1  

Measuring Reputation Daniel Diermeier and Mathieu Trepanier 

Kellogg School of Management 

Abstract Reputation management  has moved  to  the  top  of  the  agenda  for many  companies,  yet  “corporate 

reputation”  remains  an  elusive  concept which  is  difficult  to measure  and manage.  In  this  paper we 

investigate whether  linguistic measurements of  reputational  shocks  contain useful  information about 

short term future corporate performance. Using news articles for 2005‐2006 for a large sample of firms 

listed  on  NASDAQ  and  NYSE,  we  argue  that  useful  information  about  corporate  reputation  can  be 

derived from transient signals (reputational shocks). We create measures of reputational shocks based 

on  the  sentiment  and  emotions  captured  from  the  news  coverage  about  a  corporation.  We  find 

evidence  supporting  a  link  between  some  of  our measures  and  next‐day  stock  return.  Our  results 

suggest  that measures  of  sadness  are  the most  reliable  and  substantial  predictors  of  performance 

among  our  set  of  linguistic measurements. We  also  find  that  the  relationship  between  reputational 

shocks  and  short  term  performance  varies  substantially  across  industries, with  the more  consistent 

results for manufacturing, retails trade, and transportation industries.  

 

This Version: February 2009 

 

Very preliminary: DO NOT QUOTE WITHOUT PERMISSION. 

 

* Acknowledgements: Viorel Maxim provided able research assistance. All errors are our own. Author contact information: Daniel Diermeier (d-diermeier@kellogg.northwestern.edu) and Mathieu Trepanier (m-trepanier@kellogg.northwestern.edu), Kellogg Graduate School of Management, 2001 Sheridan Road, Evanston, IL 60208.    

2  

Introduction Reputation management  has moved  to  the  top  of  the  agenda  for many  companies,  yet  “corporate 

reputation” remains an elusive concept which is difficult to measure and manage. A common approach 

is to interpret corporate reputation as “public opinion for corporations” but with multiple “publics”, i.e. 

constituencies, such as customers, employees, investors, regulators and the like. While plausible at first, 

the approach has  limited practical use, both  for  companies and  researchers. Public opinion  is usually 

measured by surveys, a very expensive and inflexible tool, which only the largest companies can afford. 

Moreover,  even  when  surveys  exists  (e.g.  McDonald’s  FastTrack  survey),  they  are  not  commonly 

available to researchers.  

An  alternative method  relies  on  an  indirect  approach.  The  idea  is  that  constituents’  beliefs  about  a 

company or product will be significantly shaped by  the  information and opinion  received  through  the 

media  (both mass  and  user  generated). Moms may  stop  taking  their  daughters  to McDonald’s  not 

because  the  staff was unfriendly during  their  last visit, but because  they  saw a  feature on The Today 

Show  linking  higher  rates  of  breast  cancer with  French  fries.  Indeed  potential  customers may  never 

become actual ones because of a company’s “reputation”.  

Recent  laboratory  studies  (e.g.  (Uhlmann,  et  al.  2008),  (Jordan, Diermeier  and Galinsky  2008))  have 

provided empirical support for the impact of reputational issues on customer perception and behavior. 

Customers,  for example, will  rate a company or a company  logo  lower  if  they are exposed  to a news 

story alleging, e.g. a sexual harassment incident. Moreover, they also will rate product quality lower and 

consume  less.  Importantly, companies’  response strategies do have an effect on customer perception 

and  behavior.  Responses  that  focus  on  showing  empathy,  transparency,  and  commitment  all  have 

3  

positive effects. Finally, evidence of past virtuous behavior, a moral bank account, also has a positive 

effect, in the absence of other factors. (Uhlmann, et al. 2008).1  

These findings suggest an indirect approach to measuring reputation. Rather than using surveys or focus 

groups to assess the state of mind of constituencies, one can measure the “inputs”,  i.e. the sentiment 

expressed  in news paper articles,  internet postings, etc. The behavioral  link between media  influence 

and  stakeholder  attitudes  would  be  provided,  by  the  experimental micro‐data  on  how  stakeholder 

perception is formed. This was done by Uhlmann, et al. (2008) for the case of customers.  

This leads to the next question on how to measure the “inputs”, i.e. media sentiment about companies 

and products.   Recent developments  in  information  retrieval, machine  learning, and natural  language 

processing  technologies provide a promising path  in  this direction. A  standard approach  (followed by 

many commercial providers and researchers alike) is to rely on annotated opinion corpora to train and 

test  opinion  retrieval,  classification,  and  aggregation  models.  This  approach  has  been  used  with 

considerable  success  in  the  classification  of  customer  opinions,  e.g.  online movie  reviews.  In  these 

applications, the goal is to correctly classify reviews as “positive” or “negative.”  These methods provide 

a  natural  approach  to  classifying  corporate  sentiment.  First,  create  a  training  set  of  articles  about 

company X. Next, have human annotators create a training set by classifying each article as “positive”, 

“neutral”,  and  “negative”.  Finally,  train  classification  algorithms  on  the  training  set  and  then  create 

indices based on the classification results.  

                                                            1  Uhlmann,  et  al.  (2008)  have  subjects  judge  the  quality  of  bottled water.  Subjects  in  the  sexual  harassment condition rate the taste lower and drink less. If a company uses a strategy focusing on transparency and empathy related to the sexual harassment case compared to a stone‐walling or defensive approach, the product quality  is rated higher and a larger quantity is consumed.  

4  

The Classification Approach ­ Methodological Problems  

While initially plausible, there are at least three potential problems with this approach. The first problem 

is known as the domain dependency problem. Opinion classifiers have achieved accuracy levels as high 

as 88% for product reviews (Dave et al., 2003) and 82% for movie reviews (Pang, Lee and Vaithyanathan 

2002). However, Finn and Kushmerick (2006) found that an opinion classifier trained on movie reviews 

was not effective  in predicting the polarity of restaurant reviews, and vice versa. For example,  in their 

analysis  classifiers  that  are  able  to  predict movie  reviews  with  high  accuracy  (77%)  fail  to  predict 

restaurant reviews (40%). The reason for the domain dependence  lies  in the  importance of expressive 

adjectives  for classification  success. While  there are  some universal adjectives  (like good or bad)  that 

express opinions, most adjectives that are typical for movie reviews (like gripping or boring), however, 

are unlikely to occur in restaurant reviews (like tasty or delicious). This issue is particularly important in 

the case of corporate reputations which cross various issue domains.  

The  second  problem  has  to  do with  the way  opinions  are  expressed. While  customer  opinions  are 

frequently  expressed  directly  (“the  food was  delicious”)  opinions  about  corporations  are  frequently 

expressed  indirectly,  i.e.  through  some  form of argument. This  is especially  true of news articles. For 

examples, while  news  editorials may  contain  some  direct  opinion  expression,  reporting  on  negative 

events,  such as  lawsuits,  strikes, or decreasing  stock price, may actually have  the  same effect on  the 

audience,  even  though  we  would  not  usually  consider  them  expressions  of  opinion.  Here  we  are 

interested on the effect on the audience, i.e. a company’s customers and other stakeholders. From this 

perspective  it does not matter whether, e.g. a  customer’s opinion of  company X drops because of a 

critical editorial or a report about a pending government investigation.  

The third problem  is practical and consists  in the absence of existing text corpora related to corporate 

reputation that could be used to reliably train classifiers. To  investigate these  issues Yu, Diermeier and 

5  

Kaufmann (2009) built a new corporate opinion corpus, the Wal‐Mart Corpus. The practical goal of the 

corpus was  to  facilitate  future algorithm development. However, methodologically  it also allowed an 

evaluation  of  the  reliability  and  validity  of  human  annotation  of  corporate  opinions.   Unless  typical 

subjects can clearly distinguish positive from neutral or negative news about a company, here Wal‐Mart, 

the classification‐based approach to reputation metrics becomes problematic. 

Yu, Diermeier and Kaufmann (2009) collected more than 130,000 news articles which mentioned Wal‐

Mart  in  2006,  and  sampled  from  them  1,080  articles  based  on  the  distributions  of  their  publication 

dates,  the  document  lengths,  and  the  reach  of  the  publishers.  Three  coders  were  then  asked  to 

annotate the polarity (a choice among the three options “positive”, “negative”, or “neutral”) of the 1080 

articles at both  the paragraph and  the document  level. To  test  if paragraph  is an appropriate opinion 

text  unit  (without much  ambiguity),  the  fourth  category  “mixed” was  added  to  the  paragraph‐level 

annotation.  

Cohen’s κ, a  standard measure  in  the content analysis  literature, was used  to measure  inter‐coder. A 

minimal κ > 0.60 customarily  indicates an acceptable  level of reliability. However, none of the polarity 

annotation  tasks passed  this  threshold. For example,  the average κ was at  the document  level  is 0.30 

and 0.39 at the paragraph level.2  

What is the reason for this low level of agreement? First of all, news articles report both “opinions” and 

“facts”. Many  “facts”  about  corporations  easily  evoke  various  opinions  among  readers,  for  example, 

after  reading  an  article on  robbery  at  a Wal‐Mart  parking  lot,  some  readers would worry  about  the 

safety when shopping at Wal‐Mart while others might not feel the same way.   

                                                            2 These two numbers are not directly comparable with each other because of the additional “mixed” category at the paragraph level. Interestingly, average κ was higher at the title level (0.42). 

6  

Secondly,  Yu,  Diermeier  and  Kaufmann  (2009)  observe  a  large  grey  area  at  the  boundary  between 

“neutral”  and  polarized  (“positive”  or  “negative”)  categories  at  all  three  levels.  Further  marginal 

distribution analysis  results demonstrated  that  individual  coders have unique personal biases  toward 

the  polarity  category  distribution.  Even  when  they  annotated  different  data  subsets,  the  coders 

exhibited similar marginal category distributions.  In other words, some coders are  just more positively 

or negatively inclined than others. This phenomenon poses another challenge to classification methods 

in  that  the  “ground  truth” or  “gold  standard”  is hard  to obtain  for algorithm  training and evaluation 

purposes.  

A possible counter‐argument could state that, perhaps, the annotators (university undergraduates) were 

not trained well enough to make the proper distinctions. But this argument misses the main purpose of 

the whole exercise of  reputation metrics which  is about  finding measures of company’s public  image. 

The relevant public may consist of experts, e.g analysts, but most members of the public will  lack any 

specific knowledge or expertise. Yet, as customers and other stakeholders their opinion still matters. 

To summarize,  the promising approach of machine‐based classification  faces various challenges  in  the 

context of corporate reputations. First, corporate reputations cross multiple domains, yet classifiers are 

typically  highly  domain  specific.  Second,  opinions  about  corporations  are  shaped  directly  (e.g.  an 

editorial)  or  indirectly  (e.g.  a  negative  news  story).  Third,  the  attempt  to  design  specific  corpora  for 

corporate  reputation  classification  faced  the  problem of  low  inter‐coder  agreement which made  the 

establishment of a “ground truth”, essential for any classification task, impossible. 

At  a  deeper  level,  existing  classification  approaches  focus  on  the wrong  end  of  the  communicative 

relation:  the  sender, while  the  real  concern of  corporate  reputation metrics  lies  in  the  receiver. This 

leads to a different approach. 

 

7  

A Different Approach – Emotional Lexica 

Our new approach is based on the desire to relate to constituency attitudes more directly. To do so, we 

utilize  an  automated  text  analysis  program  called  Linguistic  Inquiry  and  Word  Count  (LIWC) 

(Pennebaker, Booth and Francis 2006).  LIWC identifies the linguistic structure of a text by counting the 

number  of  words  associated  with  a  series  of  pre‐defined  dictionaries.    These  include  rudimentary 

linguistic  features such as pronoun or verb use, but also words associated with mental states such as 

emotions, beliefs and attitudes.   

For any given text, LIWC will calculate the number of words that matches  its pre‐defined dictionaries. 

For example, if a word such “hate”, which exists in the ‘negative emotions’ dictionary, appears in a text, 

it would be scored as a one.  If it appears again, it would receive an additional score of one.  If the word 

“ugly”, also  in the ‘negative emotion’ dictionary, appears  in the text the total score would be three. In 

other words, LIWC counts word tokens, not types. At the end of the text analysis, LIWC will calculate the 

total  times  these dictionary word appear  in  the dialogue divided by  the  total number of words  in  the 

text, creating a percentage.  This represents the linguistic footprint or summary of a particular text. 

 What makes LIWC promising  in our context  is  that LIWC has demonstrated external validity across a 

variety of studies, demonstrating how language can represent personality types. Chung and Pennebaker 

(2007),  Pennebaker  and  Lay  (2002),  and  Pennebaker,  Mehl  and  Niederhoffer  (2003)  distinguish 

deceptive or ironic speech. Hancock, et al. (2005) represents how speakers tend to converge upon each 

other’s  speech  styles. Niederhoffer  and Pennebaker  (2002)  and Kahn, et  al.  (2007) distinguish  verbal 

expressions  of  emotion.    Stirman  and  Pennebaker  (2002)  show  evidence  of  differences  in  self  and 

collective linguistic references in writings of suicidal and non‐suicidal poets. Further, each dictionary has 

8  

been  compared with a  text analysis by human  coders  to  insure  reliability, and examined  for  internal 

validity by using a variety of text corpora3  

Notice that LIWC constitutes a universal dictionary that has been refined over many studies rather than 

the outcome of specific classification experiments. The hope  is  that  these categories correspond with 

the mental state evoked in a typical reader of a text. 

To  provide  some  prima  facie  credibility  to  the  measure  we  discuss  a  brief  example.  In  2006,  a 

multinational healthcare company was faced with some activist pressure concerning one of its products. 

The following figures show an analysis of annual news coverage for the company processed by LIWC4. 

Each of  the spikes  in  the Anger and Sadness category reflects media response  to a clearly  identifiable 

action including aggressive actions by the company such as lawsuits and product registration decisions. 

In early March, news articles echoed criticism of  the company by a well‐known health‐related activist 

organization over  the  slow  registration of a  life‐saving drug  in developing  countries. Activist  criticism 

intensified around mid‐April and  the  company  registered  the product  in  several developing  countries 

leading  to higher  levels of positive  feelings and optimism.  In August, a major  international conference 

attracted substantial coverage of the company’s actions, most of it critical. The highest level of optimism 

occurred  when  a  government  took  drastic  regulatory  action  against  the  company  in  response  to 

pressure from activists and the public more generally. 

                                                            3 See for example Pennebaker, Booth and Francis (2006) and Pennebaker and Francis (1996). 4 Text Data for the period January 1, 2006 to January 31, 2007 were provided by Lexis/Nexis. 

 

Figure 1: LIW

While  thi

character

that, on a

To  invest

performa

summary 

analyst  re

investors,

measure 

not comm

WC analysis of s

s  case  study

istics, not  th

verage, a sim

tigate  the  ef

nce, their sto

measures  o

eports, which

,  regulators a

for each stak

monly availab

sample reputatio

y  certainly  lo

e  impact on 

milar emotiona

ffects  of  LIW

ock price. No

of  the  attitud

h  assess  the 

and  so  forth.

keholder grou

le. 

onal environme

oks  like  a  pr

constituencie

al state will b

WC  directly, 

tice that,  in o

des  of multip

impact  of  a

  It would pe

up, e.g. custo

ent 

romising  pro

es. Of course

be triggered in

we  look  to

our context, 

ple  constitue

  certain  eve

erhaps be pre

omers, but th

of  of  concep

e,  the existing

n the audienc

owards  a  sta

stock price e

ncies.  For  ex

nt  or  news  s

eferable  to h

his requires t

pt, we  are  st

g application

ce, but this is 

andard  meas

effects are to

xample,  inves

story  on  cus

have a more 

he use of sal

till measuring

ns of LIWC  su

a hypothesis

sure  of  corp

 be  interpret

stors may  co

tomers,  supp

granular out

les data whic

9 

 

g  text 

uggest 

.  

porate 

ted as 

onsult 

pliers, 

tcome 

ch are 

10  

Our approach  is similar to that of Tetlock, Saar‐Tsechansky and Macskassy (2008) who find supportive 

evidence  for  a  link between daily measures of negative  sentiment  in newswire articles  and next day 

stock performance. However, our work differs from Tetlock, Saar‐Tsechansky and Macskassy (2008)  in 

three key respects. First, aside from obtaining scores for positive and negative sentiment, we also use 

linguistic measurements for a variety of emotions (LIWC). As discussed above, an  important advantage 

of using LIWC comes  from  its demonstrated external validity.   Second, while Tetlock, Saar‐Tsechansky 

and Macskassy (2008) rely on pooled estimations for firms in the S&P500, we are concerned by industry‐

level  differences.  Last,  our  interest  in  studying  reputation  rather  than market  efficiency  leads  us  to 

aggregate our linguistic measurements over longer horizons. 

The  remainder  of  this  article  is  organized  as  follows.  Section  II  details  our  statistical  and  linguistic 

methodologies.  In section  III, we describe our data. Section  IV, presents our results. Finally, section VI 

concludes. 

 

Methodology 

We report results for the OLS estimation of 

, Ψ , ,  

Equation 1 

11  

 

Where  ,  is the stock return for firm  1,…  on day t=1,…T5 and    is the risk free rate on day  6.    

is a 1X4 matrix of coefficients,    is a 4XT matrix containing Fama and French’s 3  factors  (Fama and 

Kenneth 1993) and Cahart’s  fourth  factor  (Cahart 1997). The  factors allow us to control  for returns of 

the  contemporaneous market  (market),  size  (SMB),  book‐to‐market  (HML),  and momentum  factors 

(UMD). Ψ  is 1X9 matrix of coefficients.  ,   is a 9X(J*T) matrix containing  the  reputation measures. 

Finally,  ,  is an error term. 

We define the reputation measures  in the following way7. From each article  j considered  in our study, 

we obtain a total word count (# of word in article j) as well as a word count for each linguistic category 

(e.g.  #  of  positive words  in  article  j).  For  each  linguistic  category, we  then  compute  an  article  level 

proportion. For example: 

#         #         

 

Equation 2 

 

The reputation measure is the constructed as follows:  

                                                            5 Daily return is defined using closing stock prices. 6 We use the monthly t‐bill rate divided by the number of trading days in the month as the measure of the risk free rate. 7 We use the positive sentiment measure (pos) for the exposition. The adaptation to all other measures 

( , ,  , ,  , ,  , ,  , ,  , ,  , , and  , )  is straightforward. 

12  

, ,  

Equation 3 

,, ,

, 

Equation 4 

Were  ,  and  ,  are computed on a 7‐day rolling basis. The concept of a corporate reputation is 

often  understood  to  be  defined  over  a  horizon  longer  than  7  days.  For  our  purposes,  reputation 

measures can be conceptualized as reputational shocks impacting the stock of reputation. 

We first estimate the model by pooling over all firms in the sample. We then proceed with estimations 

at the industry level8.  

 

Data 

We use newswire articles from Dow Jones News Service 2005‐2006 for 2288 (2661) NASDAQ‐listed firms 

for 2005 (2006) and 1613 (1991) NYSE‐listed firms for 2005 (2006)9. News articles are obtained from the 

Dow  Jones News Service  for 2005 and 2006. To eliminate articles containing only  tables, numbers, or 

company names, we require that an article contain at least 50 words. We also require that they contain 

at least 5 positive words. Ticker symbols are obtained from the articles’ metadata. To avoid problems of 

attribution, we require that no more than 3 ticker symbols be listed in the metadata of an article. Finally, 

                                                            8 When estimating at the industry level, we require that there be at least 10 firms in an industry. 9 The sample of firms was selected to match all firms listed on NYSE and NASDAQ at the beginning of 2005. 

13  

we  consider  only  articles  published  between  12am  and  3pm  Eastern  time.  Our  sample  contains 

1,855,266 valid newswire articles for 2005 and 1,989,360 for 2006.  

Stock return  information for 2005‐2006  is obtained from CRSP. The selected sample consists of the set 

of firms  listed on either NASDAQ or NYSE at the beginning of 2005 and for which we have at  least 120 

trading days. The Fama‐French factors are obtained from Kenneth French’s personal webpage10. Table 3 

provides summary statistics. 

We  obtain  linguistic  measurements  from  two  sources.  First,  we  use  the  well‐known  Harvard‐IV‐4 

psychosocial dictionary word  classifications  (General  Inquirer  (GI))11  for  sentiment or  tonality  scoring. 

, ,  ,  are thus derived using the General  Inquirer. Second, we use a series of  lexicons from the 

Linguistic  Inquiry  and Word  Count  (LIWC)  to measure  psychological  processes12.  For  each  newswire 

article meeting our selection criterion, we obtain a general word count (word), as well as the relevant 

linguistic measures  from  GI  and  LIWC.  The  core measures  obtained  from  LIWC  are  affect,  negemo, 

posemo, anger, anx, sad, optim, and posfeel. Table 1 provides an overview of the linguistic measures. 

Table 3 contains descriptive statistics  for key  financial variables, article  features, emotions, sentiment, 

and other  linguistic measurements. We see that  in our sample, a firm  listed on NYSE  is mentioned  in a 

newswire  article  about  twice  as  often  as  a  NASDAQ  listed  firm,  but  that  a  typical  article  about  a 

NASDAQ‐listed firm is longer than one about a NYSE‐listed firm. For both NYSE (NASDAQ) firms, the Dow 

Jones newswire articles are about 17%  (20%)  shorter  in 2006  than  in 2005. The average numbers of 

words from the positive, affect, positive emotions, optimism, and sadness lexicons per article are higher 

                                                            10 http://mba.tuck.dartmouth.edu/pages/faculty/ken.french/data_library.html 11 See the General Inquirer’s Web site lists each word in the positive and negative categories: http://www.webuse.umd.edu:9090/tags/TAGNeg.html and http://www.webuse.umd.edu:9090/tags/TAGPos.html. 12  See  (Pennebaker,  Chung,  et  al.  n.d.)  for  more  details.  THE  LIWC  website  ( http://www.liwc.net/liwcdescription.php) also contains useful information. 

14  

in both years for NASDAQ‐listed firms than for NYSE‐listed firms, but the reverse is true for words from 

the positive feeling, negative emotions, anxiety, and anger lexicons. 

Industry  information for firms in the sample is obtained from Bloomberg. We used the two‐digit North 

American  Industry  Classification  System  (NAICS)  codes.  An  extra  category  (NAICS=0) was  created  to 

contain  477  (438) NYSE‐listed  firms  and  108  (117) NASDAQ‐listed  firms  for  2005  (2006)  for which  a 

NAICS code was not available from Bloomberg. A non‐ambiguous industry classification was obtained for 

3316 (4097) firms for 2005 (2006). Table 4 provides descriptive statistics for 2005 at the  industry  level 

for NYSE firms. Table 2 gives the NAICS labels.  

Firms in industry 49 (transportation and warehousing: postal services) have the highest average number 

of newswire articles per day with an average of 1 article every 2.63 days. They are followed by firms in 

industries 51 and 45  (information and  retail  trade:  sporting goods, hobby, books, music, and general 

merchandise) with averages of 1 article every 5 days. Firms in industry 55, 61, and 81 (management of 

companies and enterprises, educational services, and other services) have the lowest coverage intensity 

with averages of 1 article every 33.3, 14.3, and 14.3 days respectively.  

Overall, intensity measures13 for affect, negative, negative emotions, and sadness tend to be higher for 

firms industries 11, 31, 32, 44, and 45 and lower for firms in industries 55, 61, 23, and 9214. This result 

seems  consistent  with  intuition  that  firms  in  agriculture, manufacturing,  and  retail  would  exhibit  a 

newswire coverage that is more intense in sentiment and emotions than that of firms in management of 

companies, educational services, construction, and public administration services. Figure 2 depicts key 

intensity measures per industry for 2005. 

 

                                                            13 Intensity measures for the emotion and sentiment variable are computed by dividing the total number of words for the given emotion/sentiment in an article by the article’s total word count. 14 See Table 4. 

15  

Results 

Table 5 shows estimates for the Ordinary Least Squares (OLS) estimation of Equation 1 where the matrix 

,   contains  one  of  the measures  listed  in  the  first  column.  The  first  two  sections  (emotions  and 

sentiment)  contain  the measure of  interests. Columns 2 and 3 present  the  results  for  firms  listed on 

either  NYSE  or  NASDAQ  while  columns  4‐7  show  the  results  for  NYSE  and  NASDAQ‐listed  firms 

separately. With  the  exception of  positive  feelings,  all  emotions  and  sentiment  coefficients have  the 

expected signs  in  the  three  regressions15. Two emotional measures are consistently significant  (at  the 

0.01  level)  across  the  three  sets  of  results.  Negative  emotion  and  sadness  shocks  to  a  company’s 

reputation  are  systematically  associated  with  lower  next  day  stock  returns.  The  magnitude  of  the 

coefficients  for  these  two  variables  is  also much  greater  than  for  the other measures. Overall,  firms 

listed on NASDAQ seem more responsive to our reputational shocks. For example, the coefficients for 

negative emotions and sadness are roughly twice as large for NASDAQ‐listed firms as they are for NYSE‐

listed firms. For a typical firm listed on NASDAQ, a one standard deviation negative emotion shock to its 

reputation is associated with a lower next day stock return by 4.5 basis points. Still for a NASDAQ‐listed 

firm, a one standard deviation sadness shock to  its reputation  leads to a  lower next day return by 5.0 

basis points.  

Table 5 shows OLS estimates for Equation 1 for the core reputational shock measures at  industry  level 

for both NYSE and NASDAQ‐listed firms16. We report the coefficients for the parameters Ψ at the 2‐digit 

NAICS code industry level17. Consistent with what we observed in Table 5, we find that negative emotion 

and sadness shocks present  the most consistency  in  terms of expected signs and significance.  In both 

cases,  of  the  21  industries  for which  we  have  estimates,  17  have  the  expected  negative  sign.  The 

                                                            15 As affect includes emotions for which intuition would suggest a positive and a negative impact, there is no clear intuition for the coefficient sign. 16 Each regression uses a single reputation measure. 17 We include an industry if it contains at least 10 firms in our sample. 

16  

estimates are economically significant in many cases. For examples, a one standard deviation increase to 

our sadness measure is associated with a more than 14 basis point drop in next day stock price for firms 

in wholesale trade (NAICS 42), while the same shock  is associated with an almost 12 basis points drop 

for  firms  in  transportation and warehousing  (NAICS 48). Smaller, yet significant  impacts are  found  for 

finance and insurance (NAICS 52), one of the manufacturing classification (NAICS 33), and utilities (NAICS 

22) with  estimates of  ‐2.1,  ‐3,  and  ‐5.2 basis points  respectively. Considering  shocks  to our negative 

emotion measure,  the  largest  impact  are  for  healthcare  and  social  assistance  (NAICS  62), wholesale 

trade (NAICS 42), real estate and rental and leasing (NAICS 53), and one of the retail trade classification 

(NAICS 44) with estimates of  ‐11.3,  ‐10.8,  ‐10.3, and  ‐10.1 basis points respectively. Our  industry‐level 

estimates do not  show a similar pattern  to what was observed  in Table 5 when comparing NYSE and 

NASDAQ estimates18. 

 

Conclusion and Extensions 

Do  linguistic  measurements  of  reputational  shocks  impact  corporate  performance?  We  find  some 

supportive  evidence. We  find  that  negative  emotion/sentiment  and  sadness  shocks  are  significantly 

associated with short term future stock performance with the expected signs. We further find that the 

reputational shock impacts are economically meaningful. For instance, a one standard deviation positive 

sadness shock is correlated with a 5.0 basis points lower next‐day return for NASDAQ‐listed firms or with 

an  about  14.1  basis  points  drop  for  firms  in wholesale  trade.  Consistent with  intuition,  our  results 

suggest that the impact of linguistic shocks to corporate reputations vary substantially across industries.  

                                                            18 Results not shown. Available upon request. 

17  

The central aim of this paper is to stimulate further research on the systematic use of publicly available 

information  to  study  of  corporate  reputation.  In  terms  of  pushing  the  agenda  further,  it would  be 

interesting to see how the perception of various stakeholder groups  impact corporate performance or 

to  investigate the role of context (e.g. articles about product defects versus earnings release)  in which 

the linguistic reputation measures are obtained. 

   

18  

Works Cited  

Cahart, Mark M. "On the Persistence of Mutual Fund Performance." Journal of Finance, 1997: 57‐82. 

Chung, C. K., and J. W. Pennebaker. "The psychological function of function words." In Social Communication, by K. Fiedler (Ed.), 343‐359. New York: Psychology Press., 2007. 

Dave, K, Lawrence, S, & Pennock, D. M. (2003). Mining the peanut gallery: opinion extraction and semantic classification of product reviews. Proceedings of the 12th international conference on World Wide Web, 519‐528. Retrieved May 28, 2007, from ACM Digital Library. 

Fama, Eugene F., and R. French Kenneth. "Common Risk Factors in the Returns of Stocks and Bonds." Journal of Financial Economics, 1993: 3‐56. 

Finn, A., and N. Kushmerick. "Learning to Classify Documents According to Genre." of American Society for Information Science and Technology, 2006: 1506‐1518. 

Hancock, J. T., L. Curry, S. Goorha, and M. Woodworth. "Automated linguistic analysis of deceptive and truthful synchronous computer‐mediated communication." Paper presented at the Hawaii International Conference on System Sciences, Hawaii, 2005. 

Jordan, J., D. Diermeier, and A. D. Galinsky. "When it’s not the thought that counts: The double‐edged sword of care in corporate crisis responses." Working paper, 2008. 

Kahn, J. H., R. M. Tobin, A. E. Massey, and J. A. Anderson. "Measuring emotional expression with the Linguistic inquiry and Word Count." The American journal of psychology, 2007: 263‐286. 

Niederhoffer, K. G., and J. W. Pennebaker. "Linguistic style matching in social interaction." Journal of Language and Social Psychology, 2002: 337‐360. 

Pang, B., L. Lee, and S. Vaithyanathan. "Thumps up?: Sentiment classification using machine learning techniques." Proceedings of the 2002 Conference on Empirical Methods in Natural Language Processing (EMNLP2002), 2002: 79‐86. 

Pennebaker, J. W., and M. E. Francis. "Cognitive, emotional, and language processes in disclosure." Cognition & emotion, 1996: 601‐626. 

Pennebaker, J. W., and T. C. Lay. "Language use and personality during crises: Analysis of Mayor Rudolph Giuliani's press conferences." Journal of Research in Personality, 2002: 271‐282. 

Pennebaker, J. W., M. R. Mehl, and K. G. Niederhoffer. "Psychological aspects of natural language use: Our words, our selves." Annual Review of Psychology, 2003: 547‐577. 

Pennebaker, J. W., R. J. Booth, and M. E. Francis. Linguistic inquiry and word count: LIWC. Austin, Texas: Erlbaum Publishers, 2006. 

19  

Pennebaker, James W., Cindy K. Chung, Molly Ireland, Amy Gonzales, and Roger J. Booth. "The Development and Psychometric Properties of LIWC2007." LIWC.net.  

Pennebaker, James W., M.E. Francis, and RJ. Booth. Linguistic Inquiry and Word Count (LIWC). Mahwah, New Jersey: Lawrence Erlbaum Associates, 2001. 

Stirman, S., W., and J. W. Pennebaker. "Word Use in the Poetry of Suicidal and Nonsuicidal Poets." Psychosomatic Medicine, 2002: 517‐522. 

Tetlock, Paul, Maytal Saar‐Tsechansky, and Sofus Macskassy. "More Than Words: Quantifying Language to Measure Firms' Fundamentals." Journal of Finance, 2008: 1437‐1467. 

Uhlmann, E.L., G. Newman, V.L. Brescoll, A. Galinsky, and D. Diermeier. "Corporate crisis communication and its effect on consumers." Manuscript under review, 2008. 

Yu, B., D. Diermeier, and S. Kaufmann. "The Wal‐Mart Corpus: A multi‐granularity corporate opinion corpus for opinion retrieval, classification and aggregation." Working paper, 2009. 

 

 

   

20  

Appendix Table 1: LIWC and GI Categories 

  Category  Abbreviation  Examples  Words in category GI           Positive  pos  Ability, clean, hopeful  1915   Negative  neg  Abominable, empty, 

haphazard 2291 

LIWC           Linguistic processes         Past tense  past  Went, ran, had  145   Present tense  present  Is, does, hear  169   Future tense  future  Will, gonna  48   Negations  negate  No, not, never  57   Psychological processes         Affective processes  affect  Happy, cried, abandon  915   Positive emotion  posemo  Love, nice, sweet  406   Negative emotion  negemo  Hurt, ugly, nasty  499   Anxiety  anx  Worried, fearful, nervous  91   Anger  anger  Hate, kill, annoyed  184   Sadness  sad  Crying, grief, sad  101   Optimism  optim  Certainty, pride, win  69   Cognitive processes         Insight  insight  Think, know, consider  195   Causation  cause  Because, effect, hence  108   Discrepancy  discrep  Should, would, could  76   Tentative  tentat  Maybe, perhaps, guess  155   Certainty  certain  Always, never  83   Inhibition  inhib  Block, constrain, stop  111   Personal concerns         Money  money  Audit, cash, owe  173          † The LIWC portion of the table is extracted from (Pennebaker, Chung, et al. n.d.) 

 

   

21  

Table 2: 2‐Digit NAICS Labels 

   

2‐Digit NAICS code 

Description 

          11  Agriculture, Forestry, Fishing and Hunting 21  Mining, Quarrying, and Oil and Gas Extraction 22  Utilities 23  Construction 31  Manufacturing: Food, beverage, tobacco, and textile 32  Manufacturing:  Wood, paper, printing, petroleum & coal, and chemical 33  Manufacturing: Metal, machinery, computers & electronics, electrical equipment, 

transport, and furniture 42  Wholesale Trade 44  Retail Trade: Motor vehicle, furniture, electronics & appliances, building materials, food 

& beverage, health, gasoline station, and clothing  45  Retail trade: Sporting goods, hobby, books, music, and general merchandise 48  Transportation and Warehousing: Air, rail, water, trucking, transit and ground 

passenger transport, pipeline, and scenic & sightseeing transportation 49  Transportation and Warehousing: Postal services 51  Information 52  Finance and Insurance 53  Real Estate and Rental and Leasing 54  Professional, Scientific, and Technical Services 55  Management of Companies and Enterprises 56  Administrative and Support and Waste Management and Remediation 61  Educational Services 62  Health Care and Social Assistance 71  Arts, Entertainment, and Recreation 72  Accommodation and Food Services 81  Other Services (except Public Administration) 92  Public Administration 0  NAICS not available 

22  

Table 3: Descriptive Statistics 

  2005  2006   NASDAQ  NYSE  NASDAQ  NYSE   Mean  Std  Mean  Std  Mean  Std  Mean  Std Emotions                 Affect    16.57   13.70   15.33   13.61  16.57  13.79  15.72  13.85 Positive    13.34  11.27   12.14   11.03  13.33  11.38  12.54  11.24 Negative     2.87    4.24    2.91    4.47    2.88    4.27    2.92    4.59 Optimism    5.64    5.72    4.78    5.35    5.58    5.68    4.95    5.44 Anxiety    0.21    0.69    0.24    0.80    0.22    0.78    0.25    0.85 Anger    0.44    1.12    0.47    1.19    0.43    1.05    0.46    1.17 Sadness    1.47    2.83    1.44    2.80    1.49    2.87    1.41    2.80 Positive feelings     0.69    1.51     0.72     1.72    0.67    1.52    0.73    1.83                  Sentiment                 Positive    71.66    52.34   61.58   53.99   76.83  60.73  72.14  65.07 Negative    22.11    20.95   22.55   24.93   23.94  24.72  27.14  30.48                  Direction                 Up    6.92    5.74   6.58    6.49    7.00     5.97    6.81    6.70 Down    1.40    2.16  1.70    2.69    1.44    2.40    1.78    2.94                  Cognition                 Causation    6.33    5.52   4.81    5.21    6.18    5.60    4.80    5.29 Insight    6.86    6.36   5.82    6.11    6.92    6.53    5.99    6.27 Discrepancy    3.22    3.74   3.35    4.35    3.24    3.78    3.39    4.38 Tentative    6.78    6.52   5.31    6.51    7.03    6.79    5.68    7.13 Inhibition    2.72   3.10   2.05    2.85    2.75    3.11    2.11    2.87 Certainty    2.85   3.05   2.31    2.95    2.87    3.11    2.45    3.10                  Verb tense                 Past    7.38  7.63  8.47    8.73    7.40    7.80    8.44    8.75 Present  22.75       15.85       20.00  16.37   22.48  16.36  20.53  16.54 Future    5.86   5.45  5.10   5.58     6.00    5.63    5.30    5.68                  Other                 Negation    1.80  2.32  1.58   2.37    1.87    2.43    1.67    2.50 Money  13.72       16.10       15.80       18.04  14.04  16.76  15.80  18.43                  Articles                 Daily articles/firm      0.06      0.07      0.12      0.15      0.07  0.10  0.14  0.22 Total words/articles  622.07  397.57  522.45  403.06  495.54  345.46  435.23  331.93                  Financial variables                 # of firms   2288   NA  1613    NA  2661   NA  1991   NA Daily return       0.03%  0.03     0.04%  0.02      0.07%  0.03     0.08%  0.02 Market (X 1000)    0.18  6.48  0.18  6.49  0.43  6.70  0.44  6.71 SMB (X 1000)   ‐0.07   4.20       ‐0.06  4.20  0.03  4.86  0.03  4.86 HML (X 1000)    0.32  2.29  0.31  2.93  0.47  2.57  0.46  2.57 UDM (X 1000)    0.64  5.05  0.64  5.06  ‐0.21  5.03  ‐0.20  5.03 Risk free rate       0.01%  0.00     0.01%  0.00      0.02%  0.00      0.02%  0.00                  

   

23  

Table 4: Descriptive Statistics by Industry for NYSE‐Listed Firms in 2005 

Industry NAICS Codes 

# of Firms 

Average Daily # of 

Articles /Firm 

Average # of 

Words /Article 

Average Affect 

Intensity 

Average Negative Words Intensity 

Average Negative Emotion Intensity 

Average Sadness Intensity 

Average Daily Return 

11  6  0.15  514.03  3.09  4.78  0.71  0.37  0.04% 21  97  0.09  538.28  2.73  3.83  0.48  0.29  0.12% 22  83  0.14  530.95  3.28  4.41  0.51  0.30  0.07% 23  26  0.08  510.96  2.71  3.65  0.42  0.17  0.05% 31  56  0.13  492.31  3.11  4.44  0.57  0.27  0.06% 32  139  0.15  542.29  2.84  5.26  0.72  0.32  0.06% 33  277  0.14  546.46  2.77  4.42  0.57  0.24  0.06% 42  34  0.11  545.86  2.98  4.07  0.56  0.27  0.06% 44  54  0.15  459.99  3.32  4.25  0.66  0.31  0.06% 45  27  0.20  488.04  2.78  4.73  0.60  0.30  0.08% 48  34  0.16  525.59  2.41  4.25  0.47  0.31  0.08% 49  2  0.38  443.80  3.36  4.39  0.55  0.20  0.01% 51  79  0.20  604.32  2.62  4.70  0.45  0.22  0.03% 52  278  0.13  553.21  2.87  3.95  0.50  0.29  0.06% 53  45  0.08  552.27  2.86  2.74  0.43  0.22  0.07% 54  45  0.17  581.46  2.84  4.30  0.50  0.22  0.05% 55  1  0.03  518.10  2.48  1.43  0.18  0.10  0.16% 56  24  0.09  592.22  2.89  4.82  0.60  0.23  0.07% 61  3  0.07  495.75  2.03  3.23  0.23  0.07  0.04% 62  18  0.09  547.83  3.11  4.11  0.56  0.29  0.03% 71  7  0.10  601.02  2.75  3.36  0.49  0.37  0.08% 72  27  0.16  543.03  3.09  4.24  0.58  0.31  0.08% 81  10  0.07  634.12  2.93  3.76  0.48  0.25  0.10% 92  2  0.11  707.96  2.59  5.15  0.35  0.22  0.09% 0  477  0.05  354.74  3.98  3.89  0.74  0.33  0.07% 

                 

    

 

 

Figure 2: Int

 

 

 

 

 

   

0

1

2

3

4

5

1

tensity Measure

11 21 22 23

Affect Intens

es for NYSE‐Liste

 

31 32 33

sity Negat

ed Firms (2005)

42 44 45 48

tive Intensity

8 49 51 52

Negative E

53 54 55 5

Emotion intens

56 61 62 71

sity Sadne

1 72 81 92

ess intensity

24 

 

0

25  

Table 5: OLS Estimates for Various Measures (2005‐2006) 

Measures  NYSE‐NASDAQ  NYSE  NASDAQ          Coefficient 

(X100) t‐stat  Coefficient 

(X100) t‐stat  Coefficient 

(X100) t‐stat 

Emotions                 Affect    ‐0.013*  ‐1.779     ‐0.013*  ‐1.747       ‐0.016  ‐1.179     Positive   0.002   0.295    0.000   0.100         0.004   0.315     Negative          ‐0.032***  ‐4.248          ‐0.025***  ‐3.577       ‐0.045***  ‐3.050     Optimism   0.007   0.913    0.003   0.443         0.011   0.789     Anxiety  ‐0.006  ‐0.833  ‐0.009  ‐1.295       ‐0.004  ‐0.296     Anger  ‐0.001  ‐0.169  ‐0.002  ‐0.241       ‐0.003  ‐0.191     Sadness         ‐0.038***  ‐5.034          ‐0.027***  ‐3.592       ‐0.050***  ‐3.688     Pos. feel.   0.002   0.265  ‐0.002  ‐0.294         0.007   0.442 Sentiment                 Positive      ‐0.000**  ‐1.936       ‐0.000**  ‐2.022        ‐0.000*   1.715     Negative      ‐0.016**  ‐2.093   ‐0.004  ‐0.545        ‐0.036**  ‐2.457 Direction                 Up   0.008    1.064       0.013*   1.786   0.000    0.028     Down  ‐0.007  ‐0.966        ‐0.014**  ‐1.940  ‐0.003  ‐0.203 Cognition              Causation  ‐0.010  ‐1.309  ‐0.001  ‐0.060  ‐0.015  ‐1.083 

    Insight  ‐0.000    0.046  ‐0.007  ‐0.922    0.007    0.558    Discrepancy  ‐0.003  ‐0.358    0.001   0.085  ‐0.013  ‐0.827    Tentative  ‐0.004  ‐0.579    0.003    0.451  ‐0.011  ‐0.780    Inhibition   0.011   1.510    0.006   0.866   0.020   1.432    Certainty   0.011   1.493    0.010   1.407   0.013   0.960 Verb Tense                Past  ‐0.013  ‐1.760       ‐0.013**  ‐1.991  ‐0.025  ‐1.425    Present  ‐0.000  ‐0.033    0.004   0.488  ‐0.005  ‐0.377    Future   0.014   0.838         0.015**   2.050   0.012   0.908 Other                Negation  ‐0.012  ‐1.552  ‐0.007  ‐0.966  ‐0.018  ‐1.243    Money          ‐0.016**  ‐2.176         ‐0.020***  ‐2.818        ‐0.018  ‐1.118 OLS estimates of next day stock return on a linguistic measure, the four factors (market, SMB, HML, UDM), and a constant. Robust SEs are used. *** Significant at the 0.01 level   **   Significant at the 0.05 level *      Significant at the 0.10 level  

   

26  

Table 6: Industry‐Level OLS Estimates for Various Measures (2005‐2006) 

Industries  Positive Sentiment 

Negative Sentiment 

Positive Emotions

Negative Emotions

Sadness  Optimism  Anxiety  Anger 

0  ‐0.000  ‐0.001   0.010  ‐0.021  ‐0.029**   0.012  ‐0.008  ‐0.006 

11  ‐0.000   0.065  ‐0.066  ‐0.043   0.045  ‐0.030  ‐0.049  ‐0.082 

21   0.000   0.041  ‐0.035   0.075   0.024   0.005  ‐0.011   0.103** 

22  ‐0.000**   0.018  ‐0.008  ‐0.002  ‐0.052***   0.005  ‐0.043*   0.034* 

23  ‐0.000   0.076   0.055  ‐0.024  ‐0.056   0.140  ‐0.062   0.009 

31  ‐0.000   0.016   0.032   0.036  ‐0.018  ‐0.007   0.025  ‐0.002 

32   0.000   0.006   0.026   0.006  ‐0.035*   0.012  ‐0.011   0.022 

33   0.000   0.003   0.006  ‐0.025*  ‐0.030**   0.015  ‐0.004   0.009 

42  ‐0.000  ‐0.104**  ‐0.056  ‐0.108***  ‐0.141***   0.033  ‐0.051   0.037 

44  ‐0.000*  ‐0.068*  ‐0.007  ‐0.101**  ‐0.093***   0.023  ‐0.045  ‐0.021 

45  ‐0.000  ‐0.067*  ‐0.028  ‐0.054  ‐0.039   0.013   0.021  ‐0.018 

48   0.000  ‐0.031   0.012  ‐0.121*  ‐0.119***  ‐0.013   0.006  ‐0.044 

51   0.000   0.017   0.027*  ‐0.025  ‐0.033*   0.011   0.012   0.005 

52  ‐0.000  ‐0.007   0.004  ‐0.012  ‐0.021**   0.001  ‐0.015  ‐0.010 

53  ‐0.000  ‐0.034  ‐0.066  ‐0.103**  ‐0.082*  ‐0.044   0.012*  ‐0.055 

54   0.000*  ‐0.027   0.055**  ‐0.049**  ‐0.044*   0.042**   0.023  ‐0.036* 

56   0.000  ‐0.007  ‐0.057   0.005   0.021  ‐0.035  ‐0.012  ‐0.034 

61  ‐0.000   0.144   0.039  ‐0.061  ‐0.192  ‐0.016    0.109   0.120 

62  ‐0.000  ‐0.114**   0.007  ‐0.113**  ‐0.067   0.055  ‐0.083  ‐0.076 

71  ‐0.000   0.079  ‐0.026  ‐0.031  ‐0.029  ‐0.049   0.108   0.035 

72  ‐0.000*   0.007  ‐0.018  ‐0.031    0.064*   0.036  ‐0.007  ‐0.009 

81  ‐0.001**   0.127  ‐0.031   0.063   0.029   0.115   0.003  ‐0.137 

                 

OLS estimates at the industry level of next day stock return on a linguistic measure, the four factors (market, SMB, HML, UDM), and a constant.Robust SEs are used. *** Significant at the 0.01 level   **   Significant at the 0.05 level *      Significant at the 0.10 level The marginal effects reported are computed at the sample mean of the underlying variables.

 

   

27  

Table 7: Measures per industries: 2005‐2006 

Measures  Industries  Sign (# + / # ‐ /non‐significant) 

Emotions           Affect  42;53  0/2/19       Positive emotions  54  1/0/20       Positive feelings  22;71  1/1/19       Negative emotions  42;44;53;54;62  0/5/16       Optimism  54  1/0/20       Anxiety    0/0/21       Anger  21  1/0/20       Sadness  0;22;33;42;44;48  0/6/15 Sentiment           Positive  22;81  0/2/19       Negative  42;62  0/2/19      OLS estimates at the industry level of next day stock return on a linguistic measure, the four factors (market, SMB, HML, UDM), and a constant. Robust SEs are used. Column 2 gives the 2‐digit NAICS codes for the industries with coefficients significant at the 0.05 level for the relevant measures. Column 3 gives the % of 2‐digit NAICS codes in our sample for which we have significant coefficients at the 0.05 level. Column 4 gives x/y/z such that x (y) is the # of 2‐digit NAICS codes for which we have positive (negative) significant coefficient and z is the number of non‐significant coefficients. 

 

   

28  

 

Figure 3: Positive and Negative Reputation Shock Coefficients by 2‐Digit NAICS Codes (NYSE‐NASDAQ 2005‐2006) 

 

 

   

29  

Figure 4: Positive and Negative Emotional Reputation Shock Coefficients by 2‐Digit NAICS Codes (NYSE‐NASDAQ 2005‐2006) 

 

 

   

30  

Figure 5: Sadness and Optimism Shock Coefficients by 2‐Digit NAICS Codes (NYSE‐NASDAQ 2005‐2006) 

31  

Figure 6: Anger and Anxiety Shock Coefficients by 2‐Digit NAICS Codes (NYSE‐NASDAQ 2005‐2006)