Who’s Whispering? Early Evidence Regarding Management as a ...

Who’s Whispering?  Early Evidence Regarding Management as a 
Possible Source of “Whisper” Forecasts of Earnings 

 
Karen Teitel* 
Assistant Professor of Accounting 
College of the Holy Cross 
One College Street 
Worcester, MA 01610‐2395  

508 793 2679 
[email protected] 

 
Susan Machuga 
Assistant Professor of Accounting 
University of Hartford 
Barney School of Business 
200 Bloomfield Avenue 
Hartford, CT 06117 

860 871 8124 
[email protected] 

 
Ray Pfeiffer 

Professor 
Department of Accounting and Information Systems 

Isenberg School of Management 
University of Massachusetts 

Amherst, Massachusetts 01003 
413 545 5653 

[email protected]

Research Fellow 
Financial Accounting Standards Board 

401 Merritt 7 
Norwalk, CT 06856 

 
September 2008 
 
We acknowledge helpful comments from participants in the University of Connecticut’s 
Accounting Research Workshop.  We are also grateful to Thomson Financial for providing IBES 
earnings forecast data at an academic rate.  Expressions of individual views of members of the 
FASB and their staffs are encouraged. The views expressed in this article are those of Dr. 
Pfeiffer and his co‐authors. Official positions of the FASB on accounting matters are determined 
only after extensive due process and deliberation. 
*Contact author. 

Who’s Whispering?  Early Evidence Regarding Management as a 
Possible Source of “Whisper” Forecasts of Earnings 

 

SYNOPSIS 

 

“Whisper numbers” have attracted both popular press and academic interest since the first 
paper published on this topic by Bagnoli at al. (1999)where they find that whisper forecasts are 
more accurate and more closely associated with investors’ expectations than are financial 

analysts’ forecasts.  Although the exact source of whisper forecasts is not known, we theorize 

that managers are among the (anonymous) providers of whispers. To test this conjecture, we 
examine the probabilities of management and whisper forecasts occurring given the 
juxtaposition of the initial analysts’ forecasts relative to actual earnings.  We find that when 
analysts’ forecasts are optimistic, management forecasts are statistically more likely to occur; 
however, when analysts’ forecasts are pessimistic, whisper forecasts are more likely to occur.  
We also find that in circumstances where management is most likely to choose to communicate 
via whispers, whisper forecasts are more accurate, consistent with management being the 
source of the whispers. 
 
 
Key words: Accounting, earnings‐per‐share; whisper forecasts; analysts’ forecasts; management 
forecasts; analysts’ revisions; forecast accuracy; information content; forecast optimism; forecast 
pessimism. 

Who’s Whispering?  Early Evidence Regarding Management as a 
Possible Source of “Whisper” Forecasts of Earnings 

 
 

I.  INTRODUCTION 
 
  “Whisper numbers” have attracted both popular press and academic interest since the 

first paper published on this topic by Bagnoli at al. in 1999.  They find that whisper forecasts are 

more accurate and more closely associated with investors’ expectations than are financial 

analysts’ forecasts.  Although the exact source of whisper forecasts is not known, Bagnoli et al.
(1999) believe they come from a variety of sources such as stockbrokers and/or financial analysts
as well as investor relations departments of firms. One question related to the source of whisper 

forecasts is how whispers could possibly out‐perform financial analysts, who presumably have 

access to superior information. We theorize that whispers’ relative information content may be 

attributable to the possibility that managers are actually among the (anonymous) providers of 

whispers.   

Why might managers use whispers as a communication channel?  Management’s 

incentives to communicate with the market are driven by the desire to impact analysts’ forecasts 

of earnings and therefore the market’s expectations of earnings.  Those incentives differ based 

upon whether analysts’ forecasts are viewed by management as being too high or too low.  If 

they are viewed as too high, management has the incentive to provide bad news and/or 

pessimistic forward‐looking disclosures to the market so as to prevent a negative earnings 

surprise.  On the other hand, if they are too low, management’s incentive is conditional.  

Managers likely welcome small positive surprises and they may remain silent if analysts’ 

forecasts are pessimistic but near management’s expectation of actual earnings.  However, if 

1

analysts are too pessimistic, that is at a level that would lead to large positive earnings surprises, 
investors may infer that earnings (and consequently the firm’s operations) are more volatile 
than previously thought.  To avoid this inference, management may elect to increase 
expectations by providing good news and/or optimistic forward‐looking information to the 
market to induce a smaller positive earnings surprise. 

The relative costs of these alternatives differ because of differing litigation risk.  
Specifically, we assume that it is more costly for managers to provide optimistic disclosures 
than pessimistic disclosures, as shareholder lawsuits are more likely in the former case (Skinner 
& Sloan, 2002).  As a result, we conjecture that when managers need to raise analysts’ earnings 
expectations, they may find the anonymity provided by whispers appealing as an alternative 
communication channel.  Note that the efficiency of communications is likely lower in the 
whisper channel because of the relatively lower credibility of anonymous whisper forecasts 
versus direct communication with the public (management forecasts).  However, we argue that 
on balance, it is plausible that whispers may be a useful tool for communication with market 
participants. 
  The actual source of whisper forecasts is un‐knowable; thus we must rely upon 
circumstantial evidence to test this conjecture. We examine the probabilities of management and 
whisper forecasts occurring given the juxtaposition of the initial analysts’ forecasts relative to 
actual earnings.  We find that when analysts’ forecasts are optimistic, management forecasts are 
statistically more likely to occur.  However, when analysts’ forecasts are pessimistic, whisper 
forecasts are more likely to occur.  We also find that in circumstances where management is 
most likely to choose to communicate via whispers, whisper forecast are more accurate, 

2

consistent with what would be expected if management were the source of the whispers.  
Finally, in supplementary analyses we find that when management is more likely to be the 
source of whisper forecasts, analysts do not appear to recognize the increased accuracy of 
whispers; nor are analysts’ forecasts more highly related to investors’ expectations.  This 
evidence is consistent with analysts’ under‐reaction to earnings‐relevant information. 
  Overall, our findings add to and reinforce previous findings in the literature that 
whisper forecasts of earnings are on average an incrementally informative source of 
expectations of future earnings for firms.  We document that this is true even in the presence of 
management forecasts of earnings.  In addition, we show that financial analysts appear to adjust 
their forecasts of future earnings based on the information in whispers; however, as noted 
above, analysts are not able to differentiate the quality of whispers based on the potential 
whisper source.  Finally, we provide a theory and some supporting evidence about why 
whispers may be useful to market participants, namely that it is possible that in certain 
circumstances whispers reflect private information being communicated anonymously to 
investors when public disclosures are more risky.  

II.  BACKGROUND AND HYPOTHESIS DEVELOPMENT 
Previous research has documented that in certain contexts whisper forecasts of earnings 
are more accurate than analysts’ forecasts and more representative of the expectations of 
investors (Bagnoli et al., 1999; Zaima & Harjoto, 2005).  Bagnoli et al. (1999), using a sample of 
127 firms concentrated in high‐technology industries from 1995 to 1997, find that whisper 
forecasts are more accurate and are a better proxy for investors’ quarterly earnings expectations 
than analysts’ forecasts.  They examine a trading strategy based on the sign of both the whisper 

3

and FirstCall forecast error.  The trading strategy based on the whisper consensus forecast 
errors earns significantly larger positive market‐ and size‐adjusted returns around the earnings 
announcement date than a strategy based on FirstCall consensus forecast errors.  Further, they 
earn significant economic profits by trading on the difference between the whisper and FirstCall 
forecasts based on whether the whisper is greater or less than the FirstCall forecast.  

 Zaima & Harjoto (2005), using a sample of 136 mostly high‐technology firms from 1999 
to 2002, examine the market reaction to conflicting signals (that is, whisper/analysts’ forecasts 
are above actual earnings when analysts’/whisper forecasts are below) and find that the reaction 
to whisper forecast errors is stronger than the reaction to analysts’ forecast errors.  In particular, 
when analysts’ forecasts are pessimistic and whisper forecasts are optimistic, cumulative 
abnormal returns are negative around the earnings announcement date.  Each forecast source 
does, however, appear to have unique information, as cumulative abnormal returns from two 
days after the earnings announcement are higher when constructing a portfolio using both 
information sources than using either source independently.   

More recent evidence, however, indicates that although whisper forecasts are more 
optimistic than consensus analysts’ forecasts they are not always more accurate (Bhattacharya et 
al., 2006; Fernando & Brown, 2005).  Bhattacharya et al.’s (2006) evidence indicates that the only 
time whisper forecast errors have incremental information content in explaining cumulative 
abnormal returns centered around the earnings announcement date over that of analysts’ 
forecast errors is when whisper forecasts are greater than consensus analysts forecasts.  Results 
by Fernando & Brown (2005) indicate that a trading strategy based on the sign of the forecast 
errors works equally well using whisper or analysts’ forecasts for the period 2000 to 2004; 

4

however, returns using whisper forecast errors are significantly higher than returns using 
analyst forecast errors for the time period 1997 to 2000.   

There is a third forecasting source, however, that is also relevant to explorations of 
earnings forecasts: management earnings forecasts.  To date no prior research has investigated 
the relative information content of whisper and analysts’ forecasts in the presence of 
management forecasts.  We address this empirically by testing the following hypothesis: 

H1(alternative): Whisper forecasts of earnings provide information content 
incremental to analysts’ forecasts after controlling for management 
earnings forecasts. 

 
We test H1 using the following model: 
  (1) 

where Ret is the 3‐day cumulative raw return centered on the earnings announcement date for 
quarter t, FEAF, FEWF and FEMF are forecast errors based on analysts’, whisper, and 
management forecasts, respectively, for quarter t scaled by IBES price prior to the earnings 
announcement date, Size is the natural log of total assets at the beginning of quarter t, BM is the 
book to market ratio at the beginning of quarter t and DM is the debt to market ratio at the 
beginning of quarter t.  If whisper forecasts provide information incremental to analysts and 
management forecasts, then   > 0.  Size, BM, and DM are included to control for other return 
differences related to risk (Fama & French, 1992).

Prior research provides evidence showing that analysts quickly revise their earnings 
forecasts in response to public management forecasts and their resulting revisions are more 
likely to result in meetable or beatable targets (Cotter et al., 2006; Li, 2007).  In addition, analysts 
tend to underestimate quarterly earnings while whispers tend to overestimate quarterly 

5

earnings (Bagnoli et al., 1999; Zaima & Harjoto, 2005).  These differences have been attributed to 
specific industries and the market run‐up in the late 1990’s; however, it is also consistent with 
analysts lowering (raising) their reported estimates of earnings potentially in response to 
strategic management (whisper) forecasts.  

Relying on previous research documenting the superior accuracy of whisper forecasts as 
well as their usefulness in explaining stock price movement, it would be rational for financial 
analysts to take advantage of any superior information reflected in whisper forecasts of 
earnings, to the extent that analysts aim to increase the accuracy and relevance of their forecasts.  
Whether they actually do is an empirical question addressed using the following hypothesis: 

H2 (alternative): Financial analysts’ forecast revisions are positively associated 
with whisper forecasts of earnings. 

 
We test the above hypothesis using the following model: 

(2) 
 
where Rev is analysts’ revisions of forecasts calculated as the analysts’ initial forecast less the 
last analysts’ forecast for quarter t scaled by IBES price prior to the earnings announcement date 
(where the initial and last analysts’ forecasts are the mean forecasts from the first day after the 
quarter t‐1 earnings announcement date and the last day before the quarter t earnings 
announcement date), FWFE and FMFE are the analysts’ initial forecast for quarter t less the  
whisper or management forecast for quarter t scaled by IBES price prior to the earnings 
announcement date.  If analysts revise their forecasts in response to information in whispers, 

then we expect   > 0.   

6

We also include the following control variables shown in prior research to be associated 
with analysts’ revisions.  Opt and Pess are indicator variables indicating membership in the 
bottom and top quintiles (respectively) of the distribution of the analysts’ initial forecast error in 
quarter t,  FEAF is the analysts’ forecast error — to control for analysts’ tendency (documented 
in previous literature) to revise future forecasts based upon their past errors, and MktRet is the 
market return during the current quarter — to control for the extent to which analysts adjust to 
information in market returns.  Analysts is the number of analysts providing initial forecasts in 
quarter t, FSTD is the standard deviation of the analysts’ initial forecasts in quarter t, and Size, 
BM and DM are as defined above.  Cotter et al. (2006) find analysts’ revisions are associated 
with the dispersion of analysts’ forecasts and the relative optimism or pessimism in analysts’ 
initial forecasts, and thus we include FSTD, Opt and Pess to capture those differences.  
Consistent with Matsumoto (2002) and Richardson et al. (2004), we include additional variables 
to control for expected growth (BM) and litigation risk and implicit claims from stakeholders 
(DM).  Size and Analysts are included as proxies for firm information environment differences 
that may be correlated with analysts’ revisions (e.g., Brown & Caylor, 2005).   
  Notwithstanding empirical evidence in this and prior studies that find whisper forecasts 
apparently contain relevant information for financial analysts and investors, the anonymous 
nature of whisper forecasts and the inability of researchers to observe the source of such 
forecasts raises questions about the validity of interpretations that whisper forecasts provide 
useful information to the market.  However, given the relatively stable findings, we are 
motivated to theorize about possible explanations for the phenomena. 

7

If it were firms themselves who were among the information suppliers underlying 
whisper forecasts of earnings, the extant empirical evidence would be more believable.  
Therefore, our approach is to consider contexts where it is more or less likely that management 
might be inclined to communicate with investors using whispers.  Our evidence is necessarily 
circumstantial because we cannot observe the actual source of the whispers.  Nevertheless, we 
believe that it is worthwhile to explore this possibility as a means of increasing our 
understanding of previous findings in the academic literature regarding whispers. 

Consider the scenario where initial analysts’ earnings forecasts are viewed by 
management as too optimistic (above management’s private expectation of actual earnings).  In 
such circumstances, managers are motivated to find a way to decrease analysts’ forecasts by 
providing “earnings guidance.”   

Recent empirical evidence indicates that meeting or beating analysts’ quarterly earnings 
forecasts has become increasingly important since the late 1990s and into the early 2000s (Baik & 
Jiang, 2006; Brown & Caylor, 2005).  The number of firms that meet or beat analyst’s estimates 
has continually increased in recent years (Bartov et al., 2002).  There are several potential 
reasons for this:  First, investors reward firms for reporting quarterly earnings that meet 
analysts’ estimates more than they do for avoiding earnings decreases or avoiding quarterly 
losses (Brown & Caylor, 2005).  Second, the market response to negative earnings surprises is 
asymmetrically large compared to positive earnings surprises, particularly for growth stocks, 
suggesting a high cost to missing analysts’ expectations (Skinner & Sloan, 2002).  Third, 
abnormal returns are not only associated with unexpected earnings (where expectations are 
measured as analysts’ forecasts at the beginning of the period) but also with the earnings 

8

surprise (where expectations are measured as analysts’ forecasts at the end of the period) 
(Bartov et al., 2002).  There appears to be a premium for beating analysts’ forecasts whether or 
not the positive surprise was caused by earnings management or expectations management.  
Fourth, the market rewards firms who consistently report positive earnings surprises (Barth, et 
al., 1999).  And, increased media coverage and more analyst following, together with an 
increase in both the accuracy and precision of analysts’ forecasts appear to increase investors’ 
focus on analysts’ forecasts.   

Recent empirical evidence is consistent with firms engaging in expectations 
management in order to report earnings that meet or beat analysts’ forecasts of quarterly 
earnings (e.g., Bartov et al., 2002; Matsumoto, 2002;  Brown & Caylor, 2005).  While analysts’ 
appear to start off the reporting period with overly optimistic expectations of earnings, by the 
end of the reporting period their forecasts turn pessimistic (Bartov et al., 2002).   Several studies 
find that management guides analysts’ forecasts downward to avoid a negative earnings 
surprise at the earnings announcement date (Matsumoto, 2002; Bartov et al., 2002; Richardson et 
al., 2004; Baik & Jiang, 2006).  Furthermore, expectations management has increased 
substantially in recent years, even after the passage of Regulation Fair Disclosure in 2002 (Reg. 
FD) (Bartov et al., 2002; Brown & Caylor, 2005).   

In the post‐Reg. FD period comprising our sample period, managers are discouraged by 
threat of legal penalties from communicating relevant information privately with financial 
analysts.  Thus the most direct and likely effective means of guiding analysts’ forecasts 
downward to meet‐able or beatable targets is to issue public guidance, often in the form of an 
explicit forecast of earnings.  Formally, we make the following prediction: 

9

H3a (alternative): When initial analysts’ earnings forecasts are optimistic, 
management forecasts are more likely to occur than whispers. 

 
  Now consider the opposite scenario where initial analysts’ earnings forecasts are 
pessimistic relative to managers’ private expectations of actual earnings.  In such contexts, 
management is disinclined to guide analysts for two reasons: first, if analysts do not change 
their forecasts, this will result in a positive earnings surprise, which brings with it significant 
positive stock price movements at the earnings announcement date.  Second, changing the 
analysts’ forecast would require making a forecast or disclosure of good news relative to 
current market expectations.  Should such a forecast turn out to be incorrect and viewed 
retrospectively by market participants as excessively optimistic, the manager could face civil 
lawsuits from shareholders when actual earnings disappoint the market. 

On the other hand, if managers believe that analysts’ forecasts are excessively 
pessimistic, they may be more inclined to intervene for two reasons: provision of positive 
expectations to the market tends to result in positive stock price responses upon the disclosure, 
and large positive earnings surprises may raise questions about the degree of managers’ 
knowledge of the business (Trueman, 1986) and may cause investors to believe that earnings 
(and thus the firm’s underlying operations) are more volatile than previously thought, which in 
turn could increase the firm’s cost of capital. 

To the extent that management is likely to want to communicate positive information to 
the market to guide analysts’ forecasts upward, providing private information through the 
whisper forecast mechanism is a potentially appealing alternative.  Also, the anonymity of the 
whisper mechanism permits managers to make good news forecasts without being “on record” 

10

as having done so, thus reducing the potential liability exposure that might result if such 
forecasts are not borne out. 

Note that managers face significant risks in engaging in the behavior that we are 
describing.  Given Reg. FD, it is likely that there would be legal sanctions exacted against 
managers who were found communicating private information about the firm to the market 
through whispers.  Nevertheless, there is widespread anecdotal evidence that managers engage 
in this and similar behavior despite the potential costs.  For example, Whole Foods Market’s 
CEO, John Mackey, admitted in July 2007 to posting comments about Whole Foods and its 
potential acquisition target, Wild Oats Markets, using a pseudonym on a Yahoo! Blog 
(Kesmodel & Wilke, 2007).  Ultimately it is a cost‐benefit tradeoff that each member of the 
management team of a public company makes given the firm’s circumstances.  We argue that it 
is plausible that at least in some circumstances managers judge the potential benefits (described 
above) to exceed the potential costs. 

Therefore, we make the following prediction for firms in this scenario: 
H3b(alternative): When initial analysts’ earnings forecasts are pessimistic, 

whispers are more likely to occur than management earnings forecasts.   
 
  Evidence consistent with H3b would suggest that management may be the source of 
whisper forecasts of earnings in certain circumstances, thus explaining previous findings 
regarding the relative accuracy and informativeness of whisper forecasts.  We test hypotheses 
3a and 3b using the following two models (two different dependent variables with the same set 
of independent variables): 

(3) 

11

where Code is either MFCode or WFCode, indicator variables equal to one if there is a 

management or whisper forecast issued in quarter t and zero otherwise, AbsFirstFE is the 

absolute value of the analysts’ initial forecast error for quarter t, Pesscode is an indicator variable 

equal to one if the first forecast error is greater than or equal to zero and zero otherwsie, 

AbsFirstFE*Pesscode is the interaction of AbsFirstFE and Pesscode, and Size, BM and DM are as 

defined earlier.   

When estimating model (3) using MFCode, H3a predicts that the probability of a 

management forecast being issued is greater if Pesscode equals zero (i.e., analysts are optimistic) 

and therefore we expect   < 0.   When estimating model (3) using WFCode, H3b predicts that 

the probability of a whisper forecast being present is greater if Pesscode equals one (i.e., analysts 

are pessimistic) and therefore we expect   > 0.  Consistent with our prior model we include 

controls for analysts’ forecast bias, growth, litigation risk and implicit claims by stakeholders, 

and information environment. 

Based on our theory above, when analysts’ initial forecasts are pessimistic, management 

is more likely to whisper a forecast. If we are correct, such whispers, which include managers’ 

private information, should be more accurate and more representative of investor and analysts’ 

expectations than other whisper forecasts.  This leads to our fourth set of hypotheses: 

H4a(alternative): Whisper forecast accuracy is associated with initial forecast 
pessimism. 

 
H4b(alternative): Whisper forecast information content is associated with initial 

forecast pessimism. 
 

H4c(alternative): Analysts’ forecast revisions are associated with initial forecast 
pessimism. 

 

12

 
We test H4a, the accuracy dimension, by calculating the absolute forecast error  – IBES 

actual earnings less the forecast (whisper or analyst) deflated by IBES price prior to the earnings 
announcement date, for each firm quarter.  Analysts’ forecasts is the mean of the IBES analysts’ 
forecasts of earnings for quarter t on the last day before the quarter t earnings announcement 
date.  Whisper forecast is the forecast of earnings for quarter t hand collected from the 
www.whispernumbers.com website.  We test for differences in the median absolute whisper 
and analysts’ forecast errors.1  We expect whisper forecasts to be more accurate than analysts’ 
forecasts when analysts’ initial forecasts are pessimistic. 
  We test H4b, the information content dimension, by expanding model (1) as follows: 

(4) 

where Ret is the 3‐day cumulative raw return centered on the earnings announcement date for 
quarter t, Pesscode is an indicator variable set equal to one if analysts’ initial forecast error is > 0 
and zero otherwise and Pesscode*FEWF is the interaction between whisper forecast error (FEWF) 
and Pesscode.  All other variables are as previously defined.  If investors recognize the increased 
information content of whisper forecast errors when analysts’ initial forecasts are pessimistic 
then we expect    > 0.  
  Lastly, we test H4c to determine whether analysts’ revise their forecasts differently 
when their initial forecast is pessimistic versus optimistic by estimating the following 
regression: 

(5) 

13

where Rev is analysts’ revisions of forecasts calculated as the analysts’ initial forecast less the 
last analysts’ forecast for quarter t scaled by IBES price prior to the earnings announcement date 
(where the initial and last analysts’ forecasts are the mean forecasts from the first day after the 
quarter t‐1 earnings announcement date and the last day before the quarter t earnings 
announcement date), FWFEPess0 (FWFEPess1) is the analysts’ initial forecast for quarter t less 
the whisper forecast for quarter t scaled by IBES price prior to the earnings announcement date 
when the first analysts’ forecast error is less than zero (greater than or equal to zero).  
FMFEPess0 (FMFEPess1) is the analysts’ initial forecast for quarter t less the management 
forecast for quarter t scaled by IBES price prior to the earnings announcement date when the 
first analysts’ forecast error is less than zero (greater than or equal to zero).  The remaining 
variables are controls that are described earlier.  If analysts’ recognize the greater accuracy of 

whisper forecasts when the analysts’ first forecasts are pessimistic then we expect  > .

III.  SAMPLE SELECTION AND DESCRIPTION 
We manually compile a random sample of both S&P 500 and non‐S&P 500 firms with 
quarterly whisper forecasts of earnings beginning the second quarter of 2002 and ending the 
second quarter of 2007 with at least one whisper forecast on whispernumbers.com.  We collect 
whisper forecast, analyst forecast, actual earnings and the earnings announcement date for each 
firm‐quarter.  We match this sample with management forecasts from the FirstCall Company 
Issued Guidelines data base and analysts’ forecasts and actual earnings from IBES.   We then 
match the forecast sample with Compustat and CRSP for other firm specific variables and 
returns. 

14

The maximum possible number of observations for this study is 10,000 firm‐quarters 
(250 S&P 500 and 250 non‐S&P 500 firms, 20 quarters per firm).  As detailed in panel A of table 
1, whisper forecasts are not available for 6,209 firm‐quarters.  IBES forecasts and actual 
earnings‐per‐share are not available for 2,343 firm‐quarter observations primarily because our 
IBES data end at the first half of 2006.  We calculate split‐adjusted whisper forecasts as the 
whisper forecast divided by the ratio of actual earnings‐per‐share from IBES to actual earnings‐
per‐share from whispernumbers.com.  Thus, in order to adjust whisper forecasts, we require 
actual earnings‐per‐share from whispernumbers.com, which causes the loss of additional cases 
because of missing EPS.  Management forecasts are not available for 7,637 firm‐quarters.  We 
retain management forecasts only if there are analysts’ forecasts before and after the 
management forecast date to ensure the management forecast is not announced on or 
immediately preceding an earnings announcement date, consistent with prior management 
forecast research (e.g., Matsumoto, 2002).  We lose additional observations when the sample is 

combined with Compustat and CRSP.  Finally, to avoid having our inferences unduly 
influenced by extreme observations, we delete observations where analysts’, whisper, 
and management forecast errors or returns around the earnings announcement date are 
outside the 1st or 99th percentiles of their respective pooled distributions.  The final sample 

consists of 7,049 firm‐quarters with analysts’ forecasts and actual earnings‐per‐share of which 
1,979 firm‐quarters have whisper forecasts and 922 firm‐quarters have management forecasts. 

INSERT TABLE 1 HERE 

15

Table 1, panel B provides additional descriptive information regarding the composition 
of our sample.  Analysts’ forecasts are available for 476 firms, 53.6% of which are S&P 500 firms.  
Whisper and management forecasts are available for 392 and 242 firms with 59.4% and 60.7% 
being S&P 500 firms, respectively.  The average number of analysts, whisper and management 
forecasts per firm in the sample are 14.8, 5.0 and 3.8, respectively.  Membership in the S&P 500 
does not appear to matter in terms of the frequency of management forecasts in our sample.  
However, for analysts’ and whisper forecasts, the non‐S&P 500 firms have only 13.4 and 2.8 
forecasts per firm while the S&P 500 firms have 16 and 6.7 forecasts per firm, respectively.  We 
therefore include Size as a control variable in subsequent analyses to capture any important 
differences in regard to S&P 500 membership. 

The percentage of analysts’ and whisper forecasts per year appears to be increasing over 
time (with the exception of 2006, largely because we only have the first two quarters in our 
sample).  The p‐values for tests of differences across time (not tabulated) are significant, p= 0.006 
and p< 0.001, respectively. Consistent with Li (2007), we observe that the number of 
management forecasts is decreasing over time (p<0.001).  These trends may be indicative of 
whisper forecasts substituting for management forecasts, which is broadly consistent with our 
conjecture that managers may view whispers as an alternative communication channel.2  
Finally, there is no statistical difference in the proportion of management forecasts in different 
fiscal quarters.  Analysts’ forecasts, however, are statistically more common in the first quarter 
(p<0.001) while whisper forecasts are statistically more common in the fourth quarter (p=0.022).  
In sensitivity analyses, we assess the robustness of our results to year and quarter. 

16

Table 1, panel C provides details on the industry composition of our sample.  Prior 
research has had samples with high concentrations of high‐technology firms.  One of the 
objectives of this paper is to have a broader, more representative sample of firms.  High‐
technology firms, as defined in Matsumoto (2002), represent 20.05% of the full sample of 
analysts’ forecasts.3  The whisper and management forecasts samples are comprised of 24.61% 
and 24.19% high‐technology firms, respectively.   

Based on 1‐digit SIC classifications, the majority of observations in all three samples are 
in 2‐Food, textiles, lumber, paper and 3‐Manufacturing.  Combined, these two groups represent 
45.75%, 49.83% and 59.08% of firm‐quarter observations, respectively.  In 2‐digit SIC 
classifications, the top three categories, 28‐Chemicals, 36‐Electronics and 73‐Business Services, 
are the same in all three samples.  However, there are several categories in which the 
proportions across the samples are different.  For example, the proportion of whisper and 
management forecasts are greater than analysts’ in 2‐digit SIC categories 28‐Chemicals and 36‐
Electronics.  The proportion of analysts’ and whisper forecasts are greater than management in 
2‐digit SIC categories 49‐Electric, gas, sanitary services, 60‐Depository institutions and 63‐
Insurance.  Finally, the proportion of management forecasts is greater than analysts’ and 
whisper forecasts in 2‐digit SIC categories 35‐Machinery and computers, 56‐Apparel and 58‐
Eating and drinking.  We believe that we have achieved one of the objectives of this paper, to 
have a broader sample of firms with whisper and management forecast activity.  In additional 
sensitivity analyses we evaluate the robustness of our results to industry composition. 

Table 2 presents descriptive statistics for the variables used in testing our hypotheses.  
Consistent with prior research, in our sample analysts forecasts are, on average, more 

17

pessimistic than whisper forecasts (median FEAF = 0.0007 versus FEWF = 0.0004).  On average, 
analysts reduce their forecasts by 8% of their last forecast (Rev = 0.0776), consistent with prior 
research indicating analysts’ initial forecasts tend to be optimistic and as the earnings 
announcement date approaches, they lower their forecasts.  

INSERT TABLE 2 HERE 
IV.  TESTS OF HYPOTHESES 
Table 3 presents results of the test of whether whisper forecasts of earnings provide 
information content incremental to analysts’ forecasts in the presence of management earnings 
forecasts (H1).  The first three rows establish the association between analysts’ forecasts errors 
and returns around the earnings announcement date for the full sample and the sub‐samples 
excluding whisper or management forecasts.   Analysts’ forecast errors appear equally 
informative whether or not whisper forecasts are present.  The second group of rows replicates 
prior whisper forecast research (Bhattacharya et al., 2006) indicating that whispers provide 
incremental information to market participants beyond analysts’ forecasts, with p‐values < 
0.001. 

INSERT TABLE 3 HERE 
In the third group of rows, we investigate the effects of including management forecasts.  
Management forecast errors are significantly associated with returns when they are by 
themselves.  When analysts’ forecast errors are included, however, management forecast errors 
are no longer significant, likely because information from their forecasts has already been 
included in analysts’ forecasts.   

18

We present the results of our test of H1 in the last row.  When all three information 
sources are present, both analysts’ and whisper forecast errors are statistically positively 
associated with returns (p=0.008 and 0.065, respectively) indicating whisper forecasts remain 
important in the presence of both management and analysts’ forecasts.  Management forecast 
errors continue to be insignificant.  We note, however, that requiring both whisper forecasts and 
management forecasts to be present for this test results in a relatively small sample (n =304).  
Among our control variables, none are consistently significant across the analyses.   

Given the evidence in table 3 that the whispers appear to represent fairly well the 
earnings expectations of investors, we expect that analysts will incorporate whisper forecasts in 
their revisions of future forecasts, which is our prediction in H2.  Table 4 presents descriptive 
statistics of analysts’ forecast revisions in panel A and results of the test of whether financial 
analysts’ forecast revisions are positively associated with whisper forecasts of earnings in panel 
B.  According to panel A, analysts forecast revisions are the greatest when management 
forecasts are present.  The positive revisions indicate that on average analysts are revising their 
forecasts downward.  The samples with whisper and management forecasts have the longest 
time periods between the first and last analysts’ forecasts and the shortest time periods between 
the last analysts’ forecasts and the earnings announcement dates.  This is consistent with 
analysts revising their forecasts in response to both whisper and management forecasts.   A 
formal test of this is presented in panel B. 

INSERT TABLE 4 HERE 
Panel B, rows 1, 2 and 3 present results for analysts’ forecast revisions and the control 
variables for the full sample and samples with no whisper or management forecasts.  As 

19

expected for firms in which analysts are highly optimistic (Opt), the positive and significant 
coefficient estimate indicates analysts revise their forecasts downward for such firm‐quarters.  
Similarly, for firms in which analysts are extremely pessimistic (Pess), the significant negative 
coefficient estimate indicates analysts revise their forecasts upward.  

The results of our test of H2 are presented in rows 4 and 5.  Analysts do appear to revise 
their forecasts in response to whispers as indicated by the significant (p < 0.001) positive 
coefficient on FWFE (the difference between analysts’ initial forecasts and whisper forecasts of 
earnings).  Rows 6 and 7 add to the model the difference between analysts’ initial forecasts and 
management forecasts of earnings (FMFE).  Consistent with prior research, the significantly 
positive coefficient estimate indicates that when management forecasts are present, analysts 
revise their forecasts consistent with the information conveyed by management forecasts (Li, 
2007).     

Row 8 provides an additional test of the association of whisper forecasts and analysts 
forecast revisions, controlling for management forecasts.  The requirement that we have both 
forecast sources present reduces our sample size to only 306 firm‐quarters.  Nevertheless, 
consistent with the market reacting to the incremental information content of whisper forecasts 
errors in table 3, adjustments to analysts’ forecasts incorporate information in both whispers 
and management earnings forecasts.   

 Our results from tests of H1 and H2 are supportive of market participants viewing both 
whisper and management forecasts as possessing relevant information.  Hypotheses 3a and 3b, 
however, presume that these forecasts sources generally should not overlap.  The low number 
of observations in our overlapping sample is consistent with this expectation. 

20

Formal tests of H3a and H3b are presented in table 5.  H3a states that the likelihood of a 
management forecast occurring increases when analysts’ initial earnings forecasts are 
optimistic.  H3b states that the likelihood of a whisper forecast occurring increases when 
analysts’ initial forecasts are pessimistic.  Model (3) is estimated separately for management 
forecasts and whisper forecasts.  The significant negative coefficient estimate on Pesscode in the 
management forecast regression (coefficient estimate = ‐0.2555, p‐value <0.001) indicates that 
when analysts are initially pessimistic management is less likely to issue a forecast.  This finding 
holds in both sub‐samples. 

INSERT TABLE 5 HERE 
The significant positive coefficient estimate on Pesscode in the whisper forecast 
regression (0.1544, p‐value =0.001) indicates that whisper forecasts are more likely to be issued 
when analysts are pessimistic.  This finding holds in the no management forecast sample but 
disappears in the management forecast sample.  Consistent with the sample description in table 
1, whisper forecasts are more likely to occur for larger firms in our sample.  Overall, the results 
reported in table 5 are consistent with the conjecture that management may indeed view 
whispers as a substitute communication channel in circumstances where prevailing market 
expectations are pessimistic. 
Our final tests are of H4a, b and c, whether whisper forecast accuracy, information 
content and analyst forecast revisions are associated with initial forecast pessimism.  The results 
are presented in table 6.  If H4a holds in our sample then we expect whisper forecasts to be 
more accurate than analysts’ forecasts when initial analysts’ forecasts are pessimistic and 
analysts’ forecasts to be more accurate than whisper forecasts when initial analysts’ forecasts are 

21

optimistic.  In panel A, our results are consistent with this expectation as in the Pesscode=0 
group analysts’ forecasts are statistically more accurate than whisper forecasts (p<0.001).  In the 
Pesscode=1 group, however, both forecast sources have the same median forecast errors.  We 
investigate this expectation further by ranking the analysts’ first forecast errors (analysts’ 
forecast error based on the initial analysts’ forecast for the quarter) within the Pesscode groups 
into quintiles where rank 0 contains the smallest positive/negative errors and rank 4 contains 
the largest positive/negative errors.   We find that median whisper forecast errors are 
statistically smaller than median analysts’ forecast errors in three of the five quintiles when the 
initial analysts’ forecast errors are pessimistic.  When the initial analysts’ forecast errors are not 
pessimistic, analysts’ forecasts are more accurate than whisper forecasts in all quintiles. 

INSERT TABLE 6 HERE 
The results of testing H4b are presented in panel B.  Despite the results in panel A, in 
panel B we do not find evidence that whispers are more highly associated with investors’ 
earnings expectations in the presence of pessimistic analysts’ forecasts.  Specifically, the 
coefficient on the interaction between whisper forecast errors and the pessimism indicator 
(Pesscode*FEWF) is not significantly different from zero.   
Panel C investigates whether revisions of analysts’ forecast errors are more highly 
associated with whisper forecasts when analysts are initially pessimistic, H4c.  If analysts’ 
incorporate the increased accuracy of whisper forecasts when analysts’ initial forecasts are 

pessimistic we expect   > . In untabulated tests, the coefficient estimates on FWFEPess0 and 

FWFEPess1 are not statistically different in the whisper forecast sample (p=0.578) or in the 
combined whisper and management forecast sample (p=0.152).  In the management forecast 

22

sample, it is interesting to note that analysts appear to respond more to management forecasts 
when the initial analysts’ forecasts are optimistic (FMFEPess0), however, the coefficient estimate 
is not statistically different from the estimate on FMFEPess1 (p=0.142).   

In summary, table 6 indicates that consistent with our theory that management may be 
the source of whisper forecasts when initial analysts’ forecasts are pessimistic, whisper forecasts 
are more accurate in this context.  However, the market and the analysts do not appear to 
incorporate the differential whisper forecast accuracy depending on forecast source in stock 
prices or forecasts of earnings. 

V.  SENSITIVITY ANALYSES 
Our descriptive statistics in table 1 indicate that both the number of analysts’ and 
whisper forecasts per year are increasing over time.  To ensure the results found in section IV 
hold throughout our entire sample period, we estimate all models examined by year (2003, 2004 
and 2005).  Our untabulated results indicate that our findings hold across all years examined.   
In addition, our descriptive statistics in Table 1 indicate that whisper forecasts appear to be 
statistically more common in the fourth quarter; whereas, analysts’ forecasts appear to be more 
common in the first quarter.  We therefore test all 4 hypotheses by quarter to ensure the results 
found previously are not being driven by any particular quarter.   Our untabulated results 
indicate that our findings hold across all 4 quarters.   
Previous research documenting the superior performance of whisper forecasts (Bagnoli 
et al., 1999; Zaima & Harjoto, 2005) has contained sample firms concentrated in high‐technology 
industries and the S&P 500.  To ensure our results are not being driven by industry clustering, 
we alternatively eliminate high‐tech firms, firms with 1‐digit SIC codes 2‐Food, textiles, lumber, 

23

paper and 3‐Manufacturing and firms with 2‐digit SIC codes 28‐Chemical and 36‐Electronics.  
Our results and conclusions reported in Section IV remain in all of our reduced samples.   

Prior research on factors that influence managers to take actions to avoid negative 
earnings surprises include firms whose future survival is at risk (Bartov et al., 2002), with a 
consistent stream of positive surprises (Bartov et al., 2002 and Baik & Jiang, 2006), with high 
transient institutional ownership (Baik & Jiang, 2006; Richardson et al., 2004 and Matsumoto, 
2002), incurring losses (Baik & Jiang, 2006), with managerial incentives to sell stock (Richardson 
et al., 2004), with high litigation risk or a high reliance on implicit claims with stakeholders 
(Matsumoto, 2002; Richardson et al., 2004), in industries in which earnings are more value‐
relevant (Matsumoto, 2002) and in high‐tech industries (Li, 2007).  To test the sensitivity of our 
results to these factors, we expanded model 3 (Probit model) to incorporate controls for these 
factors.  In untabulated results, we find that while some of the variables were significant, their 
inclusion did not affect any of our inferences drawn from table 5. 

VI.  SUMMARY AND CONCLUSIONS 
  The purpose of this paper is to investigate the puzzle as to why whisper forecasts of 
earnings, an anonymous source of earnings expectations, has been found in prior studies to be 
more accurate than financial analysts’ forecasts and/or more highly associated with investors’ 
implicit expectations of earnings.  We theorize that one possible explanation is that in some 
contexts, the source of the whisper may be management of firms themselves.   
  While we cannot directly observe the source of whispers, we perform a set of tests 
designed to provide circumstantial evidence that bears on our conjecture.  Specifically, we posit 
that in circumstances where management wants to communicate positive forward‐looking 

24

information to investors to avoid excessively large positive earnings surprises at the earnings 
announcement date, management may elect to communicate anonymously through whispers.  
In so doing, they avoid the risk that the predicted good news about the future turns out to be 
wrong at great legal cost to the firm and/or management.   
  In our tests, we confirm prior findings that whispers are incremental to analysts’ 
forecasts as a proxy for investors’ earnings expectations.  We also find that whispers are 
incrementally informative, even after controlling for information in management forecasts.  In 
addition we show that whispers appear to explain financial analysts’ forecast revisions. 
  More directly to our main point, we find that, as predicted, when initial analysts’ 
forecasts are optimistic, management forecasts are relatively more likely.  In contrast, when 
initial analysts’ forecasts are pessimistic, whispers are relatively more likely.  This evidence is 
consistent with management viewing internal management forecasts and whispers as substitute 
communication channels, conditional on the nature of the information that they wish to convey 
in managing earnings expectations.  We find additional confirming circumstantial evidence in 
that if management is indeed the source of whispers for firm‐quarters where analysts are most 
pessimistic, we expect in those circumstances that whispers would be most accurate.  Our initial 
evidence in this regard finds precisely that: significantly greater forecast accuracy for whispers 
in the presence of pessimistic analysts’ forecasts.  However, we find that the market and 
analysts do not incorporate the differential accuracy of whisper forecasts depending on the 
theorized forecast source in earnings expectations or forecasts of earnings.  Overall, we believe 
that we provide a plausible explanation for past results regarding whispers, together with some 
early evidence in support of that story. 

25

 
Footnotes 
 

1 The mean forecast errors are sensitive to the presence of extreme values in our sample.  We 
therefore focus on median forecast errors.   
 
2 The increasing incidence of whisper forecasts is also potentially consistent with increasing 
coverage of firms by whispernumbers.com over this time period.  Data limitations prohibit us 
from differentiating between the two alternatives; we do not expect our test of hypotheses to be 
affected.   
 
3 High‐technology firms are firms identified as being in high technology industries as 
determined by Matsumoto (2002) and include firms with the following SIC codes 2832‐2837, 
3569‐3578, 3599‐3675 and 7370‐7380. 

26

 
REFERENCES 

 
Bagnoli, M., Beneish, M.D. & Watts, S.G.  1999. “Whisper Forecasts of Quarterly Earnings‐per‐

share”,  Journal of Accounting and Economics 28, pp. 27‐50. 
 
Baik, B. & Jiang, G.  2006. “The Use of Management Forecasts to Dampen Analysts’ 

Expectations”,  Journal of Accounting and Public Policy 25, pp. 531‐553. 
 
Barth, M., Elliot, J. & Finn, M.  1999.  “Market Rewards Associated with Patterns of Increasing 

Earnings”,  Journal of Accounting Research 37(2),  pp. 387‐413. 
 
Bartov, E. Givoly, D. & Hayn, C.  2002.  “The Rewards to Meeting and Beating Earnings 

Expectations”,  Journal of Accounting and Economics 33, pp. 173‐204. 
 
Bhattacharya, N., Sheikh, A. & Thiagarajan, S.R. 2006.  “Does the Market Listen to Whispers?”, 

The Journal of Investing,  pp. 16‐24. 
 
Brown, L.D. & Caylor, M.L.  2005.  “A Temporal Analysis of Quarterly Earnings Thresholds:  

Propensities and Valuation Consequences”,  The Accounting Review Vol 80, pp. 423‐440. 
 
Cotter J.,  Tuna, I. & Wysocki, P.D.  2006.  “Expectation Management and Beatable Targets.  

How do Analysts React to Explicit Earnings Guidance?”,  Contemporary Accounting 
Research, Vol. 23, pp. 593‐624. 
 
Fama, E.F. & French, K.R.  1992.  “The Cross‐Section of Expected Returns”,  The Journal of 
Fincance, pp. 427‐465. 
 
Li, F.  2007.  “Expectations Management and Public Guidance in the Post‐Regulation Period”,  
Working Paper, University of Massachusetts Amherst.   
 
Fernando, G.D. & Brown Jr., W.D. 2005.  “Whisper Forecasts of Earnings‐per‐share:  IS Anyone 
Still Listening?”, Working paper,  Syracuse University.   
 
Kesmodel, D., & Wilke, J. 2007. “Whole Foods is Hot, Wild Oats a Dud — So Said ‘Rahodeb’”, 
The Wall Street Journal,  July 12, p. 1. 
 
Matsumoto, D.A.  2002.  “Management’s Incentives to Avoid Negative Earnings Surprises”, The 
Accounting Review,  pp. 483‐514. 
 
Richardson, S., Teoh, S.H. & Wysocki, P.D.  2004. “The Walk‐down to Beatable Analyst 
Forecasts: The Role of Equity Issuance and Insider Trading Incentives”,  Contemporary 
Accounting Research Vol. 21., pp. 885‐924. 

27

 
Securities and Exchange Commission (SEC) 2000. Selective disclosure and insider trading 

(Regulation FD).  17 CFR parts 240, 243 and 249; release nos. 33‐7881, 34‐43154, and IC‐
24599. 
 
Skinner, D., & Sloan, R.  2002. “Earnings Surprises, Growth Expectations, and Stock Returns or 
Don’t Let an Earnings Torpedo Sind Your Portfolio”,  Review of Accounting Studies 7,  pp. 
289‐312. 
 
Trueman, B.  1986. “Why Do Managers Voluntarily Release Earnings Forecasts?”,  Journal of 
Accounting and Economics 8(1), pp. 53‐71. 
 
Zaima, J.K. & Harjoto, M.A.  2005. “ Conflict in Whispers and Analysts Forecasts:  Which One 
Should Be Your Guide?”,  Financial Decisions 6, pp.1‐16. 
 
 
 
 

28

 

Table 1 

Sample Selection and Description 

Panel A:  Sample selection   

  Forecasts 

  Analysts’  Whisper  Management 

Total firm‐quarters available – 20  10,000 10,000  10,000

quarters (Q2 2002 – Q2 2007) 500 

firms 

Firm‐quarters with no forecast  (6,209)  (7,637)

Analysts’ forecast and actual missing  (2,343)   (914) 

Whisper actual earnings missing  (477) 

Split adjusted whisper forecast  (281) 

missing 

Prior forecast missing    (1,293)

Post forecast missing    (100)

Extreme observations      (608)      (140)        (48)

Total firm‐quarter observations 7,049 1,979  922

 

S&P 500 firm‐quarters   4,083 (57.9%)  1,566 (79.1%)  571 (61.9%) 

Non‐S&P 500 firm‐quarters  2,966 (42.1%)  413 (20.9%)  351 (38.1%) 

     

Panel B:  Sample Description       

Total Firms  476 392  242

S&P 500 Firms 255 (53.6%) 233 (59.4%)  147 (60.7%)

Non‐S&P 500 Firms 221 (46.4%) 159 (40.6%)  95 (39.3%)

     

Average forecasts per firm       

Total 14.8 5.0  3.8

S&P 500 16.0 6.7  3.9

Non‐S&P 500 13.4 2.5  3.7

 

Forecasts by year     

2002 1,482 (21.0%) 263 (13.3%)  247 (26.8%)

2003 1,564 (22.2%) 498 (25.1%)  227 (24.6%)

2004 1,717 (24.4%) 452 (22.8%)  218 (23.6%)

2005 1,733 (24.6%) 681 (29.4%)  180 (19.5%)

2006 553 (7.8%) 185 (9.4%)  50 (5.4%)

Forecasts by quarter   

Q1 1,995 (28.3%) 447 (22.6%)  252 (27.3%)

Q2 1,724 (24.5%) 480 (24.3%)  218 (23.6%)

Q3 1,659 (23.5%) 513 (25.9%)  234 (25.4%)

Q4 1,671 (23.7%) 539 (27.2%)  218 (23.6%)

29

Table 1 (Continued)

 

Panel C:  Industry Composition 

   Full Sample  Whisper Forecasts  Management Forecasts 

Technology Industries  Frequency  Percent  Frequency  Percent  Frequency  Percent 

non‐High Technology    5,636  79.95    1,492  75.39    699  75.81 

High Technology     1,413  20.05    487  24.61    223  24.19 

Total      7,049  100.00    1,979  100.00    922  100.00 

           

   Full Sample  Whisper Forecasts  Management Forecasts 

1‐Digit SIC Code  Frequency  Percent  Frequency  Percent  Frequency  Percent 

1‐ Mining, Oil and Gas  

     Extraction, Construction    385  5.46    70  3.54    30  3.25 
  1,361  19.31    429  21.68    226  24.51 
2‐ Food, Textiles, Lumber, Paper    1,864  26.44    557  28.15    316  34.27 
  858  12.17    241  12.18    54 
3‐ Manufacturing    431    128    137  5.86 
  1,175  6.11    297  6.47    42  14.86 
4‐ Transportation, Communication    773  16.67    218  15.01    90 
  161  10.97    17  11.02    18  4.56 
5‐ Wholesale, Retail Sales    41    22    9  9.76 
  7,049  2.28    1,979  0.86    922  1.95 
6‐ Financial  0.58  1.11  0.98 
100.00  100.00  100.00 
7‐ Business Services 

8‐ Public Services 

9‐ Administration 

Total   

    

30

  Table 1 (Continued) 

    
2‐Digit SIC Code 
13‐ Oil and Gas Extraction  Full Sample  Whisper Sample  Management Sample 
20‐ Food and Kindred Products 
21‐ Tobacco Products  Frequency  Percent  Frequency  Percent  Frequency  Percent 
23‐Apparel Products 
24‐ Lumber and Wood Products    257  3.65    51  2.58    18  1.95 
26‐ Paper Products 
27‐ Printing and Publishing     149  2.11    34  1.72    19  2.06 
28‐ Chemical Products 
29‐ Pete Refining        17  0.86      
30‐ Rubber and Plastics Products 
33‐ Primary Metals             7  0.76 
34‐ Fabricated Metals 
35‐ Machinery  and Computers    82  1.16    16  0.81    14  1.52 
36‐ Electronics 
37‐ Transportation Equipment    97  1.38    31  1.57    15  1.63 
38‐ Measuring Instruments 
40‐ Railroad Transportation    133  1.89    50  2.53    37  4.01 

  694  9.85    239  12.08    130  14.10 

  100  1.42    27  1.36      

  72  1.02    20  1.01    12  1.30 

  101  1.43    19  0.96    16  1.74 

  73  1.04    15  0.76    16  1.74 

  336  4.77    96  4.85    79  8.57 

  603  8.55    233  11.77    112  12.15 

  240  3.40    75  3.79    29  3.15 

  387  5.49    93  4.70    50  5.42 

  70  0.99    44  2.22    11  1.19 

31

Table 1 (Continued) 

 

   Full Sample  Whisper Sample  Management Sample 
2‐Digit SIC Code 
44‐ Water Transportation  Frequency  Percent  Frequency  Percent  Frequency  Percent 
48‐ Communications 
49‐ Electric, Gas, and Sanitary    66  0.94          
      Services 
50‐ Durable Goods‐Wholesale    163  2.31    28  1.41    13  1.41 
51‐ Nondurable Goods‐Wholesale 
56‐ Apparel and Accessory Stores    480  6.81    138  6.97    18  1.95 
57‐ Home Furniture and Equipment         22  1.11      
      Stores         17  0.86      
58‐ Eating and Drinking Places    90    26  1.31    58 
59‐ Miscellaneous Retail  1.28  6.29 
60‐ Depository Institutions 
61‐ Non‐depository Credit              12  1.30 
      Institutions    129  1.83    28  1.41    45  4.88 
62‐ Security and Commodity       21  1.06    14  1.52 
      Brokers    385      126  6.37    13  1.41 
63‐ Insurance Carriers  5.46 

  69  0.98    26  1.31    

  129  1.83    25  1.26     
  390  5.53    104  5.26    21  2.28 

32

Table 1 (Continued) 

 

   Full Sample  Whisper Sample  Management Sample 

2‐Digit SIC Code  Frequency  Percent  Frequency  Percent  Frequency  Percent 

67‐ Holding and Other Investment 

      Offices    161  2.28        

73‐ Business Services    649  9.21    190  9.60    79  8.57 

78‐ Motion Pictures              8  0.87 

80‐ Health Services    98  1.39          14  1.52 

99‐ Non‐classifiable Establishments          22  1.11    9  0.98 

Other      846  12.00    146  7.38    53  5.75 

Total      7,049  100.00    1,979  100.00    922  100.00 

Variable Definitions: 

S&P 500 firms are firms identified as being in the S&P 500 by Compustat in 2006. 

The sample consists of 250 randomly selected S&P 500 and 250 randomly selected non‐S&P 500 firms with at least one whisper forecast on 

www.whispernumbers.com during the 20 quarter period beginning the second quarter of 2002 and ending the second quarter of 2007. 

Analysts’ forecasts is the mean of the IBES analysts’ forecasts of earnings for quarter t on the last day before the quarter t earnings announcement 

date. 

Actual is the actual earnings for quarter t from IBES. 

Whisper Forecast is the forecast of earnings for quarter t hand collected from the www.whispernumbers.com website.  The whisper forecast is 

adjusted for stock splits and stock dividends based on the ratio of actual earnings from IBES to actual earnings collected from the 

whispernumbers.com website. 

Whisper actual earnings is the actual earnings for quarter t hand collected from the whispernumbers.com website. 

Management Forecast is the forecast of earnings for quarter t announced after the earnings announcement date for quarter t‐1 and before the 

earnings announcement date for quarter t from the FirstCall database.  If the forecast is a range, the mid‐point of the forecast range is used.  If 

multiple management forecasts are provided, the last management forecast is used. 

Prior Forecast is the mean IBES analysts’ forecasts of earnings for quarter t for the time period beginning after the earnings announcement date of 

quarter t‐1 earnings and ending just prior to the announcement date of the management forecast. 

Post Forecast is the mean IBES analysts’ forecasts of earnings for quarter t for the time period beginning after the announcement date of the 

management forecast and ending just prior to the quarter t earnings announcement date. 

High Technology firms are firms identified as being in high technology industries as determined by Matsumoto (2002) and include firms with the 

following SIC codes 2832‐2837, 3569‐3578, 3599‐3675 and 7370‐7380.

33

Table 2 

Descriptive Statistics 

Variable      Standard    First    Third   

Name  N  Mean  Deviation  Minimum  Quartile  Median  Quartile  Maximum 

AF    7,049  0.4157  0.4284  ‐6.8800  0.1575  0.3500  0.5900  4.9700 

MF    922  0.4295  0.3853  ‐1.3700  0.1750  0.3800  0.6250  3.2000 

WF    1,979  0.5072  0.4152  ‐1.0800  0.2200  0.4300  0.7000  2.9700 

FEAF    7,049  0.0007  0.0032  ‐0.0209  0.0000  0.0004  0.0015  0.0179 

FEMF    922  0.0006  0.0023  ‐0.0205  0.0000  0.0003  0.0009  0.0132 

FEWF    1,979  0.0004  0.0026  ‐0.0156  ‐0.0003  0.0003  0.0012  0.0132 

Ret    6,448  0.0056  0.0594  ‐0.2029  ‐0.0265  0.0055  0.0379  0.1923 

Size    7,044  32.1919  123.5900  0.0076  1.1802  4.0163  16.0357  1,626.5510 

BM    7,049  0.4676  0.3211  ‐1.9002  0.2648  0.4125  0.6039  4.6978 

DM    7,049  0.3741  0.7359  0.0000  0.0446  0.1739  0.4489  20.5695 

Rev    7,033  0.0776  2.1344  ‐23.0000  ‐0.0384  0.0000  0.0476  107.0000 

FirstMFE    922  0.0014  0.0070  ‐0.0275  ‐0.0006  0.0000  0.0018  0.0717 

FirstWFE    1.979  ‐0.0000  0.0031  ‐0.0248  ‐0.0007  ‐0.0002  0.0004  0.0467 

Analysts    7,049  4.2529  4.4929  1.0000  1.0000  2.0000  6.0000  41.0000 

FirstSTD    7,049  0.0265  0.0325  0.0000  0.0093  0.0245  0.0317  0.7857 

FirstFE    7,049  0.0001  0.0059  ‐0.1191  ‐0.0004  0.0004  0.0016  0.0789 

Variable Definitions: 

AF is analysts’ forecast measured as the mean of the IBES analysts’ forecasts of earnings for quarter t on the last day before the quarter t earnings 

announcement date. 

MF is management forecast measured as the forecast of earnings for quarter t announced after the earnings announcement date for quarter t‐1 and 

before the earnings announcement date for quarter t from the FirstCall database.  If the forecast is a range, the mid‐point of the forecast range 

is used.  If multiple management forecasts are provided, the last management forecast is used. 

 

34

Table 2 (Continued) 

 
Variable Definitions: 
WF is whisper forecast measured as the forecast of earnings for quarter t hand collected from the www.whispernumbers.com website.  The 

whisper forecast is adjusted for stock splits and stock dividends based on the ratio of actual earnings from IBES to actual earnings collected 
from the whispernumbers.com website. 
FEAF is analystsʹ forecast error calculated as IBES actual earnings for quarter t less analystsʹ forecasts (AF) scaled by IBES price prior to the 
earnings announcement date. 
FEMF is management forecast error calculated as IBES actual earnings for quarter t less the management forecast (MF) scaled by IBES price prior 
to the earnings announcement date. 
FEWF is whisper forecast error calculated as IBES actual earnings for quarter t less the whisper forecast (WF) scaled  by IBES price prior to the 
earnings announcement date. 
Ret is the 7‐day cumulative raw return centered around the quarter t earnings announcement date from CRSP. 
Size is the natural log of total assets (Compustat variable ATQ) at the beginning of quarter t. 
BM is the book to market ratio at the beginning of quarter t calculated as common stockholders’ equity (SEQQ) divided by market value of equity 
(MKVALQ). 
DM is the debt to market ratio at the beginning of quarter t calculated as total long term debt (DLTTQ) divided by market value of equity 
(MKVALQ). 
Rev is analysts’ revisions of forecasts calculated as the mean of the IBES analysts’ initial forecast after the quarter t‐1 earnings announcement date 
less analysts’ last forecast (AF) divided by the absolute value of analysts’ last forecast (AF). 
FirstMFE is the first management forecast error calculated as the mean of the IBES analysts’ initial forecast after the quarter t‐1 earnings 
announcement date less the management forecast (MF) of earnings for quarter t scaled by IBES price prior to the earnings announcement date. 
FirstWFE is the first whisper forecast error calculated as the mean of the IBES analysts’ initial forecast after the quarter t‐1 earnings announcement 
date less the whisper forecast (WF) for quarter t scaled by IBES price prior to the earnings announcement date. 
Analysts is the number of analysts used to calculate the mean of the IBES analysts’ initial forecast after the quarter t‐1 earnings announcement 
date. 
FirstSTD is the standard deviation around the mean of the IBES analysts’ initial forecast after the quarter t‐1 earnings announcement date. 
FirstFE is the first analystsʹ forecast error calculated as the IBES actual earnings for quarter t less the mean of the IBES analysts’ initial forecast after 
the quarter t‐1 earnings announcement date scaled by IBES price prior to the earnings announcement date. 
 

35

The number of observations is after the extreme 1st and 99th percentiles of AF, MF, WF, FEAF, FEMF and FEWF have been deleted. 

Table 3 

Information Content of Competing Forecast Sources 

  (1)   
     R2 
Coefficient Estimates (p‐values) 
0.046 
  N  Intercept  FEAF  FEWF  FEMF  Size  BM  DM  0.046 
0.045 
Analysts’Sample 
0.044 
Full Sample  6,017  0.005  3.796      ‐0.000  0.002  ‐0.002  0.044 
0.044 
(0.101)  (<0.001)  (0.538)  (0.347)  (0.152) 
0.046 
No Whisper  4,186  0.005  3.484      ‐0.000  0.000  0.000  0.046 
0.046 
(0.138)  (<0.001)  (0.474)  (0.851)  (0.883) 

No Management  5,214  0.007  3.698      ‐0.000  0.002  ‐0.001 

(0.033)  (<0.001)  (0.190)  (0.409)  (0.609) 

Whisper Sample 

  1,838  0.006  5.193      ‐0.000  0.002  ‐0.003 

(0.320)  (<0.001)  (0.709)  (0.684)  (0.026) 

  1,835  0.009    4.409    ‐0.000  0.005  ‐0.004 

(0.125)  (<0.001)  (0.457)  (0.281)  (0.005) 

  1,838  0.009  3.351  2.542    ‐0.001  0.002  ‐0.003 

(0.136)  (<0.001)  (<0.001)  (0.399)  (0.611)  (0.137) 

Management Sample 

  802  ‐0.014  5.705      0.002  ‐0.001  ‐0.013 

(0.171)  (<0.001)  (0.035)  (0.858)  (<0.001) 

  801  ‐0.007      3.366  0.002  ‐0.004  ‐0.008 

(0.487)  (0.001)  (0.114)  (0.591)  (0.052) 

  802  ‐0.014  5.428    0.422  0.002  ‐0.001  ‐0.013 

(0.168)  (<0.001)  (0.662)  (0.036)  (0.866)  (<0.001) 

36

Table 3 (Continued) 

 

   Coefficient Estimates (p‐values)   

  N  Intercept  FEAF  FEWF  FEMF  Size  BM  DM  R2 

Intersection of Whisper and Management Samples 

  304  0.017  6.256  2.708  ‐0.994  ‐0.001  0.013  ‐0.011  0.043 

(0.358)  (0.008)  (0.065)  (0.619)  (0.502)  (0.230)  (0.001) 

Variable Definitions: 

Ret is the 3‐day cumulative raw return centered around the quarter t earnings announcement date from CRSP. 

FEAF is analystsʹ forecast error calculated as IBES actual earnings for quarter t less analystsʹ forecasts scaled IBES price prior to the earnings 

announcement date. 

FEMF is management forecast error calculated as IBES actual earnings for quarter t less the management forecast scaled IBES price prior to the 

earnings announcement date. 

FEWF is whisper forecast error calculated as IBES actual earnings for quarter t less the whisper forecast scaled IBES price prior to the earnings 

announcement date. 

Size is the natural log of total assets (Compustat variable ATQ) at the beginning of quarter t. 

BM is the book to market ratio at the beginning of quarter t calculated as common stockholders’ equity (SEQQ) divided by market value of equity 

(MKVALQ). 

DM is the debt to market ratio at the beginning of quarter t calculated as total long term debt (DLTTQ) divided by market value of equity 

(MKVALQ). 

 

Whiteʹs heteroscedasticity consistent standard errors are used in calculating the p‐values.  Regressions control for clusters of firm quarter 

observations from the same firm.  The number of observations reflects the 1st and 99th percentiles of the FEAF, FEMF and FEWF being 

deleted. 

 

37

 
Table 4 

Analystsʹ Forecast Revisions 

Panel A: Analysts’ Forecast Revisions Descriptive Statistics

Full No No

Sample Whisper Mgt Whisper Mgt

N 7,033 5,055 6,112 1,978 921

Analysts’ Forecast Revisions

Mean 0.078 0.083 0.065 0.065 0.161

Median 0.000 0.000 0.000 0.000 0.003

Days Between First and Last Analysts’ Forecasts

Mean 63 60 62 72 76

Median 75 71 74 80 79

Days From Last Analysts’ Forecast to Earnings Announcement Date

Mean 24 26 25 19 15

Median 13 14 13 9 10

38

Table 4 (Continued) 
 

Panel B: Analystsʹ Forecast Revisions in Response to Management and Whisper Earnings Forecasts 
 

(2)

Coefficient Estimates (p-values)

N Int FWFE FMFE Opt Pess FEAFt-1 MktRet Size BM DM Analysts FSTD R2

Analysts’ Sample 0.068 -0.009 0.001 0.321 0.22
(0.002) (0.179) (0.176) (0.249)
6,286 -0.012 0.341 -0.286 35.707 -0.002 -0.004
0.063 -0.017 0.001 0.571 0.35
(0.558) (<0.001) (<0.001) (<0.001) (<0.001) (0.103) (0.008) (0.039) (0.598) (0.082)

Analysts’ and No Whisper Sample 0.053 -0.007 0.000 0.354 0.31
(0.006) (0.292) (0.752) (0.231)
4,382 -0.018 0.342 -0.300 35.845 -0.001 -0.003
0.028 0.007 0.001 -0.640 0.27
(0.448) (<0.001) (<0.001) (<0.001) (<0.001) (0.336) (0.317) (0.558) (0.315) (0.002)

Analysts’and No Management Forecast Sample

5,458 -0.011 0.302 -0.264 34.989 -0.001 -0.003

(0.591) (<0.001) (<0.001) (<0.001) (0.001) (0.178)

Whisper Sample

1,900 -0.030 0.336 -0.247 40.719 -0.002 0.000

(0.355) (<0.001) (<0.001) (<0.001) (0.002) (0.898)

1,898 -0.012 32.027 0.238 -0.191 35.980 -0.001 -0.001 0.028 -0.003 0.001 -0.282 0.33
(0.693) (<0.001) (<0.001) (<0.001) (<0.001) (0.054) (0.649) (0.238) (0.654) (0.320) (0.159)

Management Sample 0.387 -0.325 5.196 -0.003 0.002 0.144 -0.001 0.002 0.411 0.45
818 -0.090 (<0.001) (<0.001) (0.502) (<0.001) (0.710) (0.021) (0.969) (0.367) (0.342)

(0.090)

817 -0.066 37.283 0.201 -0.199 7.716 -0.002 0.002 0.109 0.029 -0.000 -0.251 0.56
(<0.001) (0.231) (0.010) (0.704) (0.028) (0.307) (0.839) (0.563)
(0.213 (<0.001) (<0.001)
-0.235 23.115 -0.001 0.012 0.046 0.007 -0.002 -0.393 0.78
Intersection of Whisper and Management Samples

306 -0.121 11.531 24.369 0.114

39

(0.011) (0.006) (<0.001) (<0.001) (<0.001) (<0.001) (0.172) (0.026) (0.227) (0.640) (0.093) (0.220)

Table 4 (Continued) 
 

Variable Definitions: 
Rev is analysts’ revisions of forecasts calculated as the mean of the IBES analysts’ initial forecast after the quarter t‐1 earnings announcement date 

less analysts’ last forecast divided by the absolute value of analysts’ first forecast. 
FWFE is the first whisper forecast error calculated as the mean of the IBES analysts’ initial forecast after the quarter t‐1 earnings announcement 

date less the whisper forecast for quarter t scaled by IBES price prior to the earnings announcement date. 
FMFE is the first management forecast error calculated as the mean of the IBES analysts’ initial forecast after the quarter t‐1 earnings 

announcement date less the management forecast of earnings for quarter t scaled by IBES price prior to the earnings announcement date. 
Opt is an indicator variable equal to one if the first analystsʹ forecast error calculated as the IBES actual earnings for quarter t less the mean of the 

IBES analysts’ initial forecast after the quarter t‐1 earnings announcement date scaled by IBES price prior to the earnings announcement date 
quarter t is in the lowest quintile and is zero otherwise. 
Pess is an indicator variable equal to one if the first analystsʹ forecast error calculated as the IBES actual earnings for quarter t less the mean of the 
IBES analysts’ initial forecast after the quarter t‐1 earnings announcement date scaled by IBES price prior to the earnings announcement date 
for quarter t is in the highest quintile and is zero otherwise. 
FEAFt‐1 is analystsʹ forecast error in quarter t‐1. 
MktRet is the contemporaneous market return in quarter t from Compustat (MKRTXQ). 
Size is the natural log of total assets (Compustat variable ATQ) at the beginning of quarter t. 
BM is the book to market ratio at the beginning of quarter t calculated as common stockholders’ equity (SEQQ) divided by market value of equity 
(MKVALQ). 
DM is the debt to market ratio at the beginning of quarter t calculated as total long term debt (DLTTQ) divided by market value of equity 
(MKVALQ). 
Analysts is the number of analysts used to calculate the mean of the IBES analysts’ initial forecast after the quarter t‐1 earnings announcement 
date. 
FirstSTD is the standard deviation around the mean of the IBES analysts’ initial forecast after the quarter t‐1 earnings announcement date. 
 
Whiteʹs heteroscedasticity consistent standard errors are used in calculating the p‐values.  Regressions control for clusters of firm quarter 
observations from the same firm.  The number of observations reflects the 1st and 99th percentiles of the FEAF, FEMF and FEWF being 
deleted.  
 

40

Table 5 
Probit Analyses of the Likelihood of Management and Whisper Forecasts 

 

  (3)
Pseudo
Coefficient Estimates (p‐values) 
R2
AbsFirstFE*
0.028 
Intercept AbsFirstFE Pesscode Pesscode Size BM DM 0.024 
0.045 
Likelihood of Management Forecasts  ‐0.2636  ‐0.3680 
(0.043)  (0.007)  0.075 
Full Sample  0.076 
‐0.1937  ‐0.3186  0.088 
N=7,049  ‐0.9296  16.8554  ‐0.2555  9.8775  0.0167  (0.112)  (0.004) 
(<0.001)  (0.344)  (0.429) 
(<0.001)  (0.001)  ‐0.4121  ‐0.4334 
‐0.2466  5.2659  0.0070  (0.090)  (0.028) 
No Whisper Forecasts  (<0.001)  (0.598)  (0.743) 
‐0.4955  ‐0.0901 
N=5,070  ‐0.9509  14.4559  ‐0.2776  12.5160  ‐0.0071  (<0.001)  (0.112) 
(0.025)  (0.603)  (0.833) 
(<0.001)  (0.003)  ‐0.4762  ‐0.0599 
(<0.001)  (0.267) 
Whisper Forecasts 
‐0.4519  ‐0.4830 
N=1,979  ‐0.5622  62.6416  (0.074)  (0.055) 

(0.082)  (<0.001) 

Likelihood of Whisper Forecasts 

Full Sample 

N=7,049  ‐2.0437  ‐13.2073  0.1544  ‐12.2693  0.1948 
(0.001)  (0.232)  (<0.001) 
(<0.001)  (0.013) 
0.1749  ‐13.4651  0.1901 
No Management Forecasts  (<0.001)  (0.242)  (<0.001) 

N=6,127  ‐2.0575  ‐20.6492  0.0624  29.5844  0.2621 
(0.660)  (0.179)  (<0.001) 
(<0.001)  (0.007) 

Management Forecasts 

N=922  ‐2.3401  ‐2.3502 

(<0.001)  (0.784) 

41

Table 5 (Continued) 
 

Variable Definitions: 
Code is either MFCode, an indicator variable equal to one if a management forecast is issued and zero otherwise, or WFCode, an 

indicator variable equal to one if a whisper forecast is present and zero otherwise. 
AbsFirstFE is the absolute value of first analystsʹ forecast error calculated as the IBES actual earnings for quarter t less the mean of 

the IBES analysts’ first forecast after the quarter t‐1 earnings announcement date scaled by IBES price prior to the earnings 
announcement date for quarter t. 
Pesscode is an indicator variable equal to one if the first analystsʹ forecast error calculated as the IBES actual earnings for quarter t less the mean of 
the IBES analysts’ initial forecast after the quarter t‐1 earnings announcement date scaled by IBES price prior to the earnings 
announcement date for quarter t is greater than or equal to zero and is zero otherwise. 
AbsFirstFE*Pesscode is the interaction of AbsFirstFE and Pesscode. 
Size is the natural log of total assets (Compustat variable ATQ) at the beginning of quarter t. 
BM is the book to market ratio at the beginning of quarter t calculated as common stockholders’ equity (SEQQ) divided by market 
value of equity (MKVALQ). 
DM is the debt to market ratio at the beginning of quarter t calculated as total long term debt (DLTTQ) divided by market value of 
equity (MKVALQ). 
 
Whiteʹs heteroscedasticity consistent standard errors are used in calculating the p‐values.  Regressions control for clusters of firm 
quarter observations from the same firm.  The number of observations reflects the 1st and 99th percentiles of the FEAF, FEMF 
and FEWF being deleted.  

42

 

Table 6 

Accuracy,  Information Content and Analysts’ Forecast Revisions of Whisper Forecasts when Analysts are Pessimistic 

 

Panel A:  Accuracy of Whisper Forecasts 

Pesscode=0  Pesscode=1 

Median Absolute Forecast Errors  Median Absolute Forecast Errors 

  Whisper  Analysts’  Difference P‐value    Whisper  Analysts’  Difference P‐value 

Full Sample  Full Sample 

N=437  0.0008  0.0005  <0.001    N=1,218  0.0007  0.0007  0.547   

                

Rank AbsFirstFE=0 (Smallest errors)  Rank AbsFirstFE=0 (Smallest errors) 

N=50  0.0064  0.0043  0.007    N=275  0.0004  0.0002  0.003   

                

Rank AbsFirstFE=1   Rank AbsFirstFE=1  

N=73  0.0020  0.0016  0.089    N=269  0.0004  0.0005  0.001   

                

Rank AbsFirstFE=2   Rank AbsFirstFE=2  

N=79         N=274  0.0007  0.0009  0.001   

  0.0013  0.0010  0.012            

Rank AbsFirstFE=3   Rank AbsFirstFE=3  

N=102  0.0008  0.0004  0.014    N=220  0.0015  0.0017  0.053   

                

Rank AbsFirstFE=4 (Largest errors)  Rank AbsFirstFE=4 (Largest errors) 

N=133  0.0004  0.0003  0.004    N=180  0.0037  0.0038  0.924   

                

43

Table 6 (Continued) 
 

Panel B:  Information Content of Whisper Forecasts

(4)

  Coefficient Estimates (p‐values)   
 
          Pesscode*        
Intercept  Pesscode  BM 
N=1,960  FEAF  FEWF  FEWF  Size  0.0101  DM  R2 
0.0044  0.0142  (0.093) 
  (0.579)  (<0.001)    3.9478  ‐1.4655  ‐0.0013    ‐0.0003  0.05 
N=1,960  0.0075 
    (<0.001)  (0.294)  (0.107)  (0.206)  (0.916) 
  0.0039  0.0126   
(0.626)  (<0.001)          
   
2.8096  2.8874  ‐2.1109  ‐0.0011  ‐0.0003  0.05 

(0.003)  (<0.001)  (0.145)  (0.164)  (0.892) 

        

44

Table 6 (Continued) 
 

Panel C: Analystsʹ Forecast Revisions 

(5)

Management Forecast Whisper and Management

Whisper Forecast Sample Sample Forecast Samples

Coefficent Coefficent Coefficent

Estimate P-value Estimate P-value Estimate P-value

Intercept -0.1370 0.639 -0.0687 0.196 -0.1023 0.034
FWFEPess0
FWFEPess1 33.7852 <0.001 5.0130 0.333
FMFEPess0
FMFEPess1 30.0635 <0.001 21.6840 0.024
Opt
Pess 40.6174 <0.001 26.4450 <0.001
FEAF 27.6653 <0.001
MktRet <0.001 31.2215 0.014
Size 0.1882 <0.001
BM 0.2346 <0.001 -0.2241 0.1254 <0.001
DM -0.1937 <0.001 7.3839 0.261
Analysts 35.8944 <0.001 -0.0017 0.011 -0.2051 <0.001
FSTD -0.0012 0.0033 0.589
R2 -0.0012 0.053 0.0888 0.071 23.0450 <0.001
N 0.0295 0.699 0.0232 0.328
-0.0039 0.214 -0.0003 0.856 -0.0008 0.176
0.0009 0.504 -0.2842 0.505
-0.3010 0.312 0.559 0.0095 0.089
0.335 0.137
817 0.0552 0.160
1,898
0.3370 0.138

-0.0015 0.171

-0.3060 0.323

0.786

305

45

Table 6 (Continued) 
 

Variable Definitions: 
Pesscode is an indicator variable equal to one if the first analysts’ forecast error calculated as IBES actual earnings less analysts’ initial 

forecast scaled by IBES price prior to the earnings announcement date and zero otherwise. 
Analystsʹ forecast error calculated as IBES actual earnings for quarter t less analystsʹ forecasts scaled by IBES price prior to the earnings 

announcement date. 
Whisper forecast error calculated as IBES actual earnings for quarter t less the whisper forecast scaled by IBES price prior to the earnings 

announcement date. 
AbsFirstFE is the absolute value of the first analystsʹ forecast error calculated as the IBES actual earnings for quarter t less the mean of the 

IBES analysts’ first forecast after the quarter t‐1 earnings announcement date scaled by IBES price prior to the earnings 
announcement date for quarter t. 
Ret is the 3‐day cumulative raw return centered around the quarter t earnings announcement date from CRSP. 
Pesscode is an indicator variable equal to one if the first analysts’ forecast error calculated as IBES actual earnings less analysts’ initial 
forecast scaled by IBES price prior to the earnings announcement date and zero otherwise. 
FEAF is analystsʹ forecast error calculated as IBES actual earnings for quarter t less analystsʹ forecasts scaled by IBES price prior to the 
earnings announcement date. 
FEWF is whisper forecast error calculated as IBES actual earnings for quarter t less the whisper forecast scaled by IBES price prior to the 
earnings announcement date. 
FEWF*Pesscode is the interaction of FEWF and Pesscode. 
Size is the natural log of total assets (Compustat variable ATQ) at the beginning of quarter t. 
BM is the book to market ratio at the beginning of quarter t calculated as common stockholders’ equity (SEQQ) divided by market value 
of equity (MKVALQ). 
DM is the debt to market ratio at the beginning of quarter t calculated as total long term debt (DLTTQ) divided by market value of equity 
(MKVALQ). 
Rev is analysts’ revisions of forecasts calculated as the mean of the IBES analysts’ initial forecast after the quarter t‐1 earnings 
announcement date less analysts’ last forecast divided by the absolute value of analysts’ first forecast. 
FWFEPess0 is the first whisper forecast error calculated as the mean of the IBES analysts’ initial forecast after the quarter t‐1 earnings 
announcement date less the whisper forecast for quarter t scaled by IBES price prior to the earnings announcement date when the 
initial analysts’ forecast error calculated as the IBES actual earnings for quarter t less the mean of the IBES analysts’ initial forecast 

46

after the quarter t‐1 earnings announcement date scaled by IBES price prior to the earnings announcement date is less than 0. 
FWFEPess1 is the first whisper forecast error calculated as the mean of the IBES analysts’ initial forecast after the quarter t‐1 earnings 

announcement date less the whisper forecast for quarter t scaled by IBES price prior to the earnings announcement date when the 
initial analysts’ forecast error calculated as the IBES actual earnings for quarter t less the mean of the IBES analysts’ initial forecast 
after the quarter t‐1 earnings announcement date scaled by IBES price prior to the earnings announcement date is greater than or 
equal to 0. 
FMFEPess0 is the first management forecast error calculated as the mean of the IBES analysts’ initial forecast after the quarter t‐1 earnings 
announcement date less the management forecast of earnings for quarter t scaled by IBES price prior to the earnings announcement 
date when the initial analysts’ forecast error calculated as the IBES actual earnings for quarter t less the mean of the IBES analysts’ 
initial forecast after the quarter t‐1 earnings announcement date scaled by IBES price prior to the earnings announcement date is less 
than 0. 
FMFEPess1 is the first management forecast error calculated as the mean of the IBES analysts’ initial forecast after the quarter t‐1 earnings 
announcement date less the management forecast of earnings for quarter t scaled by IBES price prior to the earnings announcement 
date when the first analysts’ forecast error calculated as the IBES actual earnings for quarter t less the mean of the IBES analysts’ 
initial forecast after the quarter t‐1 earnings announcement date scaled by IBES price prior to the earnings announcement date is 
greater than or equal to 0. 
Opt is an indicator variable equal to one if the first analystsʹ forecast error calculated as the IBES actual earnings for quarter t less the 
mean of the IBES analysts’ initial forecast after the quarter t‐1 earnings announcement date scaled by IBES price prior to the earnings 
announcement date for quarter t is in the lowest quintile and is zero otherwise. 
Pess is an indicator variable equal to one if the first analystsʹ forecast error calculated as the IBES actual earnings for quarter t less the 
mean of the IBES analysts’ initial forecast after the quarter t‐1 earnings announcement date scaled by IBES price prior to the earnings 
announcement date for quarter t is in the highest quintile and is zero otherwise. 
FEAFt‐1 is analystsʹ forecast error in quarter t‐1. 
MktRet is the contemporaneous market return in quarter t from Compustat (MKRTXQ). 
Analysts is the number of analysts used to calculate the mean of the IBES analysts’ initial forecast after the quarter t‐1 earnings 
announcement date. 
FirstSTD is the standard deviation around the mean of the IBES analysts’ initial forecast after the quarter t‐1 earnings announcement 
date. 
 
Whiteʹs heteroscedasticity consistent standard errors are used in calculating the p‐values.  Regressions control for clusters of firm quarter 
observations from the same firm.  The number of observations reflects the 1st and 99th percentiles of the FEAF, FEMF and FEWF 

47

being deleted.   

48