang lebih luas daripada yang digunakan oleh Anderson et al. 2003 karena
itu menyumbang perbedaan antara proporsi perubahan biaya dan memungkinkan untuk gesekan biaya sehubungan dengan peningkatan
penjualan. Contohnya, Chen et al. 2008 , 2 berpendapat bahwa insentif empirebuilding "cenderung menyebabkan manajer untuk meningkatkan
biaya SG&A terlalu cepat ketika permintaan meningkat." Mereka melaporkan hubungan positif antara insentif membangun kerajaan manajerial
dan tingkat asimetri biaya. LENGKET memberikan pemeriksaan tentang bagaimana asimetri biaya mempengaruhi keakuratan perkiraan
dengan adanya penurunan penjualan yaitu seperti yang disampaikan oleh Anderson et al. 2003 dan di hadapan peningkatan penjualan.
Meskipun demikian, ada kesalahan pengukuran potensial dalam metrik kelengketan biaya yang disarankan. Pertama,
model mengasumsikan spesifikasi linear fungsi fungsi biaya dalam rentang kegiatan yang relevan, yang menyederhanakan
analisis dan memungkinkan untuk mengukur kekakuan biaya ketika perubahan aktivitas ke atas dan ke bawah tidak memiliki
besaran yang sama. Perkiraan ini konsisten dengan penelitian sebelumnya tentang biaya tetap dan masuk akal dalam
konteks menyelidiki hubungan antara atribut perilaku biaya dan sifat-sifat perkiraan analis.
Kedua, model tersebut mengasumsikan realisasi dari keadaan eksogen dunia yang menentukan tingkat aktivitas. Namun,
pertumbuhan atau pengurangan aktivitas dapat terjadi tidak hanya karena perubahan tingkat aktivitas, tetapi juga karena perubahan
harga produk atau sumber daya atau pilihan manajerial lainnya. Anderson dan Lanen 2007 . Saya membatasi sampel untuk perusahaan
industri yang bersaing untuk meminimalkan masalah ini, dan kemudian menguji sensitivitas hasil terhadap keleluasaan manajerial
potensial.
Untuk memeriksa konsistensi dengan literatur sebelumnya, saya menghitung ukuran yang disarankan untuk dua kategori biaya
utama yang diselidiki dalam literatur sebelumnya. Secara khusus, COGS-STICKY dan SGA-STICKY mengganti perubahan total biaya
dengan perubahan harga pokok penjualan, selanjutnya COGS Compustat # 30 dan SGA biaya Kompustat # 1 masing-masing. Proporsi
median dari COGS dan SGA untuk penjualan dalam sampel saya masing-masing adalah 64,7 persen dan 23,1 persen. Namun,
klasifikasi akuntansi dari COGS dan SGA terbuka untuk penilaian manajerial, yang dapat menyebabkan bias ke dalam perkiraan
kekakuan biaya komponen biaya tertentu. Hasilnya harus ditafsirkan dengan mengingat keterbatasan ini. Diambil secara keseluruhan,
ukuran kekakuan diharapkan untuk memberikan wawasan luas ke dalam hubungan antara perilaku biaya dan sifat-sifat prakiraan
pendapatan analis.
Mengukur akurasi perkiraan konsensus analis, saya menggunakan kesalahan perkiraan pendapatan absolut rata-rata
sebagai ukuran akurasi terbalik. Pengukur akurasi ini telah banyak digunakan dalam literatur akuntansi misalnya, Lang dan
Lundholm 1996 . Dengan demikian, kesalahan ramalan didefinisikan sebagai:
FE itu = EPS aktual Itu - perkiraan konsensus analis Itu ,

Harga Itu −1
dan kesalahan perkiraan absolut adalah ABS-FE itu = FE Itu , di mana perkiraan konsensus analis adalah
8 Dalam mengukur kemiringan distribusi laba spesifik perusahaan, Gu dan Wu 2003 mengharuskan setiap perusahaan untuk memiliki setidaknya 16
pengamatan triwulanan.

rata-rata perkiraan analis untuk perusahaan saya dan seperempat t diumumkan pada bulan segera sebelum pengumuman
pendapatan. Jendela waktu yang relatif sempit dan kontrol horizon perkiraan pendek untuk ketepatan waktu perkiraan dan
mengurangi potensi trade-off antara waktu dan akurasi Clement dan Tse 2003 .
Menguji H1
Dalam menguji apakah perilaku biaya lengket menghasilkan kesalahan ramalan perkiraan konsensus analis absolut yang lebih
besar, saya mengontrol jumlah informasi spesifik perusahaan yang tersedia, ketidakpastian yang melekat dalam lingkungan operasi,
dan horizon perkiraan. Literatur melaporkan bahwa peningkatan jumlah informasi spesifik perusahaan yang tersedia mengurangi
kesalahan perkiraan. Jumlah informasi yang diperoleh analis secara positif terkait dengan ukuran perusahaan Atiase 1985 ; Collins et
al. 1987 ;
Bhushan 1989 . Oleh karena itu, saya menggunakan ukuran perusahaan sebagai variabel kontrol dan mengharapkan koefisien negatif.
Brown 2001 melaporkan perbedaan antara besarnya kejutan pendapatan dari laba dan rugi. Saya menggunakan variabel indikator untuk
mengendalikan kerugian karena merefleksikan informasi yang lebih tepat waktu dan dikaitkan dengan kesalahan perkiraan absolut yang lebih
besar daripada keuntungan. Saya juga mengikuti Matsumoto 2002 dan kontrol untuk panduan pendapatan potensial, yang kemungkinan akan
mengurangi kesalahan ramalan jika menghasilkan rapat atau sedikit mengalahkan ramalan pendapatan konsensus.
Ketidakpastian lingkungan cenderung memengaruhi keakuratan prakiraan. Jika lingkungan bisnis sangat fluktuatif, maka orang
akan mengharapkan kesalahan perkiraan yang lebih besar. Saya menggunakan dua proksi untuk tingkat ketidakpastian lingkungan.
Yang pertama adalah koefisien variasi dalam penjualan, yang secara langsung menangkap volatilitas penjualan. Yang kedua adalah
dispersi perkiraan analis, yang mengukur aspek ketidakpastian komplementer dari pendapatan perusahaan Barron et al. 1998 . Brown
et al. 1987 dan Wiedman 1996 melaporkan bahwa keakuratan prakiraan analis menurun dalam dispersi prakiraan analis, yang
digunakan sebagai proksi untuk varian pengamatan informasi.
Selain itu, buku teks akuntansi manajemen misalnya, Maher et al. 2006 menyajikan analisis volumepro-biaya dan menyarankan
bahwa perusahaan dengan leverage operasi yang tinggi cenderung menunjukkan volatilitas pendapatan yang tinggi. Lev dan
Thiagarajan 1993 menggunakan margin keuntungan sebagai proksi untuk leverage operasi. Dalam studi awal, Adar et al. 1977 menyajikan
hubungan positif antara margin laba dan kesalahan perkiraan dalam laba-volume-laba di bawah pengaturan ketidakpastian. Leverage
operasi bervariasi di seluruh perusahaan dan cenderung bergantung pada lingkungan bisnis spesifik perusahaan, serta kondisi ekonomi
makro saat ini. Semakin tinggi leverage operasi perusahaan, semakin tinggi kesalahan yang diharapkan dalam ramalan pendapatan
analis. Oleh karena itu, saya memprediksi hubungan positif antara leverage operasi dan besarnya kesalahan perkiraan pendapatan
analis.
Saya juga mengendalikan guncangan musiman kontemporer yang tidak terduga terhadap pendapatan. Variabel indikator, MUSIM,
menunjukkan kuartal perusahaan dengan perubahan positif dalam pendapatan dari kuartal yang sama di tahun sebelumnya.
Variabel ini mengontrol hubungan antara perubahan pendapatan dan kesalahan perkiraan Matsumoto 2002 . Estimasi koefisien
positif diprediksi. Saya memperkirakan tiga model regresi cross-sectional berikut dengan efek industri kode SIC dua digit:
Model 1 (a)
ABS-FE itu = 0 +1 LENGKET itu + 2 MV itu + 3 KERUGIAN itu + 4 TURUN itu + 5 VSALE itu + 6 DISP Itu
+ 7 OPLEV itu + 8 MUSIM itu;
Model 1 (b)
ABS-FE itu = 0 +1 COGS-STICKY itu + 2 MV itu + 3 KERUGIAN itu + 4 TURUN itu + 5 VSALE Itu
+ 6 DISP itu + 7 OPLEV itu + 8 MUSIM itu;

1450 Weiss
Model 1 (c)
ABS-FE itu = 0 +1 SGA-STICKY itu + 2 MV itu + 3 KERUGIAN itu + 4 TURUN itu + 5 VSALE itu + 6 DISP Itu
+ 7 OPLEV itu + 8 MUSIM itu;
dimana:
MV Itu log nilai pasar dari ekuitas Compustat # 61 # 14 di akhir kuartal;

KERUGIAN Itu variabel indikator yang sama dengan 1 jika laba yang dilaporkan Compustat # 8 negatif, dan 0
sebaliknya;
TURUN Itu sebagaimana didefinisikan dalam Matsumoto 2002 dan sama dengan 1 jika prakiraan pendapatan tak terduga negatif, dan 0
sebaliknya;
VSALE Itu koefisien variasi penjualan diukur lebih dari empat perempat dari t Through3 sampai t; DISP Itu
standar deviasi dari perkiraan analis diumumkan untuk perusahaan saya dan seperempat t di bulan
segera sebelum pengumuman laba, ditentukan oleh harga saham pada akhir kuartal t −1;
OPLEV Itu rasio antara PENJUALAN Itu, minus COGS Compustat # 30 dan PENJUALAN Itu; nilai di bawah 0 atau di atas 1 dimenangkan;
dan
MUSIM Itu variabel indikator yang sama dengan 1 jika perubahan pendapatan dari kuartal yang sama di tahun
sebelumnya Kompustat # 8 positif, dan 0 sebaliknya.
Jika metrik di atas menangkap kekakuan biaya, maka H1 memprediksi 1 0 di ketiga model, di mana nilai-nilai lebih rendah dari LENGKET COGS-STICKY,
SGA-STICKY menunjukkan perilaku biaya yang lebih ketat.
Saya selanjutnya menguji sensitivitas hasil terhadap asumsi model dan potensi kesalahan pengukuran dalam tiga cara. Pertama,
saya menguji sensitivitas ukuran kekakuan biaya untuk waktu yang lebih lama. Saya menghitung rasio perubahan total biaya dengan
perubahan penjualan menggunakan data dari delapan kuartal terakhir, t −7 hingga t. Saya kemudian memperkirakan M-STICKY, yaitu,
perbedaan antara kemiringan rata-rata di bawah penyesuaian ke bawah dan kemiringan rata-rata di bawah penyesuaian ke atas. Jadi,
M-STICKY menyumbang penyesuaian ke bawah dan penyesuaian ke atas dibuat lebih dari delapan kuartal. Perbandingan M-STICKY dengan
LENGKET memberikan wawasan ke dalam ketekunan perilaku biaya perusahaan selama jangka waktu yang lebih lama. Untuk
memeriksa kekuatan estimasi koefisien, saya memperkirakan model regresi berikut:
Model 1 (d)
ABS-FE itu = 0 +1 M-STICKY itu + 2 MV itu + 3 KERUGIAN itu + 4 TURUN itu + 5 VSALE itu + 6 DISP Itu
+ 7 OPLEV itu + 8 MUSIM itu + itu.
Sekali lagi, jika metrik di atas menangkap kekakuan biaya, maka H1 memprediksi 1 0 dalam model 1 d . Kedua, saya melakukan pemeriksaan
terbatas tentang pengaruh kekakuan biaya yang dihasilkan oleh keputusan masa lalu, seperti pilihan teknologi dan kontrak kompensasi tenaga
kerja, pada kesalahan perkiraan absolut. Khususnya, saya mempertimbangkan dua bentuk kebijaksanaan manajerial: keputusan saat ini dibuat
sebagai tanggapan terhadap kondisi pasar yang terwujud pada kuartal saat ini t, dan keputusan masa lalu dibuat lebih dari seperempat sebelum
kuartal t. Saya melihat penyesuaian tingkat aktivitas sebagai respons terhadap kondisi pasar yang terwujud, berbeda dengan keputusan
sebelumnya. Mengganti LENGKET Itu −1 untuk LENGKET Itu memungkinkan untuk memperkirakan dampak dari keputusan masa lalu saja. Dengan
kata lain, LENGKET Itu −1 proksi untuk tingkat kelengketan biaya pada kuartal sebelumnya, tidak termasuk semua pilihan kebijakan manajerial yang
dibuat dalam kuartal t,
seperti diskon harga atau manipulasi akrual.

Model 1 (e)
ABS-FE itu = 0 +1 LENGKET Itu −1 + 2 MV itu + 3 KERUGIAN itu + 4 TURUN itu + 5 VSALE itu + 6 DISP Itu
+ 7 OPLEV itu + 8 MUSIM itu + itu.
Seperti sebelumnya, hipotesis memprediksi 1 0 dalam model 1 e .
Ketiga, saya mengumpulkan bukti mengenai asumsi bahwa analis memahami perilaku biaya sampai batas tertentu. Jika analis
mengabaikan kekakuan biaya ketika itu ada, maka perkiraan pendapatan mereka akan menjadi bias ke atas. Demikian pula, jika analis
mengabaikan biaya anti-lengket ketika mereka ada, maka perkiraan pendapatan mereka akan menjadi bias ke bawah. Namun, jika analis
memahami perilaku biaya, maka kesalahan perkiraan rata-rata bukan kesalahan mutlak untuk perusahaan dengan biaya lengket serta untuk
perusahaan dengan biaya anti lengket harus tidak dipengaruhi oleh tingkat kekakuan biaya. 9 Dengan kata lain, jika analis mengenali perilaku
biaya, maka tingkat kekakuan biaya tidak akan mempengaruhi rata-rata kesalahan perkiraan yang ditandatangani.
Menguji H2
Untuk menguji hubungan antara kekakuan biaya dan cakupan analis, saya regresi jumlah analis mengikuti perusahaan
pada variabel kekakuan biaya dan kontrol. Analisis meliputi variabel independen untuk mengontrol jumlah informasi yang
tersedia, ketidakpastian lingkungan, intensitas pengeluaran penelitian dan pengembangan, penentu tambahan pasokan dan
permintaan perkiraan analis yang dilaporkan dalam literatur, dan efek tahun dan industri kode SIC dua digit efek.
Literatur sebelumnya melaporkan bahwa ukuran perusahaan adalah penentu utama dari cakupan analis Bhushan 1989 ; Hong et al. 2000 ;
Das et al. 2006 , mungkin karena perusahaan besar memiliki lebih banyak informasi spesifik perusahaan daripada perusahaan kecil Collins et al.
1987 . Tingkat asimetri informasi antara manajer dan investor kemungkinan akan meningkatkan permintaan untuk ramalan pendapatan, tetapi
analis diminta untuk menginvestasikan lebih banyak sumber daya dalam memperoleh informasi. Saya menggunakan pengeluaran penelitian
dan pengembangan sebagai proksi untuk asimetri informasi karena perusahaan dengan aset yang lebih tidak berwujud menunjukkan asimetri
informasi yang lebih besar Barth et al. 2001 ; Barron et al. 2002 . Mengontrol ketidakpastian di lingkungan perkiraan, saya menggunakan
koefisien variasi dalam penjualan sebagai ukuran langsung untuk guncangan dalam permintaan. Selain itu, dispersi perkiraan analis dan
kesalahan perkiraan absolut pada kuartal sebelumnya dimasukkan untuk mengukur aspek-aspek lain dari ketidakpastian dalam pendapatan
perusahaan. Brown et al. 1987 dan Matsumoto 2002 masing-masing . Das et al. 1998 berpendapat bahwa analis mengekstraksi sewa lebih tinggi
dengan mengikuti perusahaan yang kurang dapat diprediksi, karena permintaan akan informasi pribadi adalah yang tertinggi untuk perusahaan
ini, tetapi keakuratan perkiraan diperkirakan akan lebih rendah. Dengan demikian, efek bersih dari ketidakpastian dalam lingkungan peramalan
terhadap peningkatan tingkat analis berikut ini bersifat mendua.
Saya juga mengontrol pertumbuhan dan volume perdagangan Lang dan Lundholm 1996 , yang menyediakan
analis dengan insentif yang lebih besar untuk menutup perusahaan. Akhirnya, Baik 2006 berpendapat bahwa perusahaan yang mengalami kesulitan keuangan
tampaknya menderita seleksi mandiri oleh analis. Karena itu, saya juga mengendalikan kerugian.
Menggunakan count-data dalam variabel dependen, saya ikuti Rock et al. 2000 dan menggunakan distribusi binomial negatif
standar untuk memperkirakan model regresi 2 a sampai 2 c:
9 Argumen ini mengakui bahwa analis mengumumkan pendapatan yang diharapkan sebagai perkiraan mereka. Bahkan jika perkiraan analis adalah
bias katakan, optimis , tidak ada alasan untuk percaya bahwa bias mereka bergantung pada tingkat kekakuan biaya.

1452 Weiss
Model 2 (a)
FLLW itu = 0 +1 LENGKET itu + 2 MV itu + 3 RD itu + 4 VSALE itu + 5 DISP itu + 6 ABS-FE Itu
+ 7 PERTUMBUHAN itu + 8 televisi itu + 9 KERUGIAN itu;
Model 2 (b)
FLLW itu = 0 +1 M-STICKY itu + 2 MV itu + 3 RD itu + 4 VSALE itu + 5 DISP itu + 6 ABS-FE Itu
Model 2 (c)
FLLW itu = 0 +1 LENGKET Itu −1 + 2 MV itu + 3 RD itu + 4 VSALE itu + 5 DISP itu + 6 ABS-FE Itu
di mana efek tahun dan efek industri kode SIC dua digit ditambahkan ke semua model, dan:
FLLW Itu jumlah perkiraan pendapatan analis yang diumumkan untuk perusahaan saya dan seperempat t di bulan
segera sebelum pengumuman pendapatan;
PERTUMBUHAN Itu PENJUALAN Itu / PENJUALAN Itu −4 0,25 - 1;
RD Itu Compustat # 4 untuk perusahaan saya dalam seperempat t dibagi dengan PENJUALAN Itu; pengamatan tanpa
nilai ditetapkan sama dengan 0 dan nilai dimenangkan pada 1; dan

televisi Itu volume perdagangan kuartalan dalam jutaan saham.
Model 2 b mengukur kekakuan biaya berdasarkan data dari delapan kuartal sebelumnya dan model 2 c menggunakan ukuran kekakuan dari
kekakuan biaya yang diperkirakan pada kuartal sebelumnya untuk memperkuat argumen kausalitas.
Tes Pasar H3
Hipotesis ketiga memprediksi bahwa respons pasar terhadap kejutan pendapatan lebih lemah untuk perusahaan dengan biaya
lebih tinggi daripada perusahaan dengan biaya lebih rendah. Untuk menguji hipotesis ini, saya memperkirakan model penilaian yang
menunjukkan pengembalian abnormal kumulatif pada besarnya kejutan pendapatan dan interaksi antara kejutan pendapatan dan
kekakuan biaya, sambil mengendalikan ketidakpastian lingkungan. Saya menggunakan perkiraan temporer dari kekakuan biaya dan
perkiraan kuartal sebelumnya dalam model regresi cross-sectional gabungan. Selain itu:
Model 3 (a)
MOBIL itu = 0 +1 FE itu + 2 FE Itu LENGKET itu + 3 DISP itu + 4 VSALE itu;
Model 3 (b)
MOBIL itu = 0 +1 FE itu + 2 FE Itu COGS-STICKY itu + 3 DISP itu + 4 VSALE itu;
Model 3 (c)
MOBIL itu = 0 +1 FE itu + 2 FE Itu SGA-STICKY itu + 3 DISP itu + 4 VSALE itu;
Model 3 (d)
MOBIL itu = 0 +1 FE itu + 2 FE Itu M-STICKY itu + 3 DISP itu + 4 VSALE itu;

Model 3 (e)
MOBIL itu = 0 +1 FE itu + 2 FE Itu D-STICKY itu + 3 DISP itu + 4 VSALE itu;
Model 3 (f)
MOBIL itu = 0 +1 FE itu + 2 FE Itu LENGKET Itu −1 + 3 DISP itu + 4 VSALE itu;
dimana MOBIL Itu pengembalian abnormal kumulatif adalah tiga hari perdagangan kumulatif nilai-disesuaikan tertimbang pasar-disesuaikan
abnormal di sekitar pengumuman laba untuk perusahaan saya dalam seperempat t,
dan, D-STICKY Itu sama dengan 1 jika LENGKET Itu 0, dan 0 sebaliknya.
Untuk mengendalikan ketidakpastian lingkungan, Imhoff dan Lobo 1992 gunakan dispersi dalam perkiraan pendapatan analis dan
tunjukkan bahwa perusahaan dengan yang lebih tinggi ex ante ketidakpastian pendapatan menunjukkan perubahan harga yang lebih kecil
sebagai respons terhadap pengumuman laba dibandingkan perusahaan dengan yang lebih rendah ex ante ketidakpastian pendapatan. Dispersi
dalam perkiraan pendapatan analis cenderung menangkap aspek-aspek tambahan dari prediktabilitas pendapatan selain yang terkait dengan
perilaku biaya. Untuk mengontrol aspek luas dari prediktabilitas pendapatan, saya menggunakan kedua dispersi dalam perkiraan analis, DISP, dan
VSALE sebagai variabel kontrol dalam model di atas. Jika estimasi koefisien untuk variabel interaksi menjadi signifikan secara statistik setelah
dikendalikan oleh DISP dan VSALE, maka ini menunjukkan bahwa perilaku biaya penting dalam membentuk kepercayaan investor mengenai
nilai perusahaan. Koefisien respons laba diperkirakan lebih lemah untuk perusahaan dengan perilaku biaya yang lebih ketat yaitu,
20 .
Pemilihan Sampel
Sampel mencakup semua perusahaan industri Kode SIC 2000–3999 dari 1986 hingga 2005. Penelitian ini terbatas pada
perusahaan industri karena dua alasan. Pertama, memungkinkan pemeriksaan efek variasi potensial dalam kekakuan biaya COGS
dan SGA komponen biaya pada keakuratan prakiraan pendapatan. Struktur homogen dari laporan laba dan rugi di antara
perusahaan industri memungkinkan wawasan tentang dampak perilaku biaya tetap di antara komponen biaya utama pada
keakuratan prakiraan pendapatan analis. Kedua, perusahaan industri berbeda dengan utilitas dan industri yang diatur lainnya umumnya
beroperasi di pasar kompetitif, yang sebagian mengurangi kesalahan pengukuran karena efek penetapan harga potensial,
bukan karena efek volume.
Data diperoleh dari Compustat, I / B / E / S, dan CRSP. Untuk setiap kuartal perusahaan, saya menggunakan perkiraan konsensus
yang dihitung sebagai rata-rata semua perkiraan yang diumumkan pada bulan sebelumnya dari pengumuman laba. Penghasilan aktual
diambil dari I / B / E / S, karena lebih cenderung konsisten dengan perkiraan dalam memperlakukan item luar biasa dan beberapa item
khusus Philbrick dan Ricks 1991 . Berikut Gu dan Wu 2003 , Saya meminta harga saham minimal $ 3 untuk menghindari masalah kecil
lantai. Tanggal pengumuman diambil dari Compustat daripada I / B / E / S, yang memiliki lebih banyak kuartal perusahaan dengan
tanggal pengumuman yang hilang. Sejalan dengan asumsi model, saya membatasi sampel untuk pengamatan perusahaan tahun, di
mana biaya dan penjualan berubah ke arah yang sama. Ini mengurangi ukuran sampel sebesar 14,1 persen, menghasilkan sampel akhir
yang terdiri dari 44.931 perempat perusahaan untuk 2.520 perusahaan.
Statistik dan Konsistensi Deskriptif dengan Ukuran Kelengketan Biaya Sebelumnya
Meja 1 menyajikan ringkasan statistik untuk variabel yang relevan. Nilai tengah rata-rata dari
LENGKET adalah 0,0174 0,0111 . Konsisten dengan literatur sebelumnya, nilai tengah rata-rata dari
SGA-STICKY adalah 0,0306 0,0326 . Keduanya berarti negatif dan signifikan p 0,01 . Di
rata-rata, total biaya dan SGA biaya menunjukkan kekakuan biaya. Nilai tengah rata-rata dari COGS positif, 0,0187 0,0063 . Jadi,
rata-rata, SGA biaya menunjukkan perilaku biaya tetap, sementara COGS

1454 Weiss
TABEL 1
Statistik Deskriptif, Dikumpulkan dari Waktu ke Waktu
1986–2005
Std. %
Variabel n Berarti Dev. Q1 Median Q3 Negatif
LENGKET 44.931 0,0174 0,4897 0,1551 0,0111 0,1205 53.2

COGS-STICKY 37,521 0,0187 0,4707 0,1564 0,0063 0,1823 48.7
SGA-STICKY 23.809 0,0306 0,6944 0,3870 0,0326 0,3304 55.1
M-STICKY 44.931 0,0117 0,2398 0,0633 0,0094 0,0501 54.9
FE 44.931 0,0014 0,0382 0,0110 0 0,0011 38.3
ABS-FE 44.931 0,0071 0,0118 0,0003 0,0011 0,0034 NA
MV 44.926 4.7037 2.1314 3.1508 4.6328 6.1997 NA
KERUGIAN 44.931 0,1628 0,3692 0 0 0 NA
FLLW 44.931 5.5356 5.1759 2 4 8 NA
TURUN 39,415 0,5702 0,4828 0 1 1 NA
VSALE 44.926 0,1480 0,1478 0,0611 0,1026 0,1752 NA
DISP 44.931 0,0018 0,0328 0,0001 0,0004 0,0012 NA
OPLEV 44.559 0,3670 0,1819 0,2408 0,3530 0,4874 NA
MUSIM 44.626 0,6111 0,4875 0 1 1 NA
PERTUMBUHAN 35.864 0,0418 0,1310 0,0142 0,0247 0,0422 NA
RD 44.931 0,0482 0,0987 0 0 0,0620 NA
televisi 42.029 5.3360 8.2114 1.8441 2.2254 6.1813 NA
Definisi variabel untuk setiap perusahaan saya pada kuartal t:
FE Itu perbedaan antara laba yang dilaporkan dan konsensus rata-rata ramalan diumumkan pada bulan segera sebelum pengumuman
laba, ditentukan oleh harga pada akhir kuartal sebelumnya. ABS-FE itu = FE Itu ;
LENGKET Itu catatan BIAYA - log BIAYA , , ¯ t, . . , t −3 dimana adalah kuartal terakhir dengan penjualan
menurun dan ¯ adalah kuartal terakhir dengan peningkatan penjualan;

BIAYA Itu penjualan Kompustat # 2 dikurangi laba bersih Compustat # 8 untuk perusahaan saya dalam seperempat t; PENJUALAN Itu
Compustat # 2 untuk perusahaan saya dalam seperempat t;
COGS-STICKY Itu catatan COGS - log COGS , , ¯ t, . . , t −3 dimana adalah kuartal terakhir dengan penjualan

COGS Itu Compustat # 30 untuk perusahaan saya dalam seperempat t;
PENJUALAN PENJUALAN
SGA-STICKY Itu catatan - log , , ¯ t, . . , t −3 dimana adalah kuartal terakhir dengan penjualan
SGA saya, SGA saya, ¯
SGA Itu Compustat # 1 untuk perusahaan saya dalam seperempat t;
M-STICKY Itu perbedaan antara kemiringan fungsi biaya rata-rata di bawah penyesuaian ke atas yang dibuat pada kuartal dari
t −7 hingga t dan kemiringan fungsi biaya rata-rata di bawah penyesuaian yang dibuat pada kuartal dari t −7 hingga t; MV Itu
log nilai pasar dari ekuitas Compustat # 61 # 14 di akhir kuartal;

KERUGIAN Itu variabel indikator yang sama dengan 1 jika laba yang dilaporkan Compustat # 8 negatif, dan 0 sebaliknya;
FLLW Itu jumlah perkiraan pendapatan analis yang diumumkan untuk perusahaan saya dan seperempat t di bulan segera sebelum
pengumuman pendapatan;
TURUN Itu didefinisikan dalam Matsumoto 2002 dan sama dengan 1 jika prakiraan pendapatan tak terduga negatif, dan 0 sebaliknya;
VSALE Itu koefisien variasi penjualan diukur lebih dari empat perempat dari t Through3 sampai t; DISP Itu
standar deviasi dari perkiraan analis diumumkan untuk perusahaan saya dan seperempat t selama 30 hari
(lanjutan ke halaman berikutnya)

Cost Behavior and Analysts’Earnings Forecasts 1455
TABLE 1 (continued)
prior to the earnings announcement, deflated by the stock price at the end of quarter t −1;
SALE it − COGS it Compustat # 30
OPLEV it , and values below 0 or above 1 are winsorized;
SALE it
SEASON it indicator variable that equals 1 if the change in earnings from the same quarter in the prior year Compustat #8 is positive, and 0
otherwise;
GROWTH it SALE it / SALE i,t −4 0.25 − 1;
RD it Compustat #4 for firm i in quarter t divided by SALE it. Observations with no values are taken at 0 and values are winsorized at 1;
and
TV it trading volume in millions of shares.
menunjukkan perilaku biaya anti-lengket. 10 The linear nature of raw materials consumption may partially explain this disparity
in cost behavior. Another potential explanation for this finding is that salaries and advertising expenses are likely to be
classified as SGA. The cost stickiness of total costs is also in line with the negative skewness of the earnings distribution
reported by Givoly and Hayn 2000 and Gu and Wu 2003 . The standard deviation of STICKY, SGA-STICKY, and COGSSTICKY
is 0.4897, 0.6944, and 0.4707, respectively, indicating considerable variation among firms’ cost behavior.
Examining whether the classification of per firm cost stickiness tends to remain persistent over time, the likelihood of
keeping the same cost classification either sticky or anti-sticky over two consecutive quarters is 72.5 percent not tabulated .
The Spearman Pearson correlation between STICKY and M-STICKY reported in Table 2 is 0.48 0.45 , indicating reasonable
perseverance over eight quarters. Additionally, the Pearson Spearman coefficient between the
STICKY i,t −1 and STICKY it estimates is 0.43 0.44 , both significant at 1 percent not tabu-
lated , indicating that firms’ cost behavior is reasonably stable over quarters. As expected, STICKY is significantly and
positively correlated with both COGS-STICKY and
SGA-STICKY. The correlation between COGS-STICKY and SGA-STICKY is also positive and significant, indicating a pattern
in firms’ cost behavior with respect to total costs and to the two cost constituents. The correlation coefficient between STICKY
and ABS-FE is negative and significant, suggesting a negative relation between the cost stickiness and the absolute
analysts’ earnings forecast errors.
I concentrate on SGA costs to check the consistency of the proposed measure with the stickiness measure and results
reported by Anderson et al. 2003 . I estimate the stickiness of SGA
costs using the following cross-sectional regression model for two-digit SIC code industries with at least 25 observations:
Model 4
log SGA it = 0 + 1 log SALE it + 2 SALEDEC it log SALE it + it

SGA i,t −1 SALE i,t −1 SALE i,t −1
where SALEDEC it equals 1 if SALE it SALE i,t −1, and 0 otherwise.

Anderson et al. 2003 suggest the regression coefficient estimate 2 as a cost stickiness measure. I compute mean SGA-STICKY
for two-digit SIC code industries and examine the corre-
10 Similarly, Anderson and Lanen 2007 , Table 7 report that, on average, the number of employees, labor costs, and PPE
costs are anti-sticky.
The Accounting Review July 2010

American Accounting Association
0.76**0.01**0.02**0.02**0.00 0.33**0.05**
0.02**0.02**0.01**0.03**0.01 0.00 0.01 0.02 0.01**0.04**0.02**0.04**0.01**0.02**0.03**0.26** FE
DOWN
0.02 0.05**0.01 0.02**0.01 0.04**0.02
AmericanAccountingAssociation
July2010
TheAccountingReview
CorrelationCoefficients
ABS-FE
0.03**0.03**0.01**0.03**0.03**0.25**0.02**0.03**0.03**0.06**0.03**0.05**0.03**0.04**0.04** 0.00
VSALE
0.07**0.00 0.00 0.01 0.00 0.16**0.03**
STICKY
0.01 0.02**0.03**0.21**0.02**0.01 0.00 0.04**0.02**0.15**0.01**0.45**0.43**0.49** 0.03**0.18**
DISP
0.13**0.02**0.02**0.05**0.03**0.24**0.02**
TABLE2
COGS-
0.01 0.04**0.04**0.16**0.09*0.00 0.01 0.01 0.02**0.08**0.02**0.36**0.18** 0.48**0.04**0.15**
OPLEV
STICKY
0.18**0.02**0.00 0.08**0.03*0.10**0.03*
SGA-
SEASON 0.01 0.06**0.05**0.13**0.02*0.01 0.00 0.02 0.00 0.08**0.00 0.12** 0.07**0.40**0.01 0.09**
0.09**0.14**0.13**0.18**0.26**0.19**0.28** STICKY
GROWTH
0.01 0.02**0.03**0.10**0.01 0.00 0.00 0.04**0.02 0.07**0.01 0.12**0.32**0.48**0.01**0.11** M-
0.08**0.02**0.05**0.04**0.02**0.01**0.01**
STICKY
(continuedonnextpage) MV
0.14**0.03**0.04**0.04**0.01 0.03**0.02** RD 0.70**0.09 0.08**0.09**0.27**0.02**0.02**0.01 0.74**0.10** 0.00 0.01 0.03**0.02**0.35**0.11**
LOSS
0.72**0.02 0.00 0.00 0.01 0.04**0.02** TV
0.04**0.29**0.05**0.33**0.05**0.16**0.21**0.05**0.09** 0.10**0.09**0.08**0.10**0.17**0.28**0.16**
0.58**0.08**0.04**0.05**0.07**0.34**0.14**0.02 0.10**
VariabledefinitionsareinTable 1 .
DOWN
0.00 0.06**0.00 0.00 0.00 0.01 0.03** 0.07**0.06**
July2010
TheAccountingReview
VSALE
0.01 0.19**0.34**0.05**0.00 0.02** 0.04**0.08**0.25**
DISP
0.01 0.00 0.01**0.02**0.04** 0.03**0.01 0.01 0.04**
OPLEV
0.02 0.55**0.04**0.01** 0.02**0.04*0.02 0.10**0.04**
SEASON
0.00 0.09**0.12** 0.05**0.15**0.03**0.00 0.04**0.33**
GROWTH
0.06**0.12** 0.12**0.05**0.01**0.33**0.00 0.03**0.04**
0.18** 0.09**0.06**0.08**0.01**0.09**0.05**0.10**0.15** RD
0.13**0.10**0.01 0.01 0.00 0.00 0.01 0.61**0.05** TV

1458 Weiss
lation with the estimated 2. In addition, I also estimate the correlation with industry-level coefficient estimates reported by Anderson
and Lanen 2007 , Table 6, Panel B . I note that Anderson et al. 2003 and Anderson and Lanen 2007 use a larger sample
comprised of firms with and without analyst coverage and employ annual data. All correlation coefficients reported in Table 3
are positive and significant, indicating consistency between the proposed cost stickiness measure and the earlier evidence
on the stickiness of SGA costs.
IV. RESULTS
H1 Results
To test whether stickier cost behavior results in less accurate analysts’ earnings forecasts, Table 4 presents the mean
and median absolute analysts’ earnings forecast errors contingent on sticky STICKY 0 versus anti-sticky STICKY ≥ 0 cost
classification. The mean absolute error for firms with sticky cost behavior is 0.0080, whereas that for firms with anti-sticky
cost behavior is 0.0060. Thus, forecasts for firms with anti-sticky cost behavior are, on average, more accurate by 25 percent
0.0080 0.0060 /0.0080 than forecasts for firms with sticky cost behavior. The
difference is statistically significant p 0.05 . If accurate earnings forecasts are valuable for
capital market participants, then the difference is economically meaningful.
Table 5 presents coefficient estimates for the regression models. The coefficient on STICKY in model 1 a is 0.0108, and
is statistically significant p 0.001 . 11 The coefficient on COGS-
TABLE 3
Correlation Coefficients between Industry Estimates of Cost Stickiness
Mean Anderson-Lanen
Variables SGA-STICKY j ˆ 2,j Coefficient
Mean SGA-STICKY j 0.562** 0.345**
ˆ 2,j 0.485** 0.467**
Anderson-Lanen Coefficient 0.463** 0.365**
** Significant at the 5 percent level. The table presents Spearman Pearson coefficients above below the diagonal line between three estimates of cost
stickiness measured at the two-digit SIC code level: SGA-STICKY, an estimate based on a measure suggested by Anderson et al. 2003 and estimates reported
by Anderson and Lanen 2007 . Mean SGA-STICKY j is the mean value of SGA-STICKY across all sample observations at the two-digit SIC code level, j
20 to 39.
ˆ 2,j is the coefficient estimate from estimating the regression of the following model using all sample observations at the two-digit SIC code level, j
20 to 39.
Model 4:
log SGA i,t = 0 + 1 log SALE i,t + 2 SALEDEC i,t log SALE i,t + i,t
SGA i,t −1 SALE i,t −1 SALE i,t −1
where SALEDEC i,t equals 1 if SALE i,t SALE i,t −1, and 0 otherwise. SGA i,t is Compustat #1 and SALE is Compustat #2.
Anderson-Lanen Coefficients are taken for the respective two-digit SIC code industries from Anderson and Lanen 2007 , Table 6, Panel B .
11 Consistent with the perception of costs as sticky if firms incur disproportionate costs when activity levels decrease,
results from an additional regression analysis untabulated indicate that cost stickiness boosts absolute earnings forecast errors more when activity levels
decrease than when they increase.

TABLE 4
Absolute Forecast Errors ( ABS-FE) for Firms with Sticky versus Anti-Sticky Cost
Behavior
Cost Behavior Mean Median n
Sticky Costs: STICKY it 0 0.0080 0.0012 23,915
Anti-Sticky Costs: STICKY it 0 0.0060 0.0010 21,016

Difference 0.0020** 0.0002 a
** Significant at the 5 percent level.

a Mann-Whitney test indicates a significant difference between the medians at the 5 percent level.
STICKY in model 1 b is 0.0100, and is statistically significant p 0.001 . The coefficient on

SGA-STICKY in model 1 c is 0.0055, statistically significant at p 0.002. Adjusted R 2 values for the regressions vary from 7.5
percent to 17.6 percent. The results support H1, indicating that stickier cost behavior is associated with lower accuracy of
analysts’ earnings forecasts.
As for the control variables, results for MV and LOSS are generally consistent with expectations, indicating a positive
and significant relationship between the amount of available firmspecific information and forecast error. The coefficient
estimate on DOWN is insignificant across the regression models, possibly due to differences among analysts in the
underlying costs, earnings models, and access to management information: a large number of analysts covering a firm can
proxy variation in the underlying costs and profits models, resulting in considerable noise. As expected, the findings for DISP
and to a limited extent for VSALE indicate a positive and significant association between the absolute magnitude of the
forecast errors and the uncertainty in the firm’s environment of operations and earnings predictability.
OPLEV is positively associated with ABS-FE, indicating that operating leverage increases the analysts’ earnings
forecast errors. The seasonal effect, SEASON, is insignificant across the regression models, indicating that analysts
recognize the seasonal effect and adjust their forecasts accordingly.
Results for two sensitivity models 1 d and 1 e are also reported in Table 5 and provide further insights into additional
aspects of the relationship between cost behavior and the accuracy of analyst earnings forecasts. First, I examine the
sensitivity of the results to estimating cost stickiness over a longer time period. Accordingly, M-STICKY measures cost
stickiness based on cost responses over eight quarters. Regression results for model 1 d indicate a statistically significant
negative coefficient on M-STICKY,
0.0073 p 0.019 . The result supports H1.
Second, I examine whether past rather than current managerial discretion affects the hypothesized relationship. I check
whether the regression coefficient estimates are sensitive to discretionary choices made by managers in quarter t −1 or
earlier by replacing STICKY it in model 1 a with the cost stickiness measure estimated on quarter t −1, STICKY i,t −1, which
excludes all managerial choices made in quarter t.
Estimating regression model 1 e , the coefficient estimate on STICKY i,t −1 is 0.0040 p

0.030 . The negative and significant coefficient estimate indicates that stickier cost behavior observed in a preceding quarter
is associated with higher absolute analysts’ forecast errors. I conclude that cost stickiness estimated by analysts on a
preceding quarter affects the accuracy of the earnings prediction.
Additionally, I examine the incremental effect of STICKY over earnings volatility, which is likely to be an all-inclusive
noisy variable that incorporates many types of uncertainties e.g.,

1 STICKY 1 M-STICKY 1 SGA-STICKY 1 COGS-STICKY 1 STICKY
Predicted it+
i,t −1+
? it+
Sign 2 MV
it+
2 MV it+
2 MV
July2010
TheAccountingReview
it+
2 MV
it+ MV
it+ 2
3 LOSS
it+
3 LOSS it+
3 LOSS
Model1 a 3 LOSS it+
3 LOSS
0.001 0.0108
0.6110.0025 it+
it+
4 DOWN
it+
4 DOWN it+
4 DOWN
4 DOWN
4 DOWN it+
it+
it+
5 VSALE
it+
5 VSALE it+ TABLE5
5 VSALE
Model1 b
5 VSALE
5 VSALE it+
0.001 0.0100 0.6660.0035
it+
it+
6 DISP
it+
6 DISP it+
6 DISP
6 DISP it+
6 DISP
it+
it+
7 OPLEV RegressionCoefficientsofAnalysts’
it+
7 OPLEV it+
7 OPLEV
Model1 c
7 OPLEV
0.3330.0062 7 OPLEV
it+
it+
it+
8 SEASON
it+
8 SEASON it+
8 SEASON
8 SEASON Absolute ForecastErroronCostStickiness, ControlVariab
8 SEASON
it+
it+
Model1 d
it+
it
it+
0.1100.0047 it
it it+
it
it
(continuedonnextpage)
Model1
0.8770.0007
VariabledefinitionsareinTable 1 .
Predicted
Sign
July2010
TheAccountingReview
32,563 Model1 a
0.176 0.952 0.0001

0.040 0.0090
0.001 2.2311
0.041 0.0013 0.001 0.0082
0.174 0.0008 0.030 0.0008
TABLE5(continued)
27,411 Model1 b
0.122 0.900 0.0001 0.001 1.8001

0.040 0.0082 0.133 0.0009
0.055 0.0013 0.044 0.0007
0.001 0.0122
16,918 Model1 c
0.075 0.521 0.0009

0.033 0.0190
0.001 4.1311 0.177 0.0025
0.080 0.0022 0.048 0.0006
0.001 0.0091 0.002 0.0055
27,811 Model1 d
0.136 0.500 0.0002

0.023 0.0090
0.001 1.6001 0.101 0.0006
0.040 0.0030 0.050 0.0005
0.001 0.0240 0.019 0.0073
27,401 Model1 e
0.186 0.777 0.0004

0.048 0.0080
0.001 2.2682 0.085 0.0013
0.065 0.0010 0.006 0.0008
0.001 0.0095 0.030 0.0040
1462 Weiss
demand uncertainty and operating leverage . Results not tabulated indicate that STICKY has an incremental effect on the
accuracy of analysts’ earnings forecasts above and beyond earnings volatility and the control variables. Overall, the
evidence supports the hypothesis. 12
Furthermore, evidence on the mean forecast error as opposed to the absolute forecast error reported in Table 6 offers
insights into the validity of the assumption that analysts recognize cost behavior. Results show that the mean forecast error
of firms with sticky costs is insignificantly different from that of firms with anti-sticky costs. 13 Thus, the evidence supports the
assumption that analysts have at least some understanding of firms’ cost behavior.
A final important consideration is that an analyst does not have the ability to reduce forecast errors caused by a
dispersion of a firm’s ex ante earnings distribution. In other words, an analyst cannot influence accuracy implied by cost
stickiness because it is a firm-specific feature. 14 Therefore, an analyst cannot reduce the dispersion of the ex ante earnings
distribution implied by cost stickiness even if she is aware of it in advance.
H2 Results
Results showing that firms with stickier cost behavior have lower analyst coverage are presented in Table 7 . Findings
in Panel A indicate that, on average, 5.459 analysts follow firms with sticky cost behavior while 5.622 analysts follow firms
with anti-sticky cost behavior. The difference of about 3 percent is statistically significant p 0.05 . Panel B reports the results of
three regression models, 2 a , 2 b , and 2 c . The coefficients on STICKY it, M-STICKY it and
TABLE 6
Forecast Errors ( FE) for Firms with Sticky versus Anti-Sticky Cost Behavior Cost Behavior
Mean Median n
Sticky Costs: STICKY it 0 0.0016 0 23,915
Anti-Sticky Costs: STICKY it 0 0.0012 0 21,016

Difference 0.0004 a 0
a Insignificant at the 10 percent level.
12 Results of further analyses also support H1. First, findings from estimating model 1 with a differential slope coefficient
on negative stickiness i.e., sticky costs indicate a minor and marginally significant difference between the coefficients of negative and positive values of STICKY
on ABS-FE. Second, checking for a potential seasonality effect, I also computed the stickiness measure using cost responses relative to the same quarter of
the preceding year. These findings support H1.
13 To see the intuition, suppose, on the contrary, that an analyst ignores cost stickiness. Consequently, her forecast will be
upward biased in case of sticky costs forecast error reported earnings forecast 0 because she under-estimates
costs on demand falls. In a similar vein, her forecast will be downward biased in case of anti-sticky costs forecast error
reported earnings – forecast 0 because she over-estimates costs on demand falls. Thus, sticky costs trigger a
negative mean forecast error and anti-sticky costs trigger a positive mean forecast error i.e., bias, not absolute forecast error .
However, results reported in Table 6 indicate that the mean forecast error is not significantly different for observations with sticky versus anti-sticky costs.
Therefore, the data support the assumption that analysts recognize cost stickiness to some extent.
14 Lys and Soo 1995 demonstrate that the inherent difficulty in predicting earnings is associated with large forecast errors
see also Kross et al. 1990 . Alford and Berger 1999 , 219 suggest a proxy for “analysts’ ability to predict company’s earnings” emphasis added . In contrast,
firm-specific sticky costs increase the ex ante dispersion of the firm’s earnings distribution. The correlation between STICKY M-STICKY and this proxy using
Equation 1 in Alford and Berger 1999 , 223 is 0.07 0.04 , suggesting that the two variables do not pick up the same phenomena.

TABLE 7
Association of Cost Behavior with Analyst Coverage
Panel A: Mean Number of Analysts Following Firms with Sticky versus Anti-Sticky Cost Behavior.
Mean Number of Analyst
Cost Behavior Coverage n
Sticky Costs: STICKY it 0 5.459 23,915
Anti-Sticky Costs: STICKY it 0 5.622 21,016

Difference 0.163**
Panel B: Regression of the Number of Analysts Following Firms on Cost Stickiness, Control
Variables, Year Effects and Two-Digit SIC-Code Industry Effects
Model 2(a)
FLLW it = 0 + 1 STICKY it + 2 MV it + 3 RD it + 4 VSALE it + 5 DISP it + 6 ABS-FE it
+ 7 GROWTH it + 8 TV it + 9 LOSS it + ε it
Model 2(b)
FLLW it = 0 + 1 M-STICKY it + 2 MV it + 3 RD it + 4 VSALE it + 5 DISP it + 6 ABS-FE it
Model 2(c)
FLLW it = 0 + 1 STICKY i,t −1 + 2 MV it + 3 RD it + 4 VSALE it + 5 DISP it + 6 ABS-FE it
Model Model Model

Variables 2(a) 2(b) 2(c)
Intercept 0.0500 0.0448 0.0586

0.001 0.001 0.001
STICKY it 0.0211
0.031
M-STICKY it 0.0144
0.042
STICKY i,t −1 0.0216
0.033
MV it 0.3174 0.3188 0.3171
0.001 0.001 0.001
RD it 0.2196 0.2977 0.2633
0.001 0.001 0.001
VSALE it 0.4133 0.5001 0.4702
0.001 0.001 0.001
DISP it 0.6735 0.6448 0.7116
0.001 0.001 0.001
ABS-FE it 0.0854 0.0998 0.0796
0.023 0.046 0.045
GROWTH it 0.0067 0.0444 0.0360
0.786 0.171 0.219
TV it 0.1551 0.1881 0.1776
0.001 0.001 0.001
(continued on next page)

1464 Weiss
Panel B: Regression of the Number of Analysts Following Firms on Cost Stickiness, Control
Variables, Year Effects and Two-Digit SIC-Code Industry Effects
Model 2(a)
FLLW it = 0 + 1 STICKY it + 2 MV it + 3 RD it + 4 VSALE it + 5 DISP it + 6 ABS-FE it
Model 2(b)
FLLW it = 0 + 1 M-STICKY it + 2 MV it + 3 RD it + 4 VSALE it + 5 DISP it + 6 ABS-FE it
Model 2(c)
FLLW it = 0 + 1 STICKY i,t −1 + 2 MV it + 3 RD it + 4 VSALE it + 5 DISP it + 6 ABS-FE it
Model Model Model

Variables 2(a) 2(b) 2(c)
LOSS it 0.0059 0.0055 0.0023

0.094 0.111 0.188
n 35,857 31,532 31,662

Pseudo-R 2 43.18% 45.81% 44.07%
** Significant at the 5 percent level.

The regression model was estimated using a standard negative binomial distribution because the dependent variable
FLLW is count-data. The dispersion parameter was estimated by maximum likelihood. p-values are reported in parentheses. The pseudo-R 2, also named
McFadden’s R 2, is the log-likelihood value on a scale from 0 to 1, where 0 corresponds to the constant-only model and 1 corresponds to perfect prediction a
log-likelihood of 0 . Variable definitions are in Table 1 .
STICKY i,t −1 are positive and highly significant. Keeping in mind that lower values of STICKY
indicate stickier cost behavior, the findings reject the null H2. 15
As for the control variables, the coefficient estimates of MV and TV are positive and significant, in line with prior
research. The coefficient estimates of the proxies for environmental uncertainty show mixed results. The coefficients of VSALE
and ABS-FE are negatively and significantly associated with the analyst following, while the coefficient of DISP is positive
and significant. The coefficients of GROWTH and LOSS are insignificant.
The coefficient estimate of RD is also positive and highly significant, consistent with Barth et al. 2001 . To further check
the robustness of the cost behavior effect, I separately examine the cost stickiness effect on analyst coverage for firms with
and without R&D expenditures. Results not tabulated indicate that cost stickiness is significantly associated with analyst
coverage for firms with and without R&D expenditures. In sum, the evidence indicates that firms with stickier cost behavior
have lower analyst coverage.
Lower coverage for firms with stickier costs and more volatile earnings may seem counterintuitive if analysts strive to
meet a high demand for earnings forecasts for firms that have less predictable earnings. However, the analysts’ attitude
toward large negative forecast errors can
15 The analysis implicitly assumes that an equivalent effort is expended for estimating sticky and anti-sticky costs. This
assumption is sensible in this context because cost stickiness is estimated from public information reported in financial statements.

partially explain their coverage preferences. Ample evidence shows substantial declines in share price following a negative
forecast error e.g., Bartov et al. 2002 . 16 To some extent, analysts’ short- and long-term benefits are affected by their
relationships with managers of covered firms
Lim 2001 . Therefore, all else being equal, analysts are likely to prefer covering firms with low
ex ante probability of large negative forecast errors. Risk aversion reflected in a conventional concave loss-utility function
captures these preferences. This interpretation implicitly assumes some disparity in risk attitude to large negative forecast
errors between investors and analysts or, alternatively, that investors recognize cost stickiness to a limited extent.
H3 Results
Table 8 presents results from testing whether the market response to earnings surprises is weaker for firms with
stickier cost behavior. In line with the prior literature, coefficient estimates
1 in all regression models are positive and highly significant, indicating a positive market response to earnings surprises.
The estimated coefficients for the interaction variable are positive and significant when cost stickiness relates to total costs
models 3 a and 3 d , but only marginally significant when cost stickiness relates to SGA costs model 3 c , and insignificant
with respect to stickiness of COGS model 3 b . Additionally, results from estimating model 3 e , which uses an indicator
variable for the classification of costs as sticky versus anti-sticky, support H3.
The findings suggest that investors recognize and consider cost stickiness with respect to total costs, but not the
stickiness of cost components. The explanatory power in the models ranges between 1.8 percent and 2.9 percent, which is
in line with prior literature e.g., Gu and Wu 2003 . To strengthen the evidence, I take a predictive rather than
contemporaneous approach in estimating cost stickiness. Model 3 f shows a lower market reaction to earnings surprises for
firms with less sticky costs estimated on the preceding quarter note that STICKY 0 indicates sticky costs . Taken as a whole,
the findings corroborate Banker and Chen 2006 and indicate a weaker market response to earnings surprises for firms with
stickier cost behavior, supporting H3.
These results contribute to the ongoing debate on investor rationality by documenting that investors are able to
process accounting information and partially infer cost behavior in a rational manner. With respect to the control variables,
coefficient estimates for DISP are generally insignificant and coefficient estimates for VSALE are only marginally significant.
Thus, dispersion of analysts’ forecasts and variation of sales may not serve as appropriate proxies for ex ante earnings
predictability as perceived by investors. This argument is supported by Diether et al. 2002 , who interpret dispersion in
analysts’ earnings forecasts as a proxy for differences in opinion about the stock e.g., due to the employment of different
valuation models . While forecast dispersion may indicate different opinions or the use of different forecasting models, cost
stickiness serves as a proxy for more volatile earnings due to firm-specific cost structures. Thus, the two proxies capture
different aspects of earnings predictability. 17 Overall, findings indicate that investors have at least some understanding of
firms’ cost behavior in responding to earnings surprises.
V. A CONCLUDING REMARK
The study utilizes a managerial accounting concept, sticky costs, to gain insights into how firms’ cost behavior affects 1 the
accuracy of analysts’ earnings forecasts, 2 analysts’ selection of covered firms, and 3 the market response to earnings
announcements. While implications of cost behavior are of primary interest to management accountants, this study employs
a manage-
16 Kinney et al. 2002 provide a different view, which finds considerable variation in returns for firms reporting positive
or negative surprises.
17 See Dichev and Tang 2009 and Frankel and Litov 2009 for additional aspects of earnings predictability.

1466 Weiss
TABLE 8
Effect of Sticky Cost Behavior on Stock Market’s Reaction to Earnings Surprises
Model 3 a
CAR it = 0 + 1 FE it + 2 FE it STICKY it + 3 DISP it + 4 VSALE it + it
Model 3 b
CAR it = 0 + 1 FE it + 2 FE it COGS-STICKY it + 3 DISP it + 4 VSALE it + it
Model 3 c
CAR it = 0 + 1 FE it + 2 FE it SGA-STICKY it + 3 DISP it + 4 VSALE it + it
Model 3 d
CAR it = 0 + 1 FE it + 2 FE it M-STICKY it + 3 DISP it + 4 VSALE it + it
Model 3 e
CAR it = 0 + 1 FE it + 2 FE it D-STICKY it + 3 DISP it + 4 VSALE it + it
Model 3 f
CAR it = 0 + 1 FE it + 2 FE it STICKY i,t −1 + 3 DISP it + 4 VSALE it + it
Variable Model 3 a Model 3 b Model 3 c Model 3 d Model 3 e Model 3 f
Intercept 0.0208 0.0197 0.0256 0.0355 0.0011 0.0244

0.001 0.001 0.001 0.001 0.066 0.001
FE it 0.2929 0.3326 0.3636 0.3467 0.4377 0.3745
0.001 0.001 0.001 0.001 0.001 0.001
FE it STICKY it 0.0166
0.033
FE it COGS-STICKY it 0.0238
0.141
FE it SGA-STICKY it 0.0089
0.077
FE it M-STICKY it 0.0202
0.038
FE it D-STICKY it 0.0366
0.040
FE it STICKY i,t −1 0.0244
0.048
(continued on next page)

TABLE 8 (continued)
Model 3 a Model 3 b Model 3 c Model 3 d Model 3 e Model 3 f

Variable
DISP it 0.9202 0.8333 1.0284 1.0196 1.1280 1.1017

0.151 0.095 0.156 0.640 0.251 0.233
VSALE it 0.0120 0.0377 0.0095 0.0111 0.0267 0.0212
0.048 0.089 0.090 0.050 0.055 0.075
Adj. R 2 0.029 0.018 0.019 0.027 0.028 0.019

n 43,777 37,389 23,666 38,121 43,777 37,119
p-values based on two-tailed tests are in parentheses. Variable
Definitions:
CAR it cumulative market-adjusted returns raw return minus value-weighted CRSP return measured over three trading days surrounding
earnings announcement, from the day before to the day after; and
D-STICKY it 1 if STICKY it 0, and 0 otherwise.
Definitions of the other variables are in Table 1 .
ment accounting concept for addressing research questions usually raised by financial accountants. Although such a
multi-disciplinary approach has not been common in the prior literature, the findings of this study suggest that combining the
perspectives of management and financial accounting can be fruitful. Further research is expected to build on this approach
in exploring multi-disciplinary accountings topics. Integrating management and financial accounting research is likely to
benefit both disciplines.
APPENDIX
Employing cost stickiness as a yardstick, I develop a simple two-period model to predict a relationship between the
level of cost stickiness and the accuracy of analysts’ earnings forecasts. The primitive model input in the first period is a set
of prior beliefs on the state of the world, say demand y, which is a realization of a random variable y
˜, drawn from a distribution function, y,
with a strictly positive and symmetric density, y , over the support y ¯−,y ¯+,y ¯ 0. The
second-period revenue function, R y , is assumed to be differentiable, increasing and concave. 18
Costs in the second period are modeled by:
¯
C y,y ¯, = f + v + y if y y
f + vy + y ¯ if y y ¯
f a fixed cost of production, f ≥ 0;

v a variable cost per product unit, v ≥ 0; and
18 The revenue function depends on previously made managerial choices, like product price. See also Balakrishnan and
Sivaramakrishnan 2002 .

1468 Weiss
level of cost stickiness per product unit, – v R y − v.
The parameter captures the level of cost stickiness in adjusting resources to changes in the
activity level. If 0, then costs increase more when activity rises than they decrease when
activity falls by an equivalent amount; that is, a negative value of indicates sticky costs. If
0, then costs increase less when activity rises than they decrease when activity falls by an equivalent amount; that is, a
positive value of indicates anti-sticky costs. The difference between the
cost of an upward activity adjustment and the cost of an equivalent downward activity adjustment depends only on : 19
C y¯ + 1 − C y ¯−Cy ¯−Cy ¯−1=vy ¯+1+y ¯ − v y¯ − y ¯−vy ¯+y ¯−v+ y¯−1
=−.
I use cost of adjustments to expand the conventional fixed-variable cost model and estimate stickiness of firms’ cost
functions. My approach follows Wernerfelt 1997 , who shows that the magnitude of an adjustment cost drives the form of the
organization, and Balakrishnan and Gruca 2008 , who show that cost stickiness is greater for cost functions that relate to an
organization’s core competency. Rothschild 1971 models properties of convex concave adjustment cost structures that result
in asymmetric cost functions due to the cost of producing marginal unit increases decreases in the activity level.
In my model, the earnings function, y, R y C y, , is strictly increasing in y and

transforms demand y realized in the second period into earnings. The ex ante earnings expectations in the first period are
denoted ˆ y ˜, . In the second period, the firm truly reports its realized
earnings, y, .
An analyst is delegated the task of producing accurate estimates of a firm’s earnings expectations and the forecast is
honest, as in, for example, Ottaviani and Sorensen 2006 . In the first period, the analyst announces ˆ y
˜, as her most accurate forecast, if her error loss function is
symmetric and concave e.g., a quadratic loss function . 20 Focusing on the absolute earnings forecast error as an accuracy
gauge, the proposition below proves a negative relationship between the level of cost stickiness and the mean absolute
earnings forecast error. That is, higher values of
, i.e., less sticky cost behavior, result in lower mean absolute analyst forecast errors.
Proposition
E ,y ˜ −ˆy ˜, decreases in .
Proof
The proof is based on Jensen’s inequality:
˜, if y y ¯,
Let FE y, = y, − ˆ y, =Ry−f−v+y−ˆy
R y − f − vy − y ¯−ˆy ˜, otherwise.
Define y# : y# ,=ˆy ˜, . Thus, FE y , 0 for all y y ¯ − , y# .
19 I note that cost stickiness does not depend on the operating leverage of the firm because the fixed cost component, f,
does not influence the level of cost stickiness.

20 A discussion on the properties of a symmetric error loss function appears in Beja and Weiss 2006 .

y# y#
E FE y ˜, = − FE y, y dy + ¯+ FE y, y dy = − 2 FE y, y dy
y¯− y# y y¯−
y
¯+ y#
+ FE y, y dy = − 2 FE y, y dy 0
y¯− y¯−
Jensen’s inequality implies 1 2⇒ y# 1 y# 2, and, FE y , 2 FE y , 1 for all y

y ¯ − , y# 2.
Suppose 1 2. Hence:
y# 1
E FE y ˜, 2 − E FE y ˜, 1 = − 2 2 FE y, 2 y dy + 2 FE y, 1 y dy
y ¯ − y# y¯−
y# 2
=2 FE y, 1 − FE y, 2 y dy
y¯−
y# 1
−2 FE y, 1 y dy 0.
y# 2
Based on the proposition, I argue that cost stickiness is a determinant of the accuracy of analysts’ earnings forecasts.
Specifically, more sticky costs increase the spread of the ex ante
distribution of earnings, which increases the ex ante volatility of reported earnings. For that reason the proposition motivates
H1: Increased cost stickiness reduces the accuracy of analysts’ consensus earnings forecasts.
REFERENCES
Abarbanell, J. S., and B. J. Bushee. 1997. Fundamental analysis, future earnings, and stock returns. Journal
of Accounting Research 35 1 : 1–24.
— — – , W. Lanen, and R. Verrecchia. 1995. Analysts’ forecasts as proxies for investor beliefs in empirical research. Journal of Accounting
and Economics 20: 31–60.
Adar, Z., A. Barnea, and B. Lev. 1977. A comprehensive cost-volume-profit analysis under uncertainty. The
Accounting Review 52: 137–149.
Alford, W. A., and P. G. Berger. 1999. A simultaneous equations analysis of forecast accuracy, analyst
following, and trading volume. Journal of Accounting, Auditing & Finance 14: 219–240. Anderson, M., R. Banker, and S.
Janakiraman. 2003. Are selling, general, and administrative costs ‘sticky’?
Journal of Accounting Research 41: 47–63.
— — – , — — – , R. Huang, and S. Janakiraman. 2007. Cost behavior and fundamental analysis of SGA costs.
Journal of Accounting, Auditing & Finance 22 1 : 1–22.
Anderson, S., and W. Lanen. 2007. Understanding cost management: What can we learn from the evidence
on “sticky costs”? Working paper, University of Melbourne.
Atiase, R. 1985. Predisclosure information, firm capitalization, and security price behavior around earnings
announcements. Journal of Accounting Research 23: 21–36. Baik, B. 2006. Self-selection in consensus analysts’ earnings
forecasts. Asia-Pacific Journal of Financial

1470 Weiss
Studies 35 6 : 141–168.
Balakrishnan, R., and K. Sivaramakrishnan. 2002. A critical overview of the use of full-cost data for planning
and pricing. Journal of Management Accounting Research 14: 3–31.
— — – , M. J. Peterson, and N. S. Soderstrom. 2004. Does capacity utilization affect the “stickiness” of costs?
Journal of Accounting, Auditing & Finance 19 3 : 283–299.
— — – , and T. S. Gruca. 2008. Cost stickiness and core competency: A note. Contemporary Accounting Research 25 4 : 993–1006.
— — – , and N. S. Soderstrom. 2009. Cross-sectional variation in cost stickiness. Working paper, The University of Iowa.
Banker, R., and L. Chen. 2006. Predicting earnings using a model based on cost variability and cost sticki-
ness. The Accounting Review 81: 285–307.
— — – , M. Ciftci, and R. Mashruwala. 2008. Managerial optimism, prior-period sales changes, and sticky cost behavior. Working paper,
Temple University.
Barron, O. E., O. Kim, S. Lim, and D. Stevens. 1998. Using analysts’ forecasts to measure properties of
analysts’ information environment. The Accounting Review 73: 421–433.
— — – , D. Byard, C. Kile, and E. J. Riedl. 2002. High-technology intangibles and analysts’ forecasts. Journal of Accounting Research 40 2
: 289–312.
Barth, M. E., R. Kasznik, and M. F. McNichols. 2001. Analyst coverage and intangible assets. Journal of
Accounting Research 39 1 : 1–34.
Bartov, E., D. Givoly, and C. Hayn. 2002. The rewards to meeting or beating earnings expectations. Journal
of Accounting and Economics 33: 173–204.
Beja, A., and D. Weiss. 2006. Some informational aspects of conservatism. European Accounting Review 15:
585–604.
Bhushan, R. 1989. Firm characteristics and analyst following. Journal of Accounting and Economics 11:
255–274.
Brown, L. 2001. A temporal analysis of earnings surprises: Profits versus losses. Journal of Accounting
Research 39: 221–241.
— — – , G. Richardson, and S. Schwager. 1987. An information interpretation of financial analyst superiority in forecasting earnings. Journal
of Accounting Research 25: 49–67.
Chen, C. X., H. Lu, and T. Sougiannis. 2008. Managerial empire building, corporate governance, and the
asymmetrical behavior of selling, general, and administrative costs. Working paper, University of Illinois at Urbana–Champaign.
Clement, M., and S. Tse. 2003. Do investors respond to analysts’ forecast revisions as if forecast accuracy is
all that matters? The Accounting Review 78: 227–249.
Collins, D. W., S. P. Kothari, and J. D. Rayburn. 1987. Firm size and the information content of prices with
respect to earnings. Journal of Accounting and Economics 9: 111–138.
Das, S., C. Levine, and K. Sivaramakrishnan. 1998. Earnings predictability and bias in analysts’ earnings
forecasts. The Accounting Review 73: 277–294.
— — – , R. J. Gou, and H. Zhang. 2006. Analysts’ coverage and subsequent performance of newly public firms. The Journal of Finance 61
3 : 1159–1185.
Dechow, P., S. Kothari, and R. Watts. 1998. The relation between earnings and cash flows. Journal of
Accounting and Economics 25: 133–168.
Dichev, I. D., and V. W. Tang. 2009. Earnings volatility and earnings predictability. Journal of Accounting
and Economics 47: 160–181.
Diether, K., C. Malloy, and A. Scherbina. 2002. Differences of opinion and the cross section of stock returns.
The Journal of Finance 57: 2113–2141.
Frankel, R., S. Kothari, and J. Weber. 2006. Determinants of the informativeness of analyst research. Journal
of Accounting and Economics 41: 29–54.
— — – , and L. Litov. 2009. Earnings persistence. Journal of Accounting and Economics 47: 182–190. Givoly, D., and C. Hayn. 2000. The
changing time-series properties of earnings, cash flows and accruals: Has
financial reporting become more conservative? Journal of Accounting and Economics 29: 287–320. Gu, Z., and J. Wu. 2003.
Earnings skewness and analyst forecast bias. Journal of Accounting and Economics
35: 5–29.

Hemmer, T., and E. Labro. 2008. On the optimal relation between the properties of managerial and financial
reporting. Journal of Accounting Research 46 5 : 1209–1240.
Hong, H., T. Lim, and J. C. Stein. 2000. Bad news travels slowly: Size, analyst coverage, and the profitability
of momentum strategies. The Journal of Finance 55: 265–295. Imhoff, E., and G. Lobo. 1992. The effect of ex ante earnings
uncertainty on earnings response coefficients.
The Accounting Review 67: 427–439.
Kinney, W., D. Burgstahler, and R. Martin. 2002. Earnings surprise “materiality” as measured by stock
returns. Journal of Accounting Research 40 5 : 1297–1329.
Kross, W., B. Ro, and D. Schroeder. 1990. Earnings expectations: The analysts’ information advantage. The
Accounting Review 65 2 : 461–476.
Lang, M., and R. Lundholm. 1996. Corporate disclosure policy and analyst behavior. The Accounting Review
71: 467–492.
Lev, B., and R. Thiagarajan. 1993. Fundamental information analysis. Journal of Accounting Research 31:
190–215.
Lim, T. 2001. Rationality and analysts’ forecast bias. The Journal of Finance 56: 369–385. Lipe, R. 1990. The relation between stock returns
and accounting earnings given alternative information. The
Accounting Review 65: 49–71.
Lys, T., and L. G. Soo. 1995. Analysts’ forecast precision as a response to competition. Journal of Account-
ing, Auditing & Finance 10 4 : 751–766. Maher, M., W. Lanen, and M. Rajan. 2006. Fundamentals of Cost Accounting. New York,
NY: McGraw-Hill. Matsumoto, D. 2002. Management’s incentives to avoid negative earnings surprises. The Accounting Review
77: 483–514.
O’Brien, P. C., and R. Bhushan. 1990. Analyst following and institutional ownership. Journal of Accounting
Research 28: 55–82.
Ottaviani, M., and P. Sorensen. 2006. The strategy of professional forecasting. Journal of Financial Econom-
ics 81: 441–466.
Parkash, M., D. S. Dhaliwal, and W. K. Salatka. 1995. How certain firm-specific characteristics affect the
accuracy and dispersion of analysts’ forecasts. Journal of Business Research 34: 161–169. Philbrick, D., and W. Ricks. 1991. Using
value line and IBES analyst forecasts in accounting research.
Rock, S., S. Sedo, and M. M. Willenborg. 2000. Analyst following and count-data econometrics. Journal of
Accounting and Economics 30: 351–373. Rothschild, M. 1971. On the cost of adjustment. The Quarterly Journal of Economics 85:
601–622. Stickel, S. 1992. Reputation and performance among security analysts. The Journal of Finance 47: 1811–
1836.
Weiss, D., P. A. Naik, and C. L. Tsai. 2008. Extracting forward-looking information from security prices: A
new approach. The Accounting Review 83 4 : 1101–1124. Wernerfelt, B. 1997. On the nature and scope of the firm: An
adjustment-cost theory. The Journal of Business
80 4 : 489–514.
Wiedman, C. 1996. The relevance of characteristics of the information environment in the selection of a
proxy for the market’s expectations for earnings: An extension of Brown, Richardson, and Schwager.


# JR Ak Kos - Weiss2010.en - Id

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

# JR Ak Kos - Weiss2010.en - Id

Diunggah oleh

Hak Cipta:

Format Tersedia

TINJAUAN AKUNTANSI Asosiasi Akuntansi Amerika

Vol. 85, No. 4 DOI: 10.2308 / accr.2010.85.4.1441

Perilaku Biaya dan Penghasilan Analis

Klasifikasi JEL: M41; G12.

Diserahkan: September 2008

menghasilkan prediksi pendapatan yang kurang akurat.

Tinjauan Akuntansi Juli 2010

tidak proporsional ketika tingkat aktivitas menurun.

Tinjauan Akuntansi Juli 2010

kapasitas berlebih untuk tingkat aktivitas Y 0.

Tinjauan Akuntansi Juli 2010

Tinjauan Akuntansi Juli 2010

H2: Perilaku biaya tetap tidak mempengaruhi jangkauan analis.

Tinjauan Akuntansi Juli 2010

AKU AKU AKU. DESAIN PENELITIAN

LENGKET i, t = catatan BIAYA - log BIAYA ,¯ t, . . , t −3 ,

7 Estimasi dari LENGKET konsisten dengan tanda parameter

Tinjauan Akuntansi Juli 2010

FE itu = EPS aktual Itu - perkiraan konsensus analis Itu ,

Tinjauan Akuntansi Juli 2010

+ 7 OPLEV itu + 8 MUSIM itu;

+ 6 DISP itu + 7 OPLEV itu + 8 MUSIM itu;

Tinjauan Akuntansi Juli 2010

+ 7 OPLEV itu + 8 MUSIM itu;

MV Itu log nilai pasar dari ekuitas Compustat # 61 # 14 di akhir kuartal;

+ 7 OPLEV itu + 8 MUSIM itu + itu.

seperti diskon harga atau manipulasi akrual.

Tinjauan Akuntansi Juli 2010

+ 7 OPLEV itu + 8 MUSIM itu + itu.

Seperti sebelumnya, hipotesis memprediksi 1 0 dalam model 1 e .

Tinjauan Akuntansi Juli 2010

+ 7 PERTUMBUHAN itu + 8 televisi itu + 9 KERUGIAN itu;

+ 7 PERTUMBUHAN itu + 8 televisi itu + 9 KERUGIAN itu;

+ 7 PERTUMBUHAN itu + 8 televisi itu + 9 KERUGIAN itu;

nilai ditetapkan sama dengan 0 dan nilai dimenangkan pada 1; dan

Tinjauan Akuntansi Juli 2010

Statistik dan Konsistensi Deskriptif dengan Ukuran Kelengketan Biaya Sebelumnya

Tinjauan Akuntansi Juli 2010

Statistik Deskriptif, Dikumpulkan dari Waktu ke Waktu

LENGKET 44.931 0,0174 0,4897 0,1551 0,0111 0,1205 53.2

Definisi variabel untuk setiap perusahaan saya pada kuartal t:

menurun dan ¯ adalah kuartal terakhir dengan peningkatan penjualan;

Compustat # 2 untuk perusahaan saya dalam seperempat t;

menurun dan ¯ adalah kuartal terakhir dengan peningkatan penjualan;

log nilai pasar dari ekuitas Compustat # 61 # 14 di akhir kuartal;

(lanjutan ke halaman berikutnya)

Tinjauan Akuntansi Juli 2010

log SGA it = 0 + 1 log SALE it + 2 SALEDEC it log SALE it + it

where SALEDEC it equals 1 if SALE it SALE i,t −1, and 0 otherwise.

costs are anti-sticky.

The Accounting Review July 2010

0.02**0.02**0.01**0.03**0.01 0.00 0.01 0.02 0.01**0.04**0.02**0.04**0.01**0.02**0.03**0.26** FE

0.07**0.00 0.00 0.01 0.00 0.16**0.03**

0.01 0.02**0.03**0.21**0.02**0.01 0.00 0.04**0.02**0.15**0.01**0.45**0.43**0.49** 0.03**0.18**

0.01 0.19**0.34**0.05**0.00 0.02** 0.04**0.08**0.25**

0.02 0.55**0.04**0.01** 0.02**0.04*0.02 0.10**0.04**

0.00 0.09**0.12** 0.05**0.15**0.03**0.00 0.04**0.33**

0.06**0.12** 0.12**0.05**0.01**0.33**0.00 0.03**0.04**

0.13**0.10**0.01 0.01 0.00 0.00 0.01 0.61**0.05** TV

Correlation Coefﬁcients between Industry Estimates of Cost Stickiness

Mean SGA-STICKY j 0.562** 0.345**

ˆ 2,j 0.485** 0.467**

Anderson-Lanen Coefﬁcient 0.463** 0.365**

0.020.020.010.030.01 0.00 0.01 0.02 0.010.040.020.040.010.020.030.26 FE

0.070.00 0.00 0.01 0.00 0.160.03**

0.01 0.020.030.210.020.01 0.00 0.040.020.150.010.450.430.49 0.030.18**

0.01 0.190.340.050.00 0.02 0.040.080.25**

0.02 0.550.040.01 0.020.04*0.02 0.100.04

0.00 0.090.12 0.050.150.030.00 0.040.33**

0.060.12 0.120.050.010.330.00 0.030.04

0.130.100.01 0.01 0.00 0.00 0.01 0.610.05 TV

Mean SGA-STICKY j 0.562 0.345

ˆ 2,j 0.485 0.467

Anderson-Lanen Coefﬁcient 0.463 0.365