电子版:https://onlinelibrary.wiley.com/doi/pdf/10.1111/jo founge.12470.，Xavier Giroud和Richard R.Townsend,“风险投资监控的影响”，The Journal ofFinance,2016,71（4）,1591-1622。110-202,pp.1-24.和Esther du Scaro，“关于歧视的实地实验”，载于《经济学发现实验手册》，第2卷。1，Elsevier，2017年，第309-393页。凯文·F·哈洛克，《顶级企业工作中的性别差距》，ILR Review，2001年，55(1)，3-21。还有Sendhil Mullainathan，《艾米丽和格雷格比Lakisha和Jamal更适合就业吗？一个关于劳动力市场歧视的实验，“美国经济评论，2004年，94(4)，991-1013，克劳迪娅·戈尔丁，和劳伦斯·F·卡茨，《金融和企业部门年轻专业人员性别差距的动态》，美国经济杂志：应用经济学、2010年，2(3)，228-55。，多莉·休，和Sendhil Mullainathan，“隐性歧视”，美国经济评论，2005,95（2）,94-98。，,而且，“隐性歧视”，美国经济评论，2005年4月，95(2)，94-98.比赫昌达尼，苏希尔，大卫·赫什莱弗，和伊沃·韦尔奇，“流行理论，时尚，习俗，和作为信息级联的文化变化，“政治经济学杂志，1992年，100(5)，992-1026.博伦，J.艾斯林，亚历克斯·伊马斯，和迈克尔·罗森博格，“歧视的动态：理论和证据，“美国经济评论，2019年，109(10)，3395-3436.博伦，J.艾斯林，亚历克斯·伊马斯，和迈克尔·罗森博格，“歧视的动态：理论与证据，“美国经济评论，2019年10月，109(10)，3395-3436.博尔达洛，佩德罗，凯瑟琳·科·艾德曼，尼古拉·根奈奥利，安德烈·施莱弗，“刻板印象”，第四期经济学杂志，2016年，131(4)，1753-1794年，,,而且，《关于性别的信仰》，美国经济评论，2019年，109(3)，739-73。布洛克，米歇尔和拉尔夫·德·哈斯，“歧视性贷款：来自实验室银行家的证据，“2020年。巴特纳，E·霍利和多萝西·P·摩尔，“妇女在组织上向企业家的外流：自我报告的动机及其与成功的关系，“小企业管理杂志，1997年，35，34-46.木匠，杰奎琳，克里斯蒂娜·康诺利，凯特琳·诺尔斯·迈尔斯，“代表性独裁者实验中的利他行为”，实验经济学，2008年，11(3)，282-298.卡雷尔，斯科特·E，玛丽安·E·佩奇，和詹姆斯·E·韦斯特，“性与科学：《性别教授如何使性别差距永久化》，“经济学季刊，2010年，125(3)，1101-1144.卡萨布里，洛伦佐和杰克·威利斯，“保险中的时间与状态：来自肯尼亚法明金合同的实验证据，“美国经济评论，2018年，108(12)，3778-3813.Chetty，拉杰，纳撒尼尔·亨德伦，玛吉·R·琼斯，还有索尼娅·R·波特，“美国的种族和经济机会：代际观点，“经济学季刊，2020年，135(2)，711-783.坎宁安，汤姆和乔纳森·德·奎特，“从选择推断出的隐式首选项”，可在SSRN2709914，2015.德拉维尼亚，斯特凡诺，约翰一张单子，乌尔里克·马尔门迪尔，和高塔姆·饶，“边缘化的重要性：慷慨中的性别冲突”，《美国经济评论》,2013年，103(3)，586-90。伊根，马克·L，格雷戈·马特沃斯和阿米特·塞鲁，“当哈利发现莎莉：惩罚不当行为的双重标准”，国家经济研究局2017年技术报告。尤文斯，迈克尔和理查德·R·汤森，“早期投资者对女性有偏见吗？”，《经济经济学杂志》，2020年3月，135(3)，653-677。费尔利，罗伯特·W和艾丽西亚·M·罗柏，种族和创业成功：美国黑人、亚洲人和白人拥有的企业，麻省理工学院出版社，2010年。方，汉明和安德里亚·莫罗，《统计歧视理论和反歧视行动：调查》，载《社会经济学手册》，第2卷。1、爱思唯尔出版社，2011年，页。

133-200.费尔南德斯，拉奎尔和亚历山德拉·福利，“文化：信念的实证调查，工作，和生育率，“美国经济杂志：宏观经济学，2009年，1(1)，146-77.弗洛伊德，埃里克和约翰的名单，“在会计和财务中使用筛选实验”，《会计研究杂志》，2016年，54(2)，437-475。朱利亚诺，劳拉，大卫·I·莱文和乔纳森·伦纳德，“经理种族和新员工的种族”，《劳动经济学杂志》，2009年，27(4)，589-631。Gneezy，Uri，John List和Michael K Price,“走向理解人们为什么歧视：来自一系列自然实验的证据”，《技术报告》，国家经济研究局2012年。克劳迪娅，Goldin，《大性别趋同：它的最后一章》，《美国经济评论》，2014年，104(4)，1091-1119。Gompers，Paul a和Sophie Q Wang,“创新中的多样性”，工作文件23082，国家经济研究局2017年1月。系列：工作文件系列。和，“创新的多样性”技术报告，国家经济研究局2017。，弗拉基米尔·穆哈利亚莫夫，艾米丽·威斯伯斯特，而玉海轩、“风险投资中的性别E感染”，可在SSRN 2445497查阅，2014.戈纳尔，威尔和伊利亚·A·斯特雷布拉耶夫，“性别，种族，和企业家精神：风险投资家和天使的随机现场实验“SSRN学术论文ID3301982，社会科学研究网、2020年3月，纽约罗切斯特。伊利亚·斯特雷布拉耶夫，《将风险投资估值与现实相吻合》，《金融经济学杂志》，2020年，135(1)，120-143.古兹曼，豪尔赫和亚历山大·奥伦卡·卡佩奇克，“创业中的性别差距”研究政策，2019、48(7)、1666-1680.赫伯特，卡米尔，“性别刻板印象和企业家成长”，在2020年“第十届迈阿密行为金融会议”上。赫克曼，詹姆斯·J，“发现歧视”，经济观点杂志，1998年，12(2)，101-116.黑格德，迪帕克，亚历山大·永奎斯特，和马纳夫·拉杰，“种族，玻璃天花板，和同工同酬的较低工资，“可在SSRN 3811410查阅，2021.亨德森，罗兰，塞德里克·海岭，海沃德·德里克·霍顿，还有梅尔文·托马斯，“信用在信用的地方？：种族，性别，和创业公司信用评分中的歧视，“黑人政治经济评论，2015年，42(4)，459-479.洪，哈里森和伊内萨·利斯科维奇，“犯罪，惩罚与企业社会责任的光环，“技术报告，2015年国家经济研究局。豪威尔，Sabrina T.和Ramana Nanda，“风险投资中的网络摩擦，和创业中的性别差距，“SSRN学术论文ID3376211，社会科学研究网、罗切斯特，2019年10月。，乔希·勒纳，拉玛娜·南达、和理查德·汤森，“财务距离：风险资本是如何跟随经济下滑并削减创新的，“SSRN学术论文ID3594239，社会科学研究网、罗切斯特，2020年5月。胡，邓伦和宋妈、“人类互动与金融投资：一种基于视频的方法，“可用的atSSRN，2020.JR，罗兰·G·弗莱耶，“统计歧视动态模型中的信念冲击”，《公共经济学杂志》，2007年，91(5-6)，1151-1166。和史蒂文·D·莱维特，“独特黑人名字的原因和后果”，《经济学季刊》，2004年，119(3)，767-805。Kacperzyk,Aleksandra和Peter Younkin,“非法性溢价：企业家精神对女性未来就业的影响”，见SSRN 3433249,2019。Kanze,Dana,Laura Huang,Mark A Conley和E Tory Higgins,“我们要求男性获胜而女性不是Tolose：弥合创业资金中的性别差距”，《管理学院杂志》，2018年，61(2)，586-614。Kessler,Judd B,Corinne Low,Colin D.

沙利文，“激励简历评级：在没有欺骗的情况下引出雇员的偏好，“美国经济评论，2019年11月，109(11)，3713-3744.朗，凯文和阿里埃拉·卡恩-朗·斯皮策，“种族歧视：经济观点，“经济观点杂志，2020年，34(2)，68-89。还有Jee-Yeon K Lehmann,“劳动力市场中的种族歧视：理论和实证”，《经济文献杂志》，2012年，50(4)，959-1006。Lee,Sokbae和Bernard Salani\'e,“识别多值治疗的e-ects”，《经济经济学》，2018年，86(6)，1939-1963。列表，John A,“市场中歧视的性质和程度：来自于市场的证据”，《第四版经济学杂志》，2004年，119(1)，49-89。伦德伯格，Shelly J和Richard Startz,“竞争性劳动力市场中的私人歧视和社会干预”，《美国经济评论》，1983年，73(3)，340-347。Neumark,David,“在审计和函授研究中发现歧视”，《人力资源杂志》，2012年，47(4），1128-1157。出版商：[威斯康星大学出版社，威斯康星大学董事会]。菲尔普斯，埃德蒙，“种族主义和性别歧视的统计理论”，《美国经济评论》，1972年，62(4)，659-661.普里，曼朱和大卫·T·罗宾逊，《企业家精神与家族企业的经济心理学》，经济学与管理战略杂志，2013年，22(2)，423-444.蕾娜，萨希尔，“风投、创始人，以及表现上的性别差距，“2017年以下的金融建立在金融地窖的基础上，2019年。罗塞特，阿什丽·谢尔比和利·普兰克特·托斯特，“Agentic女性和公共领导力：RolePremistions如何赋予顶级女性领导人优势。”，《应用心理学杂志》，2010年，95(2)，221。谢恩、斯科特、莎伦·多尔曼、约瑟夫·扬科夫斯基、伊莎贝尔·雷曼和乔治·罗梅，《技术许可的发明者喜欢初创企业》，创业研究的前沿，2012年，32(18)，1。西格尔曼、彼得和J·赫克曼，《城市研究所审计研究：他们的方法和发现》，“清晰而令人信服的证据：美国歧视的测量，华盛顿，1993年，187，258。瑟伦森，莫滕，《有多聪明》聪明的钱？风险投资的双边匹配模型，2007年，62(6)，2725-2762张，是啊，“风险资本家如何下注：来自两个随机对照试验的证据，“可在SSRN3724424获得，2020年。、“影响投资和风险投资业：实验证据，“可在SSRN 3959117获得，2021.tablestable 1：InvestorsPanel a的统计摘要：投资者地点分布国家N百分比女性百分比15,184 84.91%23.57%加拿大647 3.62%29.68%以色列456 2.55%29.39%英国93 0.52%22.58%印度514 2.87%18.87%新加坡和香港454 2.54%21.59%澳大利亚和新西兰228 1.28%25.44%其他306 1.71%21.57%合计17882 100%面板B：投资者行业分布行业N百分比信息技术13,628 76.21%医疗保健6,056 33.87%消费者6,256 34.98%能源4,234 23.68%生命科学3,347 18.72%金融3,023 16.91%媒体和娱乐2,533 14.17%农业和食品2,072 11.59%交通1,743 9.75%教育1,359 7.60%清洁技术1,2016.72%其他3,271 18.29%面板C：投资者特征N女性投资者=1 17,882 0.24高级投资者=1 17,882 0.84天使投资=1 17,882 0.11顶级大学=1 13,785 0.31研究生院=1 9,232 0.61非专业基金=1 13,156 0.02注。本表报告了活跃风险投资家（其电子邮件地址经测试电子邮件验证）的描述性统计数据，这些风险投资家在函授测试中收到了冷电话推销电子邮件，并在实验室实验中收到了招聘电子邮件。小组A报告样本投资者的地理分布。“其他”包括南非、开曼群岛、马来西亚等。B小组报告招募投资者感兴趣的行业。一个投资者可以指出多个首选行业。

“其他”包括特殊行业，如封装技术行业。3.8%的投资者的行业偏好在网上找不到，我在发送冷电话推销邮件时确信，他们对所有行业都感兴趣。小组C报告投资者的人口统计信息和投资理念。“女性=1”是一个指标变量，如果投资者是女性，则等于1，否则等于零。“高级=1”是一个指标变量，如果投资者是高级（被定义为C级职位、负责人、副总裁、合伙人等），则等于1，否则等于零。“angel=1”是一个指示变量，如果投资者是天使投资者或属于天使集团，则等于1，否则等于零。如果一个投资者既是天使投资者又是机构投资者，我将她视为天使投资者。“not-for-profestiontfund=1”是一个指标变量，如果投资者在基于Pitchbook数据库中的“主要投资者类型”的not-for-profestionfinitionfinitionfinitionfinitionfinitionfinitionfinitionfund工作，则等于1。“顶级大学=1”和“研究生院=1”是一个指示变量，如果投资者就读于一所顶级大学（即，常春藤盟校、麻省理工学院，公爵，加州理工学院，阿姆赫斯特，西北，斯坦福，加州大学伯克利分校，芝加哥大学和威廉姆斯学院）或参加过毕业典礼。表2：实验A InvestorsPanel A汇总统计：投资者表示对部门感兴趣部门（可重复）N部分（%）信息技术39 55.7%消费者10 14.3%医疗保健17 24.3%清洁技术3 4.3%企业对企业7 10.0%金融11 15.7%媒体4 5.8%能源5 7.1%教育3 4.3%生命科学2 2.9%运输和物流4 5.7%其他6 8.6%行业不可知论6 8.6%面板B：投资者表示对各阶段的兴趣阶段（可重复）N部分（%）种子阶段47 67.1%系列A 45 64.3%系列B 17 24.3%系列C或更晚阶段5 7.1%面板C：投资者陈述的人口统计信息n平均值s.d女投资者69 0.20 0.40少数投资者64 0.42 0.50高级投资者69 0.86 0.37小组D：投资者投资理念均值S.dcold电子邮件接受度69 0.74 0.44首选ESG 69 0.17 0.14直接投资69 0.94 0.24继续面板E：可用基金财务表现百分比均值S.D 10 50 90总活跃投资组合54 41.40 44.51 10 24 102总退出46 32.74 48.39 1 9 110基金年龄52 11.75 8.95 3 8.5 25aum（单位：100万美元）33 547.46 1029.10 30 111.7 1700dry Power（单位：100万美元）33 163.86 307.04 6.43 44.35 313.59 Notes。总共有来自68家机构（主要是风险基金）的69名投资机构投资者对1216份随机生成的创业报告进行了评估。小组A报告投资者的部门分布。每个投资者都可以表明他们对多个行业的兴趣。“其他”包括人力资源技术、房地产技术、基础设施等。“行业不可知论”是指投资者没有基于行业的强烈偏好。面板B报告投资者的阶段分布，每个投资者可以投资多个阶段。“种子阶段”包括种子前期、天使投资和种子后期。“C系列或以后阶段”包括成长资本、C系列、D系列等。C面板报告这些招募投资者的人口统计信息。“女性”是一个指标变量，如果投资者是女性，则等于1，否则等于零。“少数族裔”是一个指标变量，如果投资者是亚洲人、西班牙人或非裔美国人，则等于1，否则等于零。不愿透露性别或种族的投资者不包括在这些变量中。如果投资者处于C级职位，或者是董事、合伙人或副总裁，“高级”等于一。如果投资者是分析师（实习生）或助理投资者，则为零。

“冷电子邮件接受”是一个指示变量，如果投资者认为发送冷电话电子邮件是可以接受的，只要它们写得很好，则等于1，如果投资者认为这取决于情况，则等于零。“偏好ESG”是一个指标变量，如果投资者偏好与ESG相关的初创企业，则等于1，否则等于零。“直接投资”是一个指标变量，如果投资者可以直接进行投资，则等于1，如果他们的投资是通过有限合伙人或其他渠道进行的，则等于零。E面板提供了这些投资者工作的68个基金的详细信息。然而，我们只能从Pitchbook数据库中恢复他们的部分信息。表3：实验A设计，产品成分随机化产品成分随机化描述分析变量创业团队特征名字和姓氏取自相同名字列表，给定白人女性（25%）选择的种族和性别如实验1亚洲女性（25%）（见表B1)白人男性（25%）亚洲男性（25%）团队可以有1名创始人或2名联合创始人，单个创始人（8/16）年龄创始人年龄以毕业年份表示年轻对老=50%对50%年轻：统一发放（2005-2019）旧：统一分布（1980-2005）教育背景取自顶级学校名单和普通学校名单顶级学校（8/16）（见学校名单表B2)创业经历团队可以有连续创始人或只有连续创始人（8/16）时间创始人创业项目特征公司年龄成立日期随机取自公司年龄以下四年{2016,2017、2018、2019}从一个比较优势者中随机抽取的比较优势（见表B3)，抽取的1个优势（4/16）优势的数量介于1到4个之间2个优势（4/16）3个优势（4/16）4个优势（4/16）牵引一半随机选择的优势不产生收入积极牵引（8/16）一半随机选择的优势产生积极。前一个月回报：均匀分布[5k，80k]；增长率：均匀分布[5%,60%]公司类别随机分配为B2B或B2C B2B（8/16）被随机分配为四个类别之一的员工人数0-10（8/16）10-20（8/16）20-50（8/16）50+（8/16）目标市场随机分配为国内市场或国内（8/16）国际市场任务随机分配为三个类别之一的产品（8/16）“产品”，“对于项目，考虑项目内的IPO，IPO计划（4/16）5年”，“除了项目收益，还关心ESG”对于项目，ESG（4/16）地点随机分配为美国或美国以外（70%）美国以前的融资情况现有投资者数量随机分配为四类投资者数量之一具有等概率{0,1,2,3+}随机化分布是为了增加实验性的力量。考虑到我们的合作孵化器有更多的亚洲和女性创始人，而不是正常的性别和种族分布，我在这个实验中增加了女性和亚洲创始人的比例，以模拟这些孵化器的分布，这提供了潜在的匹配创业公司的池。尽管一些投资者认为提供更多信息会有所帮助，但没有人抱怨创始团队的性别和种族分布不现实。如果同一个创始团队中有两名联合创始人，所有创始人的背景信息都相似。例如，如果firerst创始人的年龄属于年轻创始人类别，那么第二个创始人的年龄也属于相同的年龄类别。本表提供了每个启动程序组件及其相应的分析变量的随机化。项目组件按它们出现在假设启动程序中的顺序列出。

特征的权重在跨主题组合时显示为分数（例如，每个主题应该看到所有女性团队成员的8/16简历），在代表从概率分布中得出的结果时显示为百分比（例如，对于收入为正的初创企业，收入遵循[5K-80K]之间的均匀分布）。右边一栏的变量被随机化，以测试投资者对这些分析变量的反应。表4：实验A关于性别的评价结果，种族和年龄因变量Q1 Q2 Q3 Q4 Q5质量可用性联系投资风险(1)(2)(3)(4)(5)小组A：性别女性创始人-0.56 0.46-0.94 0.04 3.37（1.20）（0.89）（1.41）（0.21）（3.07）投资者是是是是是是是控制平均44.30 63.84 55.00 6.02 65.19评论1,216 1,184 1,216 1,176 176 r-平方0.31 0.53 0.47 0.34 0.25小组B：RaceAsian创始人0.05-0.61-0.34-0.04 0.70(1.19)(0.89)(1.40)(0.21)(3.09)投资者FE是是是是是是是控制平均44.31 65.51 55.51 6.12 67.14意见1,216 1,184 1,216 1,176 176 r-平方0.31 0.553 0.47 0.34 0.24小组C：年龄-0.12-0.24-0.35-0.01-2.39*(0.46)(0.35)(0.08)(0.02)(0.01)(0.00)(0.01)(0.01)(0.00)(0.00)(0.00)(0.00)(0.00)(0.00)(0.00)(0.00)(0.00)(0.00)(0.00)(0.00)(0.01)（0.31 0.53 0.47 0.34 0.26注。此表描述了评估结果，结合了总的项目评估，包括项目半部分的所有项目和项目后半部分的所有项目。一些投资者如果觉得信息不足以做出判断，就会跳过可用性或投资的评估问题。Q5（风险评估）只添加到随机选择的投资者稳健性检查中。面板A显示了投资者基于创始人性别信息的态度。“女性创始人”是一个dummyvariable，如果初创企业创始人的名字是女性，则等于1，否则等于零。面板B显示了投资者基于创始人种族信息的态度。“Asian Founder”是一个虚拟变量，如果初创公司创始人姓亚洲，则等于1，否则等于零。面板C显示了投资者对创始人年龄的态度。年龄是根据大学毕业年份得出的创始人的大致年龄。年龄是创始人年龄的平方。在第（1）栏中，dependentvariable是质量评估，它表明每个创业项目与投资者以前投资的创业项目相比，其潜在投资回报的百分位数排名。在第（2）栏中，因变量是可用性评估，它表明投资者认为创业团队接受他/她的投资而不是其他投资者的可能性有多大。在第（3）列中，因变量是联系兴趣，它描述了投资者想要联系这家初创企业的概率。在第（4）栏中，因变量是从1到20的相对投资利息，它描述了与投资者一般投资金额相比的相对投资金额。单位是相对于投资者平均投资额的十分之一。例如，如果投资者平均投资的交易是1m，而Q4等于5，那么这意味着投资者只想在这个初创公司投资100万美元×5×10%=50万美元。如果Q4是20，那么投资金额是100万美元×20×10%=200万美元。在第（5）栏中，因变量是风险评估，它描述了每个创业项目与投资者以前投资的创业项目的风险水平相比的百分位数。所有的回归都加上了投资者的信息。括号中的标准误差是稳健标准误差。结果在投资者水平上聚类标准误差时具有稳健性。

***P<0.01，**P<0.05,*P<0.1表5：实验一个基于创始人性别的内隐偏见，种族和年龄变量响应时间Q1 Q2 Q3 Q4 Q5（单位：第二）质量可用性联系投资风险(1)(2)(3)(4)(5)(6)小组A：性别研究的下半年-27.20***2.42 2.27*0.85 0.95****-2.83(2.29)(1.63)(1.25)(1.97)(0.29)(4.11)女性创始人-1.34 1.56 1.27 0.89 0.56*2.14(2.31)(1.69)(1.33)(0.30)(4.50)女性创始人×-4.26*-1.67-3.67-1.03**2.75研究的下半年(2.42)(1.79)(2.84)(0.43)(6.21)p-女性创始人在0.11 0.74 0.16 0.12 0.25研究的下半年投资者FE是是是是是是是是是是平方0.34 0.31 0.53 0.47 0.35 0.25面板B：研究的一半-27.20***2.37 1.88-0.28 0.76***-4.59(2.28)(1.68)(1.22)(1.98)(0.29)(4.11)亚洲创始人0.54 2.26-0.14 0.41 0.31-3.17(2.35)(1.70)(2.04)(0.30)(4.47)亚洲创始人×-4.41*-0.93-1.51-0.69 7.59研究的下半场(2.44)(1.82)(2.88)(0.43)(6.25)P-亚洲创始人的价值0.21 0.37 0.58 0.21 0.30研究的下半场投资者FE是是是是是是是是0.34 0.31 0.53 0.47 0.35 0.25连续因变量响应时间Q1 Q2 Q3 Q4 Q5（单位：第二）质量可用性联系投资风险(1)(2)(3)(4)(5)(6)小组C：研究的一半年龄-27.20***-7.64-20.43-8.34 0.21 81.52*(2.28)(18.86)(14.30)(22.28)(3.26)(48.78)年龄-0.18-0.37-0.83-0.51-0.03-0.23(0.85)(0.70)(0.82)(0.12)(1.64)年龄0.00 0.00 0.01 0.01 0.00 0.00(0.01)(0.01)(0.00)(0.02)年龄×0.48 1.10 0.30 0.03-4.23*研究的下半场(0.94)(0.71)(1.09)(0.16)(2.44)年龄×-0.01-0.01-0.00-0.05*研究的下半场(0.01)（0.01）（0.01）（0.00）（0.03）投资者FE是的是的是的是的是的是的是的观察1,216 1,216 1,184 1,216 1,176 176 r-平方0.34 0.31 0.53 0.47 0.35 0.27注。此表报告了投资者对创业创始人性别和种族的反应时间和评估结果的回归结果。A小组测试基于创始人性别的内隐偏见。小组B测试基于创始人种族的隐含偏差。C小组测试了基于创始人年龄的隐性偏见。“女性创始人”是一个虚拟变量，如果初创企业创始人的名字是女性，则等于1，否则等于零。“Asian founder”是一个dummyvariable，如果初创企业创始人姓亚洲，则等于1，否则等于零。“学习的后半段”是一个指示变量，显示在一个主题看过的最后八份简历中的创业前景。“年龄”是根据大学毕业年份估算的创始人年龄。“年龄”是创始人年龄的平方。所有规定中都包含了固定的e----主题。在第（1）栏中，因变量是投资者的响应时间，它被定义为每页提交前的秒数，在第95个百分位数处取值（平均59.23秒）。第（2）-（6）栏分别显示了质量评价、可用性评价、联系兴趣、投资兴趣和风险评价。对于每一个OLS回归表示r-平方。括号中的标准误差是稳健标准误差。当对投资者水平的标准误差进行聚类时，结果仍然稳健。

***P<0.01,**P<0.05,*P<0.1表6：实验一个基于投资者行业因变量反应时间Q1，Q2，Q3，Q4，Q5的基于创始人性别的内隐偏差（单位：第二）质量可用性联系投资风险(1)(2)(3)(4)(5)(6)小组A：科技行业投资者下半年研究-24.87***2.96 4.63***-0.56 1.18***-9.18*(2.81)(2.11)(2.70)(2.63)(0.38)(4.72)女性创始人1.28 2.73 1.71-0.16 0.53 9.12**(2.82)(2.16)(2.62)(0.38)(4.51)女性创始人×-6.59**-3.28-3.87-1.21**1.21下半年研究(3.16)(2.47)(3.83)(0.56)(6.71)P-女性创始人价值0.09 0.35 0.14 0.10 0.04投资者FE是是是是是是是是观察784 784 752 784 774 112 r平方0.31 0.31 0.41 0.41 0.33 0.40 B面板：常春藤规模的学院（在研究的后半段）常春藤联盟学院8.78****-0.48 8.65***1.20***-10.69**(1.67)(1.12)(1.96)(0.31)(4.17)女创始人/常春藤联盟学院-0.443.22-0.37-0.60-0.88小组C：非科技行业投资者下半年研究-31.58***1.49-1.88 3.56 0.51 7.97(3.92)(2.53)(1.74)(2.79)(0.45)(7.39)女性创始人-6.30-0.41 0.38 3.03 0.59-6.81(3.97)(2.71)(1.94)(3.10)(0.49)(8.65)女性创始人×-0.24 1.21-3.48-0.69 2.88下半年研究(3.69)(2.41)(4.02)(0.65)(11.23)P-女性创始人价值0.80 0.25 0.86 0.82 0.60下半年研究投资者FE是是是是是是是是54 0.38 0.18注。此表报告了不同行业的投资者对创业创始人性别的反应时间和评价结果的回归结果。A小组测试在科技部门（即信息技术、网络安全、软件等）工作的投资者的隐性偏见。小组B使用研究后半部分的结果，计算了技术部门的隐性偏见与去常春藤盟校的相对程度。PanelC测试了在非技术部门（如媒体、娱乐、教育等）工作的投资者的隐性偏见。“FemaleFounder”是一个虚拟变量，如果初创企业创始人的名字是女性，则等于1，否则等于零。“后半部分研究”是一个指示变量，用于在Asubject查看的最近八份简历中显示的初创企业员工。“常春藤联盟学院”是一个虚拟变量，如果创业创始人毕业于弗罗曼常春藤联盟学院，则等于1，否则等于零。在第（1）栏中，因变量是投资者的响应时间，即每页提交前的秒数，取95百分位（平均59.23秒）。第（2）-（6）栏分别显示了质量评价、可用性评价、接触兴趣、投资兴趣和风险评价。对于每一个OLS回归表示r-平方。圆括号中的标准错误。当对投资者水平的标准误差进行聚类时，结果仍然稳健。

***P<0.01,**P<0.05,*P<0.1表7：实验一个基于创始人种族的内隐偏差，由投资者的接触因变量响应时间Q1，Q2，Q3，Q4，Q5（单位：第二）质量可用性联系投资风险(1)(2)(3)(4)(5)(6)小组A：联系兴趣高(Q3>=50)研究后半段-28.05***4.85**-0.43 1.830.90***-3.63(3.00)(1.88)(1.16)(1.41)(0.33)(4.60)亚洲创始人-0.58 3.51*-1.36 0.92 0.58*-1.08(3.15)(1.95)(1.33)(0.35)(5.55)亚洲创始人×-7.94***0.02-3.66*-1.44***6.56研究后半段(2.76)(1.79)(2.20)(0.51)(7.23)P-亚洲创始人在0.02 0.25 0.06 0.01 0.25中的价值意见724 724 692 724 698 127 R-平方0.37 0.41 0.68 0.44 0.45 0.20小组B：常春藤规模的coe-cient（在研究的后半段）常春藤联盟学院8.78****-0.48 8.65***1.20***-10.69**(1.67)(1.12)(1.96)(0.31)(4.17)亚洲创始人/常春藤联盟学院-0.491.27-0.38-0.80-0.36面板C：联系兴趣低(Q3<50)研究后半段-26.46****1.90 3.62 2.33*1.07****-1.73(3.91)(1.86)(2.20)(1.39)(0.27)(4.00)亚洲创始人2.11 1.91 1.57 2.73*0.47-4.57(3.90)(1.82)(2.32)(1.30)(4.15)亚洲创始人×-1.26-3.13-2.48-0.228.46研究后半段(2.68)(3.08)(2.09)(0.42)(6.19)P-亚洲创始人在0.72 0.44 0.85 0.39 0.33研究后半段投资者FE是是是是是是是是平方0.33 0.48 0.60 0.50 0.62 0.87注。此表报告了在“高接触兴趣”和“低接触兴趣”两种情况下，投资者的反应时间和评估结果如何对创业创始人的竞争做出反应的回归结果。A小组在“高接触兴趣”情况下测试隐含的种族偏见，在这种情况下，投资者的接触兴趣高于或等于50%的概率。小组B使用研究后半部分的结果，计算了在“高接触兴趣”情况下与去常春藤盟校的情况相比，隐性种族偏见的相对程度。C小组检验了在“低接触兴趣”情况下，投资者的接触兴趣低于50%的概率中隐含的种族偏见。如果我选择其他阈值，如40%或45%，结果是相似的。“Asian founder”是adummy变量，如果初创企业创始人姓亚洲，则等于1，否则等于零。“Ivy LeagueCollege”是一个虚拟变量，如果创业创始人毕业于常春藤联盟大学，则等于1，否则等于零。“学习的后半段”是一个指示变量，显示在一个主题的最近八份简历中的创业经历。在第（1）栏中，因变量是投资者的响应时间，它被定义为每页提交前的秒数，在第95个百分位数（平均59.23秒）处进行筛选。第（2）-（6）栏分别显示了质量评价、可用性评价、联系兴趣、投资兴趣和风险评价。当对投资者水平的标准误差进行聚类时，结果仍然稳健。

***P<0.01，**P<0.05,*P<0.1表8：实验一个创始人的性别，基于种族和年龄联系的异构e-ect(1)(2)(3)(4)因变量质量协作联系投资小组A：性别β<0（非接触女性）女性创始人-16.40***-2.85-21.81***-2.61***(2.62)(1.79)(2.74)(0.47)反女性比例0.42 0.43 0.42 0.41β>0（接触女性）女性创始人7.93***1.54 13.69***1.08**(2.01)(1.32)(1.79)(0.34)亲女性比例0.58 0.57 0.58 0.59小组B：种族β<0（非接触亚洲人）亚洲创始人-12.12***-1.43-17.60***-2.01***(2.42)(1.83)(2.48)(0.46)反亚洲人比率0.45 0.46 0.45 0.46β>0（接触亚洲人）亚洲创始人6.34***-0.78 12.41***0.95***(2.10)(1.71)(2.30)(0.35)亲亚洲人比率0.55 0.54 0.55 0.54 C小组：年龄β<0（不联系老创始人）老创始人-13.17***-1.98-17.23***-2.03***(2.54)(1.80)(2.60)(0.45)反老比例0.38 0.40 0.38 0.38β>0（联系老创始人）老创始人7.83***2.06 14.47****1.34***(1.96)(1.32)(2.01)(0.38)亲老比例0.62 0.60 0.62 0.62投资者FE是是是是观察608 592 608 591注。此表通过使用评估问题的后半部分，报告了创业创始人性别、种族和年龄的基于联系决策的异构e-ect。小组A、B和C分别报告了想联系女性、亚洲人和年长创始人的投资者和想联系男性、白人和年轻创始人的投资者的异质性。“女性创始人”是一个指示性变量，如果初创企业创始人是女性，则等于1，否则等于零。“反女性”的比率是β<0的亲鱼数量除以使用的亲鱼数量。“亲女性”的比率是β>0的亲鱼数量除以使用的亲鱼总数。“AsianFounder”是一个指示性变量，如果初创企业创始人是亚洲人，则等于1，否则等于零。Anti-Asian的比率是β<0的profires的数量除以使用的profires的总数。亲亚洲的比率是β>0的亲鱼类数量除以使用的亲鱼类数量。“年长的创始人”是一个指示性变量，如果初创企业创始人2005年或以前毕业于大学，则等于1，否则等于零。“抗老”的比率是β<0的Profiles的数量除以使用的Profiles的总数。“Proolder”的比率是β>0的Profiles的数量除以使用的Profiles的数量。所有的回归结果都是用“留一”估计器估计的，然后再加上投资者所填的ECT。括号中的标准错误是为两阶段计算引导的。***P<0.01,**P<0.05,*P<0.1表9：来自捐赠部门因变量的基于口味的偏见实验：捐赠金额（单位:$)捐赠决定全样本(1)(2)(3)(4)(5)(6)女性创始人0.49-3.05*0.64-2.81**(2.27)(1.70)(2.29)(1.65)亚洲创始人4.20**1.044.27**0.37(1.71)(1.87)(1.64)(1.75)女性创始人×亚洲创始人-4.81-4.70(3.20)(3.14)女性创始人×女性投资者7.0510.31***(4.50)(3.57)亚洲创始人×亚洲投资者1.053.74(3.47)(3.48)女性投资者-4.23**-7.41***-1.33-5.38(2.12)(2.66)(2.16)(3.33)亚洲投资者**-4.71*-3.75**-5.33**(1.69)(2.42)(1.65)(2.48)常数11.10***12.41***10.71***11.47***12.88***12.00****(1.34)(1.09)(1.32)(1.37)(1.02)(1.24)观测69 69 70 61 61 62R平方0.18 0.12 0.09 0.14 0.10 0.10注。这张表报告了捐赠部分（即实验A中的独裁者游戏）的回归结果，该部分测试了当匿名捐赠时，是否存在基于初创公司创始人性别和种族的品味驱动的偏见。因变量是以美元计量的捐赠金额，从0美元到15美元不等。在第（1）-（3）栏中，我包括没有选择捐赠金额的投资者，并将他们的行为视为“捐赠0美元”。在第（4）-（6）栏中，我排除了没有选择捐赠金额的投资者。

“女性创始人”是一个指示性变量，如果显示的初创企业创始人是女性，则等于1，否则等于零。“AsianFounder”是一个指示性变量，如果显示的创业公司创始人是亚洲人，则等于1，否则等于零。“女性创始人×亚洲创始人”是“女性创始人”和“亚洲创始人”的交互项。同样，“女性投资者”和“亚洲投资者”是指示性变量，如果投资者是女性或亚洲人，则等于1。所有回归都使用稳健的标准错误，在括号中报告。***P<0.01，**P<0.05，*P<0.1表10：实验B投资者对随机电子邮件的反应A：反应汇总统计n平均中位数S.D。最小最大开放率3720 12.03%0 0.333 1停留时间（单位：s）3,381 24.10 10.33 26.73 0.01 86.63点击率519 1.68%0 0.13 0 1电子邮件回复472 1.53%面板B：电子邮件打开行为因变量：1（开放）（1）（2）（3）（4）（5）完全完全完全“纯常春藤”完全完全完全女性创始人=1 0.010***0.010***(0.004)(0.004)亚洲创始人=1 0.007*0.006(0.004)(0.004)IVY=1 0.007*0.012**0.007*(0.004)(0.005)(0.004)项目优势=1 0.001(0.004)亚洲创始人=1×三月中国病毒=1-0.009(0.010)三月中国病毒=1-0.040**(0.020)美国投资者*(0.006)(0.006)(0.006)(0.008)(0.006)女性投资者=1-0.019***-0.020***-0.019***-0.017***-0.019***(0.005)(0.005)(0.006)(0.005)常数0.006 0.005继续面板C：停留时间因变量：停留时间（单位：s）(1)(2)(3)全样本全样本打开电子邮件（性别）（种族）（种族）女性创始人=1 0.12 0.25*0.31(0.19)(0.13)(0.88)亚洲创始人=1 0.28 0.38**2.49*(0.13)(0.19)(1.34)IVY=1 0.11 0.11-0.12(0.13)(0.13)(0.88)项目优势=1 0.12 0.12 0.92(0.13)(0.88)美国投资者=1-0.24-0.24 1.30(0.20)(0.20)(1.20)3月=1 1.23 1.68*6.11(0.93)(0.93)(0.34)93）（4.98）女性创始人=1×0.24march=1(0.26)亚洲创始人=1×-0.66**-5.48***march=1(0.26)(1.74)控制是是是，是，是，观察30,909 30,909 3,720经调整的r平方0.002 0.003 0.002注。本表总结了投资者在通信测试中的电子邮件反应，并报告了实验B中全球投资者对随机推销电子邮件的电子邮件打开行为的回归结果。A组总结了重要投资者在推销电子邮件设置中的信息获取行为。小组B报告了创业特征A如何限制ECT投资者打开电子邮件行为的回归结果。面板C报告了创业公司特征A的回归结果，以及投资者在每封邮件中的停留时间。在面板B中，因变量是一个虚拟变量，当投资者打开推销电子邮件时为一个，否则为零。“女性创始人=1”是一个指示变量，如果发件人的姓名是女性，则等于1，否则等于零。类似地，“亚洲创始人=1”是一个指示变量，如果发邮件者的姓是东亚人，则等于1，否则等于零。“常春藤=1”是常春藤联盟教育背景的一个指标变量。“Project Advantage=1”是一个指示变量，当电子邮件的主题线包括相应的比较优势时，它就是一个指示变量。“三月中国病毒=1”是一个指标变量，当电子邮件在2020年03/18/-2020年03/24/之间发送时，特朗普总统使用了“中国病毒”的措辞。“美国投资者=1”和“女性投资者=1”是作为美国投资者和女性投资者的指标变量。列(1)、(2)、(3)和（5）使用了在对应测试中收集的所有观察结果。在第（4）栏中，报告了创业团队毕业于纯常春藤盟校、斯坦福大学和麻省理工学院的子抽样结果。

“纯常春藤”表示“来自哥伦比亚大学的团队”，而“混合常春藤”表示“来自哥伦比亚大学和茱莉亚音乐学院的团队”。对于音乐或医疗行业的一些初创公司，我将常春藤联盟大学和该领域的一所好大学结合起来进行治疗组。在面板C中，因变量是每封投球邮件花费的时间，以秒为单位。在第（1）和第（2）栏中，我包括未打开的电子邮件，并将其电子邮件停留时间替换为0秒。考虑到潜在的截断问题，我还在第（3）栏中报告了打开的电子邮件的子样本。Ris为所有OLS回归的调整R，括号内的标准误差按投资者级别归类。***P<0.01,**P<0.05,*P<0.1表11：实验B基于电子邮件打开率因变量的交互e-可持续ECTS；1（开张）(1)(2)(3)(4)(5)满“混合常春藤”“纯常春藤”满03/24后，“纯常春藤”女性创始人=1 0.006 0.002 0.009(0.005)(0.008)(0.007)亚洲创始人=1 0.009*0.026***(0.005)(0.008)(0.008)(0.007)(0.008)(0.008)(0.008)IVY=1×女性创始人=1 0.008 0.020*-0.002(0.007)(0.011)(0.010)IVY=1×亚洲创始人=1-0.007-0.032****(0.007)(0.011)(0.011)美国投资者16***-0.019**(0.006)(0.008)(0.008)(0.006)(0.009)女投资者=1-0.019***-0.023***-0.017***-0.019***-0.011(0.005)(0.006)(0.005)常数0.191***0.191***0.117***0.190***0.103***(0.019)(0.020)(0.019)(0.013)(0.013)(0.013)投掷FE是是是是是是观察30,909 14,331 16,578 30,909 13,006 r-平方0.005 0.004 0.006 0.005 0.007注.本表以投资者的电子邮件打开率为结果变量，对创业者的教育背景与创业者的性别、种族之间的交互作用进行回归分析。因变量是一个虚拟变量，如果投资者打开推销电子邮件，它是一个虚拟变量，否则为零。“女性创始人=1”是一个指示变量，如果发邮件者的名字是女性，则等于1，否则等于零。类似地，“亚洲创始人=1”是一个指标变量，如果发邮件者的姓是东亚人的名字，则等于1，否则等于零。“常春藤=1”是在电子邮件的主题行中添加常春藤联盟教育背景的指示变量。“美国投资者=1”和“女性投资者=1”是美国投资者和女性投资者的指标变量。为了找出潜在的主导机制，我在第（1）-（3）栏中加入了“常春藤=1”和“女性创始人=1”的相互作用项，在第（4）-（5）栏中加入了“常春藤=1”和“亚洲创始人=1”的相互作用项。列（1）报告了使用对应检验中的所有观察结果的回归结果。在第（2）栏中，报告了“混合常春藤”子样本的结果，这表明了“哥伦比亚大学和茱莉亚音乐学院的团队”等案例。对于音乐或医疗行业的一些初创企业，我将常春藤大学和该领域的好大学结合起来进行治疗组。在第（3）栏中，报告了“纯常春藤”子样本的结果，这表明了像“哥伦比亚大学团队”这样的案例。在“纯常春藤”案例中，创始人毕业的大学是常春藤联盟学院、斯坦福大学和麻省理工学院。在第（5）栏中，报告了在03/24后发送沥青电子邮件和电子邮件属于“纯常春藤”情况下的子样本的结果，以增加实验的功率。注意，特朗普总统在03/23/2020年后停止使用“中国病毒”。Ris调整后的RforOLS回归。标准错误在括号中，并在投资者级别上群集。

***P<0.01,**P<0.05,*P<0.1表示统计意义为1%，5%,和10%的水平，表12：实验B投资者反应（性别）因变量的异质性e-crett ECT；1（开放）因变量：邮件停留时间单位:S(1)(2)(3)(4)(5)(6)全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女全女752*(0.006)(1.561)常数0.192***0.153***0.204***24.124***16.048***26.432***(0.019)(0.030)(0.023)(3.175)(4.579)(3.848)启动FE是是是是是是是观察30,909 7,277 23,632 3,720 767 2,953 r-平方0.005 0.002 0.005 0.000 0.001 0.000注。该表报告了在对应检验中，全球投资者对基于投资者性别的随机投资策略的电子邮件打开行为的异质性，有助于检验这种机制的同源性。在第（1）-（3）列中，因变量是一个虚拟变量，当投资者打开推销电子邮件时，它是一个，否则为零。在第（4）-（6）列中，因变量是在每个推销电子邮件上花费的时间。为了减少截断问题，我只在第（4）-（6）栏中包括打开的电子邮件。“女性创始人=1”是一个指示变量，如果发邮件者的姓名是女性，则等于1，否则等于零。类似地，“亚洲创始人=1”是一个指示变量，如果发邮件者的姓是东亚人的名字，则等于1，否则为零。“美国投资者=1”和“女性投资者=1”是美国投资者和女性投资者的指标变量。Ris调整后的Rfor OLS回归。标准误差在括号内，并在投资者级别上聚类。***P<0.01,**P<0.05,*P<0.1表示统计意义为1%，5%,和10%的水平，图1：实验A实验设计图2：实验一激励结构设计3：实验B一个投掷电子邮件的例子图4：实验B启动WebSiteFigure5的示例：实验B对应测试实验设计说明：这篇文章描述了实验时间线、实验设计和跟踪的财务人员的电子邮件行为。图6：创始人性别、种族和年龄在联系人兴趣分布中的Ect（第二篇文章）说明：这篇文章使用实验A第二篇文章中评估的结果展示了初创公司创始人性别、种族和年龄在联系人兴趣分布中的Ect（第二篇文章）。面板A提供了创始人性别对投资者联系人兴趣评级的经验值（即P r（联系人兴趣≤x女性创始人）和P r（联系人兴趣≤x男性创始人））。小组B提供了OLS COE_Cient估计值（即，P r（联系人兴趣≤x女性创始人）-P r（联系人兴趣≤x男性创始人））和相应的95%Con水平。同样，面板C和E提供了创始人种族和年龄的经验CDF。面板D和F为创始人的种族和年龄提供了OLS COE CientEstimates。在线附录数据构建过程1数据来源为了构建个人级别的全球风险投资家数据库，包含人口统计信息和联系信息，我使用以下商业数据集和人工收集的数据。A.1.1 Pitchbook&CBINSightPitchbook数据库包含了关于风险投资和天使投资者的人口统计信息和全球联系方式的极其全面的信息，尽管特别是在美国。我购买了2017-2020年的个人数据，并从Pitchbook中选择了以下类型的投资者：天使集团、天使个人投资者、企业风险投资、家庭和风险投资。

CBInsight用于补充Pitchbook数据。a.1.2 ExactDataI还从专业数据公司“ExactData”购买了一个美国风险投资从业者数据库。Inc“，它从在线网站和各种风险投资行业活动或集会中收集信息。我的研究团队在2018年夏天和2019年春天对数据库进行了挖掘和清理，删除了那些已经离开行业的人，并更正了其他无效信息。此外，我们手动浏览了数据库中包含的每个firegrm，并通过以下渠道添加了原始数据库中没有包含的新风险投资从业者的联系信息：个人网站、firegrm网站、LinkedIn、Zoominfo和Rocketreach。A.1.3 SDC new Issue Database&Rocketreach Rocketreach是为公司员工提供联系信息的最大平台和数据源之一。鉴于公司名称列表，提取员工的联系信息是可行的。因此，我实施了以下步骤来进一步添加投资者的联系信息：第一步：添加新公司我通过查看2018年全国风险投资协会(NVCA)成员名单和汤普森路透SDC白金VentureXpert数据库，在我们以前的数据库中添加了许多新的风险投资基金。第二步：收集投资者信息基于基金名单，我使用Rocketreach的API搜索了在相应基金和公司工作的所有员工。我只保留了与投资相关的职位，如风险投资投资者、分析、助理、副总裁、总经理等。Rocketreach为我提供了联系信息（如电子邮件和电话号码）和人口统计信息（如Facebook、Twitter、LinkedIn和职位等）。对于Pitchbook和ExactData中没有包含的投资者，个人级别的投资者人口数据是从个人网站、Facebook、Figurrm网站、LinkedIn、Zoominfo和其他社交平台手动提取的。a.1.4 ZdatabaseZdatabase由清科研究中心提供，是目前覆盖中国风险投资和PE行业的最全面、准确和及时的数据库之一。它包含了关于活跃中国的丰富信息。这些商业数据库不是免费的，需要研究人员签署数据合同用于学术目的。分析中使用的所有关键变量，包括性别、位置和行业，都是通过多个社交平台手工验证的，包括LinkedIn、公司网站、个人网站和在线新闻，如果这些信息在PitchBook上没有的话。使用Rocketreach收集员工的联系信息是一种非常电子商务的数据收集方法。给定一个公司名称列表，研究人员可以使用Rocketreach将公司级别的数据扩展到个人级别的数据。这种数据收集方法可能可以在劳动经济学和企业章程的广泛研究中实施。zdatabase描述:http://www.p5w.net/fund/smjj/201209/p020120905327816063973.pdfinestment机构及其管理团队从1992年开始。所有数据都是通过定期调查和每日电话收集的，并通过许多其他可用的渠道进行核实。该数据库每天更新，以提供准确、及时和权威的数据来源。考虑到是项研究是以英文进行的，我只包括来自香港的投资者，而不包括来自内地的投资者。a.2关键变量a.2.1 GenderPitchbook和ExactData包含每个投资者的性别信息。对于这些数据集中没有包含的其他投资者，我的研究团队通过搜索在线社交平台和公司网站来手动验证他们的性别。对于性别信息不明确的投资者，我将他们排除在招聘名单之外。A.2.2 LocationPitchbook和ExactData包含每个投资者的位置信息。

对于这些数据集中没有包含的其他投资者，我的研究团队手工收集了他们在LinkedIn或公司网站上的位置信息。A.2.3 IndustryPitchbook包含每个投资者及其基金的详细行业偏好。对于其他不在Pitchbook中的投资者，我的研究团队手工从LinkedIn和其他社交平台收集了他们的个人偏好。如果没有个人级别的行业偏好，我将使用基金的行业偏好。如果在网上或CBInsight或Pitchbook中没有找到偏好信息，我假设投资者没有任何特定的投资偏好。这样的假设可能会造成额外的噪音，并降低EcoRespondence测试中的电子邮件回复率。A.2.4ESGPitchbook包含了每个基金的投资理念和它们的类型。在基于Afund的ESG标准的异质分析中，我将那些不支持风险投资的基金视为影响基金，而支持风险投资的基金视为普通基金。这种分类方法可能低估了与ESG相关的风险投资基金的比例。另一种方法是在风险投资基金的公司描述中选择具有ESG代表性的关键词Barber et al来对其进行分类。（2020年）做到了。然而，关键词的选择具有很强的主观性和对语境的依赖性。基于这种更积极的态度，与ESG相关的基金可以占总观察数的大约7%。然而，基于这两种分类方法的基本异构性ECT分析是相似的。图A1:全球投资者的地理分布图A2:美国投资者的地理分布B实验室实验B.1创业项目建设过程B.1.1创业团队特征（人力资本资产）其他相关特征。-除了性别、种族、年龄和教育背景之外，我还随机列出了以下创业团队的特征，这些特征通常可以在LinkedIn、AngelListor Crunchbase等公共平台上找到。这些特征包括初创企业创始人的数量（1或2）和创始人以前的创业经验。为了更好地容纳来自新兴行业的投资者，我使用“SerialEnterpreneure”一词来表示创始团队以前的经历。B.1.2创业项目特征（非人力资本资产）比较优势。-为了表明创业项目的质量，我随机生成创业项目的公共比较优势子集，并使用这些优势的数量来表示质量。但是，考虑到直接投资的比较优势是由直接投资行业的投资者所重视的，本文还询问了投资者在工具末尾使用的10个比较优势中，他们会关注哪一个比较优势，并用这些比较优势的数量来验证结果。表B3提供了这些优势。-牵引力也是初创企业财务状况的一个重要指标，它是通过以前的月收入和年收入增长率来衡量的。考虑到我们的目标是早期投资者，一半的创业项目还没有产生正收益，另一半已经产生了正收益。以往的月收入和年收入增长率来自于倾向于较成熟公司的Pitchbook，使命(ESG)--使命(ESG)--如何满足ECT投资者的决策是一个重要的制度问题，近年来越来越受到实践者和研究者的关注。为了使公司的ESG标准随机化，我引入了一个名为“使命”的随机变量，它表明这类初创企业是纯粹的专业驱动（即对照组，最常见的观察到的初创企业），还是在5年内有IPO计划的专业驱动（即治疗1组），或者也关心其环境和社会影响（即。

处理1组，社会风险投资）。与ESG相关的任务描述是从真实的社会风险投资中提取的。其他相关特征--除了上面提到的项目特征之外，我还添加了以下通常在CrunchBase上可用的特征来丰富创业项目：创业成立日期、公司类别(B2B或B2C)、员工数量、目标市场和地点。由于本实验招募的投资者是以美国为基地的投资者，我只在地点方面创建了两个类别，包括美国和美国以外，以测试任何潜在的国内偏见渠道。B.1.3以前的筹资情况现有投资者的数量-一些投资者可能依赖以前投资者的行为来做出决定，而不是依赖他们自己的私人信息，尤其是当以前的投资者成功时。Suchherding行为被证明是在IPO背景下，随后的投资者忽视他们的私人信息，并与早期的投资者分开(Bikhchandani，Hirshleifer和Welch(1992))，这是由信息级联（Bikhchandani et al.(1992))解释的。为了在一级市场上测试这种行为，我还随机选取了以下信息：例如，科技行业的投资者可能更关心注册的知识产权，以制造进入壁垒，而时尚行业的投资者可能更关心名人代言，而不是任何与科技相关的优势。一些早期初创企业的增长率可以是100%至200%，而Pitchbook记录的大多数初创企业的增长率在20%至80%之间。企业对企业或企业对客户。这些类别可能会满足ECT投资者的期望，因为它们与初创企业的潜在商业模式密切相关。参见Tomasz Tungus推特上的讨论，他是Redpoint的投资者。现有投资者表明其他投资者的决定类似于伯恩斯坦等人。（2017年）。现有投资者的信息也可以在CrunchBase、Pitchbook或CB Insights等多个平台上获得。然而，suchrandomization的一个局限性是，我没有提供现有投资者的投资背景声誉的进一步背景信息。

未来的研究人员可以提供更多的背景信息，以便更好地检验这一理论假设。表B1:实验全名亚洲女性白人女性亚洲男性白人MaleCynthia Huynh Amber Morris Evan Liu Patrick KellyJennifer Tang Erica Carpenter Alan Wu Stephen BennettAmanda Cheung Anna Ho Alan Liang Stephen MartinChristina Chang Amanada Gray William Chung Jeremy WhiteLinda Chung Ti Any Roberts Nicholas Wang Jason AdamsBrittany Yi Lisa Luu Donald SchultzMegan Ho Karen Carroll Jackary WrightEmily Xu Danielle Luke Yang Anthony RobertsJulie Chan Amber Sullivan Justin Dinh Justin CooperMonica Luong MadelineWalsh Matt Hoang Benjamin HillAmber Hoang Abigail Kelly Jacob Xu Mark MyersSara Truong Alicia Cook Donald Choi Phillip BakerKatrina Tai Amanda Jensen Dennis Lin Vincent PetersonAbigail Zhao Angela Larson Victor Kwon Dennis ReedVanessa Choi Hayley Thompson Jason Pham Frank PhillipsPatricia Li Hayley Thompson Jason Pham Frank PhillipsPatricia Li Christine Duong Shane Zjenna Nguyen Molly Weaver Jeremy Yu Jared WalshMargaret Lian，Melissa Stone Seth Truong Zachary ParkerDanielle Liu Melanie Wilson Ian周John CarpenterMegan Dinh Rachael Ward Matthew Chang Je Kinery CookMelanie Yang Elizabeth Miller Scott Lu Nathan NelsonAmanda Thao Mary Hill Sean Hwang George Bargerssarah Yu Amy Moore Hu George BarkerNichole Liu Vanessa Smith Mark Chan Sean BeckChristine Cho Teresa Anderson Jack Zhu David HallVictoria Halthernia Schultz Timothy Zeng Andrew MillerTeresa Wonheather Martin Benjamin郑美琳达·埃文斯保罗·恩戈菲利普·莫里森利·黄桑德拉·赖特安东尼·易埃文MooreKaren Ngo Christina Russell Shane Huang Paul BurkeElizabeth Duong Kayla Allen Robert Zhang Matt PriceLaura Luu Jacqueline Schmidt Kenneth Tsai Marcus CollinsRebecca Hsu Jennifer Welch Richard Hog Richard ThompsonMelinda Zhang Michelle Nelson Brian Cho Thomas SnyderKatherine Le Sarah Fisher Joel Le Christopher LarsonTara Jiang Brittany Rogers Michael Li此表提供了调查工具中使用的假设初创企业创始人的名单。50个名字被选为高度表明种族和性别的每一种组合。考虑到白人和亚裔创业创始人占了大部分高度创新的创业公司，我们只列出了上面的四种组合：亚裔女性、白人女性、亚裔男性和白人男性。从这些列表中提取的名字显示在启动程序的开始部分和用于评估简历的问题中。名字和姓氏每次出现时都是链接的，firerst和姓氏的组合是随机生成的。考虑到亚裔美国人和白人美国人有非常相似的命名模式，正如Fryer Jr和Levitt(2004)所记录的那样，我从相同的名字池中选择他们的名字。在我生成了一份潜在候选人的全名名单后，我进一步删除了著名初创公司创始人或首席执行官拥有的名单。这就是为什么亚洲创始人的名字和白人创始人的名字之间有轻微的差异。在表的选定列中，名称是统一选择的，没有替换。

我使用这些名字引起的变异作为分析变量女性，亚洲人；女性，白人；男性，亚洲人；男性，白人。我没有明确列出性别信息，正如Crunchbase平台所做的那样（例如，通过再增加一个要点：性别：男），由于实验观察者的注意事项。表B2:实验A教育背景（学校列表）学校类别大学百分比（顶尖学校）布朗大学50%例子哥伦比亚大学康奈尔大学达特茅斯学院哈佛大学普林斯顿大学宾夕法尼亚大学加州理工学院西北大学斯坦福大学芝加哥大学（普通学校）托马斯耶尔森大学（153）50%例子阿肯色大学（153）霍夫斯特拉大学（162）密西西比大学（162）弗吉尼亚联邦大学（162）阿德尔菲大学（166）马里兰巴尔的摩郡大学（166）圣约翰大学（179）底特律大学（179））爱达荷大学（179）比奥拉大学（185）查塔姆大学（185）贝拉明大学（197）伯特利大学（197）洛约拉大学新奥尔良（197）罗伯特莫里斯大学（202）里吉斯大学(202)Widener大学(202)Laurentian大学（加拿大）Auburn大学(104)Rochester理工学院(104)Tulsa大学(121)DePaul大学（125）注释。此表提供了用于生成每个假设StartupFounder的教育背景的学校列表。顶级学校和普通学校的百分比是50%对50%来增加权力。此外，对于高度创新的初创企业，他们的创始人更有可能毕业于名牌大学。顶级学校指常春藤盟校（布朗大学、哥伦比亚大学、康奈尔大学、达特茅斯学院、哈佛大学、普林斯顿大学、宾夕法尼亚大学和耶鲁大学）以及其他美国顶级学校（阿姆赫斯特学院、加州理工学院、杜克大学、麻省理工学院、西北大学、斯坦福大学、加州大学伯克利分校、芝加哥大学和威廉姆斯学院）。由于我们合作的孵化器与哥伦比亚大学和斯坦福大学有更多的联系，我们给予这些大学更多的权重。根据美国新闻2020年的排名结果，普通学校是那些排名低于第150名的学校。我还添加了一个加拿大共同学校，因为其中一个孵化器来自加拿大。表B3:实验a公司比较优势优势类别描述（产品）商业秘密/专利注册名人代言独家合作伙伴积累了许多试点消费者采用最新技术定价优势伟大的产品设计第一个推动者（成本）成本更低的Scaletotal100%注意到。我用相应的比较优势的数量来衡量创业项目的质量。对于每一个创业项目，比较优势的子集是从上面列出的10个优势中随机抽取的。表B4:实验A设计，直接评估问题的激励设计匹配激励货币激励匹配和货币激励（版本2）（版本1）Q1（质量评估）是是是是Q2（合作可能性）是不是Q3（联系兴趣）是不是Q4（投资兴趣）是不是Q5（风险评估）是N/A是注。这张表描述了激励的类型和对每个评估问题的影响。第1列显示了MatchingEstruction（使用匹配算法对匹配的初创企业进行匹配），它适用于所有的评估问题。

第2栏显示，提供抽奖机会的货币激励只激励Q1（对初创企业质量评估的评估），因为抽奖中奖者的回报只取决于对初创企业回报的信念。第3栏显示，将匹配和货币激励结合在一起也可以激励所有的问题。我发了第一版的招聘邮件，说明书海报、以及对获得这两种激励的投资者的同意书。表B5:实验A评估结果（团队与项目）因变量Q1 Q2 Q3 Q3 Q4 Q4 Q5质量合作联系人联系人投资投资风险(1)(2)(3)(5)(6)(7)系列创始人5.23****-0.81 5.64****1.26 0.76***0.13-0.65(1.08)(0.88)(0.19)(0.15)(3.05)常春藤5.36****-1.067.44***-3.01***0.87**0.20-6.44***(1.10)(0.31)(0.93)(0.20)(0.15)(3.26)创始人人数1.56-1.21 1.17-0.11 21 0.04-5.32*(1.07)(0.88)(1.29)(0.91)(0.20)(0.15)(3.06)美国方正0.95 0.02 4.23***3.69***0.08 0.03-0.91(1.18)(0.91)(1.39)(1.00)(0.21)(0.16)(3.48)#比较Adv 3.10***-0.22 2.76***0.340.55***0.15**0.91(0.54)(0.43)(0.64)(0.43)(0.10)(0.07)(1.48)有积极牵引力12.70***1.75**13.35***1.91*1.81***0.28*9.51***(1.07)(0.86)(0.28)(0.20)(0.16)(3.15)员工人数[010]0.672.37**-1.73-2.57**-0.19-0.29-1.18(1.43)(1.16)(1.69)(0.26)(0.20)(3.94)员工人数64)(1.35)(1.99)(1.39)(0.30)(0.23)员工人数[2050]-0.47-0.02-1.21-0.72-0.16-0.12-1.28(1.45)(1.17)(1.71)(1.17)(0.27)(0.19)(3.59)公司年龄-4.59*-5.99***-7.39**-2.19-1.26**-0.54-3.41(2.72)(2.19)(2.26)(0.49)(0.37)(7.74)公司年龄0.75 1.12**1.27**0.42 0.23**0.100.77(0.54)(0.44)(0.64)(0.45)(0.10)(0.07)(1.52)是B2B 3.90***3.73***6.10***1.470.81***0.32**-4.91(1.07)(0.86)(1.28)(0.89)(0.20)(0.15)(3.01)国内市场-0.10-0.600.090.570.080.13-3.32(1.08)(0.86)(0.28)(0.20)(0.14)(3.19)Q1 0.88***0.12***(0.03)(0.01)Q2 0.18***0.01(0.03)(0.01)Q2 0.18***0.01(0.01)常数20***-4.19 5.62***-0.33 67.01***（6.56）（6.02）（4.93）（7.50）（1.43）（0.63）（11.66）投资者FE是是是是是是是观察1,216 1,184 1,216 1,184 1,176 1,154 176 r-平方0.44 0.55 0.56 0.80 0.44 0.70 0.34注。这张表表明投资者了解激励机制，并关心多个重要的创业团队和项目特征。在第（1）-（7）栏中，因变量是Q1（质量评价）、Q2（合作兴趣）、Q3（联系兴趣）、Q3（联系兴趣）、Q4（联系兴趣）、Q4（投资兴趣）、Q5（风险评价）的评价结果。“连续创始人”、“常春藤”、“美国创始人”、“具有积极吸引力”、“是B2B”和“国内市场”是一个指示性变量，如果创始人是连续企业家，毕业于常春藤大学，或居住在美国，项目具有积极吸引力，是企业对企业的初创企业，或专注于国内市场。如果启动没有这样的特征，这些变量等于0。“Number offounders”要么是1要么是2；“比较优势数量”和“公司年龄”可以是{1,2,3,4}；“Companyage”是公司时代的方块。“Q1”为创业质量评价结果。“Q2”是对合作可能性的评估结果。所有的回归结果都添加了投资者所需的E&ect，并使用括号中报告的稳健标准。我使用Bonferroni方法来实现多重假设检验。

***P<0.01,**P<0.05,*P<0.1表B6:实验A激励结构比较(1)(2)(3)(4)Q1Q2Q3Q4面板A：性别女性创始人-0.60 0.57-0.34 0.02(1.29)(0.99)(1.53)(0.23)女性创始人×0.30-0.77-4.18 0.13匹配(3.39)(2.19)(4.02)(0.59)匹配-13.80 48.13****15.28***-0.87(9.58)(3.93)(2.61)(1.76)投资者FEs Yes Yes Yes Yes Yes Yes Yes Yes观察1,216 1,184 1,216 1,176 r-平方0.31 0.530.47 0.34小组B：RaceAsian创始人-0.28-0.61-0.75-0.18(1.29)(0.99)(1.51)(0.23)亚洲创始人×2.26 0.03 2.81 0.93匹配(3.40)(2.26)(4.11)(0.58)匹配-14.7847.73***11.78***-1.26(9.84)(3.97)(2.57)(1.75)投资者FEs Yes Yes Yes Yes Yes Yes Yes观察1,216 1,184 1,216 1,176 r-平方0.31 0.530.47 0.34面板C：年龄-0.46-0.35-0.43-0.06（0.49）（0.38）（0.57）（0.09）年龄0.00 0.00 0.00 0.00（0.01）（0.00）（0.01）（0.00）年龄×2.64**0.75 0.63 0.33匹配(1.34)(0.85)(1.58)(0.23)年龄×-0.03*-0.01-0.01-0.00匹配(0.02)(0.02)(0.00)匹配-54.95*15.71-37.53-5.48（28.57）（18.56）（32.35）（4.94）投资者FEs Yes Yes Yes Yes Yes Yes观察1,216 1,184 1,216 1,176 r-平方0.31 0.53 0.47 0.34注。本表比较了“匹配激励+货币激励”和仅“匹配激励”两种激励结构招募的投资者的评价结果。“匹配”是一个指标，当招聘过程中只提供匹配激励时，该指标等于1，否则等于零。小组对与创始人性别相关的评估结果进行比较。面板B显示了与创始人种族相关的评估结果的比较。面板C显示了与创始人年龄相关的评估结果的比较。列（1）显示了Q1（质量评价）回归。列（2）显示了Q2（合作可能性）回归。列（3）显示了Q3（联系兴趣）回归。第（4）栏显示了Q4（投资兴趣）回归。Allregression的规定为每个投资者添加了规定的e----ects。***P<0.01,**P<0.05,*P<0.1。表B7:1sthalf profections和投资者2ndhalf评价的特征(1)(2)(3)(4)Q1 Q2 Q3 q4女性创始人17.77 21.80 33.60 0.94一半(17.03)(17.32)(22.39)(2.76)亚洲创始人0.29 2.47-30.84*-0.34一半(10.95)(13.94)(16.44)(1.95)年长创始人-1.02 2.02*-0.77-0.10一半(1.40)(1.20)(2.06)(0.26)观察68 68 68 67注。本表测试当投资者在下半年评估更多的少数族裔创始人时，他们对少数族裔创始人的下半年评估评级是否会降低。因变量“Q1”“Q2”“Q3”“Q4”代表实验A后半段“Q1”“Q2”“Q3”“Q4”的平均评分。“女性创始人在半段中的比例”、“亚洲创始人在半段中的比例”和“年长创始人在半段中的比例”分别代表女性创始人、亚洲创始人和年长创始人在半段中的比例。这些横截面回归使用稳健的标准误差。其中一位投资者参与了两次实验，因此我们删除了他的回答。然而，在包括他的回应后，结果仍然稳健。表B8:比较女性领导和男性领导的初创企业的表现（1）（2）（3）（4）（5）（6）小组A.全球初创企业所有女性创始人-0.049***-0.009 0.009**-0.003-0.005**-0.002（0.008）（0.004）（0.004）（0.001）（0.001）混合性别创始人0.003 0.017***-0.005*-0.006**-0.002-0.001（0.005）（0.003）（0.003）（0.003）（0.001）（0.001）（0.001）（0.001）（0.001）（0.001）（0.001）（0.001）（0.001）（0.001）（0.001）（0.001 215 44,215 r-平方0.06 0.17 0.06 0.07 0.05 0.06控制不是，不是，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，

创业所有女性创始人-0.031***0.010 0.012*0.004-0.008***-0.003（0.012）（0.011）（0.007）（0.002）（0.003）（0.008）（0.004）（0.004）（0.003）（0.003）观察17,852 17,852 17,852 17,852 17,852 17,852 17,852 17,852 17,852 17,852 17,852 17,852 17,852 17,852 17,852 squared 0.05 0.19 0.05 0.07 0.04 0.06控制不是不是不是是的是的C.IT行业所有女性创始人-0.056***-0.015 0.031***0.024***-0.001 0.001(0.015)(0.015)(0.009)(0.009)(0.004)(0.004)混合性别创始人-0.0060.015**-0.006-0.008-0.002-0.002(0.008)(0.008)(0.008)(0.005)（0.005）（0.002）（0.002）观察18,539 18,539 18,539 18,539 18,539 18,539 18,539 18,539 18,539 18,539 r-平方0.06 0.19 0.08 0.09 0.05 0.06控制否否否否否否否位置FE是是是是是是是是阶段FE是是是是是是是是是是是，是的是，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的，是的*-0.006*0.000 0.000（0.006）（0.005）（0.003）（0.003）（0.001）（0.002）观察31,962 31,962 31,962 31,962 31,962 31,962 r-平方0.06 0.19 0.06 0.08 0.05 0.05控制不是不是不是的，地点是的，是的，是的，是的，是的，是的，行业是的，是的，是的，是的，是的，是的，是的。这个表测试了在实验后的一年（即2020/07/31-2021/07/31)中，女性领导的企业是否比男性领导的企业表现要差。该样本包含了在2017/01/01年至2020/07/31年期间获得资金的所有初创企业，其创始人的性别信息可以在Pitchbook数据中观察到。小组审查了全球初创企业的表现。小组B只关注美国初创企业的表现，即总部位于美国的初创企业。面板C放大到与IT相关的初创企业。D小组讨论了最近一轮融资仍处于早期阶段或种子阶段的初创企业。在每个面板的第（1）和（2）栏中，因变量是一个等于1的指标，如果初创企业在2020/07/31-2021/07/31期间成功地从venturecapital行业筹集了新的资金，或者交易正在进行中。在第（3）和（4）栏中，如果初创企业在2021/10年度的业务状态为“停业”，则dependentvariable是一个等于1的指标。理想情况下，我应该在2021/07/31使用业务状态，然而，这些信息对我来说是不可用的。“停业”在宣传册中被定义为“申请破产”或“停业”。如果包括初创公司网站不再运行的情况，比如报告404错误，结果仍然是稳健的。在第（5）和（6）栏中，如果初创企业在2020/07/31年至2021/07/31年期间首次公开募股或被收购，则dependentvariable是一个等于1的指标。第(2)、(4)和（6）栏包括以下控制变量，描述2020/07/31年之前最近更新的初创企业特征：交易数量、成立年份、日志(1+最近交易的融资金额）。圆括号中报告了在总部位置级别聚集的健壮的standarderrors。结论:*P<0.10，**P<0.05，***P<0.01。表B9:排除选择过程因变量响应时间响应时间响应时间响应时间(1)(2)(3)研究下半年-25.65***-28.11***-26.53****(3.37)(3.06)(3.31)女性创始人0.20（3.83）女性创始人×-3.10研究下半年（4.73）亚洲创始人-0.42（3.86）亚洲创始人×1.93研究下半年（4.83）老年创始人3.11（3.77）老年创始人×-1.37研究下半年（4.66）投资者FE是是是观察1216 1216 1216R平方0.34 0.34 0.34注。这个表格测试了在研究的后半部分，投资者对少数群体的反应时间是否减少（即“注意力歧视”）。

因变量是投资者的响应时间，它被定义为每页提交前的秒数，在第95百分位数（平均59.23秒）处进行筛选。“女性创始人”是一个指标，如果初创企业创始人的名字是女性，则等于1，否则等于零。“亚洲创始人”是一个指标，如果初创企业创始人的姓是亚洲人，则等于1，否则等于零。如果初创企业创始人2005年或之前大学毕业，则“年长创始人”等于1，否则等于零。“学习的第二个一半”是一个指示变量，显示在一个受试者看过的最后八份简历中的创业计划。括号中的标准错误是稳健的标准错误。***P<0.01,**P<0.05,*P<0.1图B3:创始人性别、种族和年龄在联系人利益分布中的Ect（总利润）注：该图使用在实验a中评估的总利润来演示初创公司创始人性别、种族和年龄在联系人利益分布中的Ect（总利润）。面板a提供了创始人性别对投资者联系人利益评级的经验CDF（即Pr（联系人利益≤x女性创始人）和P r（联系人利益≤x男性创始人））。小组B提供了OLS COE_Cient估计值（即P r（联系人兴趣≤Xmenour创始人）-P r（联系人兴趣≤Xmenour创始人））和相应的95%Con水平。类似地，小组C和小组E提供了一个创始人的种族和年龄的经验CDF。图B4:投资兴趣分布中创始人性别、种族和年龄的差异（项目的第二部分）注：该项目使用实验A的后半部分评估的项目，展示了创业公司创始人性别、种族和年龄在投资兴趣分布中的差异（项目）。图A提供了投资者投资兴趣评级中创始人性别的经验CDF（即PR（投资兴趣≤x女性创始人）和PR（投资兴趣≤x男性创始人））。小组B提供了OLS COE_Cient估计数（即P r（投资利益≤xWengy Founder)-P r（投资利益≤xWenger Founder))和相应的95%Cound水平。同样，面板C和E提供了创始人种族和年龄的经验CDF。PanelsD和F提供了对创始人种族和年龄的OLS Coeücient估计。在投资利益（“Q4”）和联系利益（“Q3”）之间有两个关键的关系。首先，investment interest（“Q4”）比contactinterest（“Q3”）更吵，因为这个实验没有提供任何关于初创企业创始人的软信息，而软信息对投资决策也至关重要。第二，投资兴趣主要是由信仰决定的，而不是由张（2020）所记录的品味决定的。因此，当使用投资兴趣来说明分布的E&ect（见附录B图B4)时，歧视回复模式对于亚洲创始人和年长创始人来说略显嘈杂，而对于女性创始人来说则消失。这是因为任何由味觉驱动的对女性的偏好（在实验B中得到证明）主要在接触阶段而不是投资阶段起作用。因此，根据Zhang（2020）的说法，这些结果是意料之中的。图B5:实验A指导页（版本2）图B6:实验A随机生成的启动程序图B7:实验A评估问题（第1部分）图B8:实验A评估问题（第2部分）图B9:实验A招聘电子邮件（版本1）注释。版本1为随机选择的11,183名美国风险投资资本家提供了匹配激励和货币激励。图B10:实验招聘电子邮件（版本2）说明。版本2只为随机选择的4000名美国风险投资资本家提供了匹配的激励。图B11:实验A招聘海报（版本1）写道。版本1为随机选择的11,183个美国提供了匹配激励和货币激励。

图B12:实验招聘海报（版本2）说明。版本2只为随机选择的4000名美国风险资本家提供了匹配的激励。图B13:捐赠部分的创始人图片示例c通信测试c 1姓名生成过程i生成了一个高度表明种族（亚洲人或白人）和性别（男性或女性）的姓名列表，结合了小弗莱尔和莱维特（2004）以及戈纳尔和斯特雷布拉耶夫（2020年a）的方法。我使用Social SecurityAdministration(SSA)数据集，出生记录用于选择高度指示性别的姓名，并使用2010年美国人口普查数据生成高度指示性别的姓氏。以下描述了生成这些名字的详细步骤。名字：步骤1：我从美国社会保障管理局(SSA)的男性和女性婴儿名数据集开始筛选名字。选择通用名是为了减轻人们对一个明显的种族名称可能传达除性别之外的其他信息的担忧。例如，这种混杂的信息可能是个人的社会地位和经济背景（Bertrand and Mullainathan(2004))。考虑到亚洲人和白人的命名模式非常相似（Fryer Jr和Levitt(2004))，我不在一个种族群体中选择指示性的名字。第2步：为了避免性别模糊，我做了以下额外的检查。一是我去掉模棱两可的名字，其中哪些名字出现在前1000名男性和前1000名女性名单中，频率低于20万次。然后我为每个性别选择最频繁的100个名字进行进一步检查。第二，为了删除可能被认为是西班牙裔或犹太人的名字，我们手动检查了每个潜在的候选名字及其来源，保留了所有流行的基督教名字，删除了主要来自犹太人的名字（如西班牙、葡萄牙或以色列）。我进一步删除了强烈表明宗教的名字（如摩西）。姓氏：我完全遵循Gornall和Strebulaev(2020a)的方法，从2010年美国人口普查数据中最常见的1000个姓氏开始。听起来像白人的姓是50个最常见的姓，其中85%以上是白人，不到3%是西班牙裔。在最常见的姓氏列表中，亚洲口音的姓氏全部是26个，其中85%以上是亚洲人。我删除了风险资本投资者名字中不显示的姓氏。Foreach选择了姓氏，我在谷歌和领英上搜索关键词“姓氏风险投资投资人”或“姓氏天使投资人”。如果没有以这个姓氏出现的投资者，我将其从姓名列表中删除。我也删除了某些非常宗教的姓氏。这删除了一些姓氏，如“考尔，万”。亚裔美国人和白人美国人有类似的名字命名模式，正如小弗莱尔和莱维特（2004）记录的那样。因此，我决定使用姓氏来指示每个创造者的种族状态。SSA数据集可在https://www.SSA.gov/oact/babynames/limits.html，2019年7月27日访问。出生统计主文件:https://www.cdc.gov/nchs/data access/vitalstatsonline.htm，2019年7月27日访问。2010年人口普查姓氏产品：https://www.Census.gov/topics/population/genealogy/data/2010surnames.html。从频率直方图中，我们看到大多数（74%）的数据低于这个数字；为了保守起见，我选择了200,000个，以避免性别模糊。另一种方法是为每个名字建立一个索引，说明这个名字与特定种族和性别的联系有多明显，遵循Fryer Jr和Levitt(2004)。

从SSA数据出发，在整个样本中构建了一个女性姓名索引(FNI)，并将其定义为:fniname,t=pr(nameF emale,t)pr(nameF emale,t)+pr(nameM ale,t)*100，为了选择女性姓名，我将cuto设为99，保留所有FNI大于99的姓名。在这些名字中，我为女性选择了最常用的100个名字。为了选择男性名字，我将Cuto Here设置为3，并保留所有FNI小于3的名字。在这些名字中，我为男性选择了最常用的100个名字。我为女性和男性FNI选择了不对称的Cuto和S，因为在美国男性名字的数量比女性名字的数量少得多。这种方法平衡了名字的丰富性和性别的明确性。Gornall和Strebulaev(2019)使用了Jorg Michael发布的名字列表，删除了在英国性别模糊的名字，并删除了在西班牙、葡萄牙或以色列和在英国一样受欢迎的名字。我们认为在这些国家流行的名字不一定是宗教的，考虑到我们潜在名字的大小，手动检查它们在这里是可行的。另一种方法是按照Fryer Jr和Levitt(2004)，构建一个白人名字索引(WNI)和一个亚洲名字索引(ANI)。为了防止使用过的名字传递额外的信息，如创始人的社会地位，我只选择与创始人的社会背景没有任何系统联系的常用名字。额外检查：我还雇佣了107名美国亚马逊机械土耳其人用户，以确定这些名字引发的性别和种族感知符合人口统计数据。对于名字和姓氏，我排除了任何在90%以上的时间里没有正确分类的名字。如果剩下的名字和姓氏的数量每个都少于50个，我复制这个过程将名字添加到等待列表中。在生成每个表示性别和种族的名字后，我随机派生名字和姓氏以生成全名列表，假设姓氏不传达性别信息。我选择50个名字进行种族-性别组合随机化。假设的女性创业者的名字见表C1；假设的男性创业者的名字见表C2。为了防止生成的创始人名字与著名创始人的名字相关联，我搜索了LinkedIn以确保没有真正的著名创始人或投资者同名，并与代码中的关键细节匹配。如果找到一个罪犯，我删除全名，并从等待名单中添加一个新的名字。性别和种族是独立随机的。两轮通信测试中每个假设初创企业使用的相应名称见表C3.C.2电子邮件流程和准备工作电子邮件流程-我主要实施以下两个步骤来解决向投资者电子邮件收件箱发送大量冷呼叫电子邮件和通过现有垃圾邮件过滤器的技术障碍。首先，在03/2020年发送大规模推销电子邮件之前，我发送了一封测试电子邮件（见附录C中的图C1)，介绍了02/2020年关于新冠肺炎的公共信息。测试邮件的目的是识别哪些邮件地址是无效的，并检查与投资机会无关的冷邮件的打开率，测试邮件在2周后的打开率为2.8%，而与投资相关的推销邮件在本实验中的平均打开率为11.8%。这表明投资者只根据电子邮件主题行和发件人打开他们感兴趣的电子邮件。其次，我使用Mailgun的托管服务，一个第三方商业电子邮件API交付服务提供商，来发送大量电子邮件。

与传统的使用多个web主机来打击垃圾邮件策略的方法相比，Mailgun是为开发者和企业设计的，具有极其强大的跟踪功能，如下所示。w NIsurname,t=P r（surnameW hite,t）P r（surnameW hite,t）+P r（surnameN on-w hite,t）*100P r（surnameW hite）=P r（姓氏，白色）P r（白色）=P r（白色）P r（姓氏）P r（白色）ANIsurname,t=P r（surnameian,t）P r（surnameian,t）+P r（surnameN on-亚洲，t）*100i对这些名字实施类似的检查，并要求姓氏至少占该种族人口的0.1%，以确保姓氏是常见的。di电子邮件提供商通常使用直接垃圾邮件过滤算法。但是，检测垃圾邮件有一些常见的模式。首先，如果有许多无效的电子邮件地址以极高的频率从同一个域发出（例如，每秒发出10封邮件），那么发送的电子邮件更有可能被贴上垃圾邮件的标签。为了避免这种情况，研究人员可以发送asafe测试电子邮件，识别无效的电子邮件地址，然后在正式招聘过程中删除它们。其次，如果电子邮件包含未经验证的网站链接或垃圾邮件中使用的常见单词，如“亲爱的”，这些电子邮件很可能无法通过垃圾邮件过滤器。因此，使用垃圾邮件过滤器测试服务对电子邮件内容进行双重检查是很重要的。然而，这些垃圾邮件过滤算法都与电子邮件发送者的性别和时间无关。无效电子邮件地址是指那些不再存在或投资者不再根据反弹的电子邮件信息经常检查的电子邮件地址。投资者数据库于04/2018-2019年12/12之间构建。因此，超过20%的收集邮件地址因高流动率而不再有效。https：//www.Mailgun.com/Mailgun在2020年拥有超过15万客户。它成立于2010年，是YCombinator 2011年冬季队列的一部分。通过其电子邮件基础设施，发送每封电子邮件的状态并实现高交付率。它还为开发人员提供了完全自由的自定义电子邮件发送者名称、设置后端数据库结构和开发新的电子邮件跟踪功能，与谷歌的电子邮件提供商Gsuite相比，价格更亲民。在自动发送投稿邮件之前，我使用了垃圾邮件过滤器测试服务提供商GlockApp来测试我的投稿邮件模板的改进。按照上面提到的两个步骤发送邮件，整个过程的响应速度非常稳定。Gornall和Strebulaev(2020a)使用标准方法发送了大量coldcall pitch电子邮件，电子邮件回复率从4,000封电子邮件的9.0%下降到最近4,000封电子邮件的5.3%。这种情况在这次实验中没有出现。此外，本实验中的电子邮件发送程序允许在不影响电子邮件发送速率的情况下监控多个投资者的信息获取行为。准备工作--为确保实验的I.I.D假设成立，本实验的准备工作按以下步骤进行。首先，为了提高回应率，我根据投资者的行业/车辆偏好，为他们匹配有创意的创业点子，例如，将与医疗保健相关的pitchemails发送给对医疗保健行业感兴趣的投资者。其次，考虑到每只风险投资基金内部的潜在溢出效应，收到相同邮件的投资者来自于其他风险投资基金。Eachstartup的宣传电子邮件发送给大约1000名投资者，他们都在投资基金工作。在这1000名投资者中，他们被随机分为16组，因为基于析因实验设计，创始人的性别、种族、教育程度和项目优势要独立随机。因此，我们有2×2×2×2=16个群。

第三，我们通常需要超过2周的时间向同一个投资者发送两封连续的推销邮件，以避免不必要的关注，并保持I.I.D。假设。每个投资者在03/2020-09/2020之间收到3到5封推销电子邮件。如果研究人员有充足的研究资金，他们也可以创建多个Gsuite账户来打击垃圾邮件政策。Gsuite是gmail的“公司版”，对没有强大编码技能的人来说非常友好。唯一的缺点是它的价格相对昂贵，从2020年开始每个账户每月6美元。“独立和同分布”的缩写。对于Pitchbook数据库中记录的投资者，我使用记录的行业偏好进行匹配。对于来自Mother数据库的投资者，我从他们的公司网站、LinkedIn和CBINSight上手动收集了他们的行业偏好。如果人工收集的行业信息不准确，这将增加实验结果的噪声，降低电子邮件响应率。然而，这并不符合投资者打开电子邮件的行为。对于一些风险投资基金来说，他们通常每周开会讨论有希望的投资机会，然后回复冷电话。如果接受相同创业创意的投资者来自同一只基金，他们的反应很可能是相关的。然而，当他们刚刚收到推销电子邮件时，这种情况不会出现ECT打开电子邮件的行为和阅读电子邮件的时间。治疗组观察的数量与对照组的大小相等的随机化主要是为了增加实验的力量。Gornall和Strebulaev(2020a)至少等了几天才发送一封连续的电子邮件，这提高了一些投资者的注意力，他们在实验进行中在推特上提请注意这些冷冰冰的电子邮件。他们的实验是在2018年11/2018年-2018年12/2018年之间进行的。为了避免这种情况，我放慢了发送冷电子邮件的速度，延长了实验的实施周期。表C1:实验B名字填充工具面板A：女性詹妮弗伊丽莎白丽莎劳拉梅根艾米丽埃里卡纳塔利杰奎琳维多利亚梅勒妮蒂娜凯拉克里斯蒂娜梅林达琳达特里萨卡拉阿曼达莎拉阿曼吉拉克里斯蒂娜丽贝卡蒂安妮玛丽布列塔尼萨曼莎卡瑟琳艾丽西亚莫妮卡凯瑟琳帕特里夏安娜凯瑟琳艾丽西娅凯瑟琳帕特里夏安娜凯瑟琳埃莉森凯瑟琳桑德拉卡桑德拉瓦莱丽安珀特蕾莎艾莉森安珀卡特里娜詹娜梅根杰西卡梅丽莎塔拉凯蒂（额外）阿比盖尔丹妮尔米歇尔雷切尔布伦达玛格丽特阿曼达海莉玛德琳莫莉凡妮莎雷切尔格蕾丝希瑟辛西娅卡罗琳卡伦小组B：马勒罗伯特布莱恩凯文史蒂文托马斯亚当帕特里克布莱恩基思唐纳德彼得贾里德菲利普杰恩里克维克多塞斯艾伦马特大卫杰森约翰威廉安德鲁贾斯汀安东尼乔纳森蒂莫西尼古拉斯杰里米理查德杰里本杰明保罗·斯蒂芬纳坦雅各布格雷戈里特拉维斯肯尼斯塞缪尔爱德华德雷克罗纳德乔尔弗兰克丹尼斯埃里克菲利普克里斯托弗詹姆斯马克斯科特达斯汀扎卡里马库斯加里（额外）文森特杰克卢克迈克尔埃文约瑟夫埃里克肖恩肖恩马修伊恩乔治特雷弗查理笔记。所有列出的表示性别的名称都用于对应测试实验和实验室实验。对于对应测试，这些名字被用来创建大量的StartupFounder的名字。在实验室实验中，这些名字是初创公司创始人的假想名字。它涵盖了24岁至45岁之间的人的流行名字。为了确保所有的名字都只表示性别，我雇佣了107名亚马逊机械公司的土耳其人来将潜在的名字分类，并提供他们的反馈，以确定这些名字是否提醒他们除了性别之外的其他信息（如经济背景、种族、移民身份等）。对于上面列出的所有选定名称，超过98%的ofAmazon机械土耳其人正确地将名称分类到相应的性别。

我还删除了表明其他信息的名字。例如，“切尔西”被删除，因为一些M土耳其人觉得它与上流社会联系在一起；“路易斯”、“卡洛斯”或“安东尼奥”被删除，因为它们被认为更有可能是西班牙裔。我还在“额外”部分添加了Gornall和Strebulaev(2020a)中使用的名字和姓氏。表C2:实验B姓氏填充工具面板A：亚洲瑜赵张江黄辉林张翔徐良立胡旭朱黄洋权彩阮潘黄卢刘陈林张忠郑雄洲Ngo Truong Wu DuongCho Chang Chong Cheng Cheng Cheng Cheng Chang Cheng Chang Cheng Cheng Chang Chang Cheng Chang Chang Cheng Han Ho Thao TsaiLe Yoon WangPanel B：WhiteNelson Russell Roberts Rogers AdamsCooper Wright Cox Kelly PhillipsBennett Bailey Collins Thompson StewartParker Evans Martin AndersonClark乌尔茨詹森，凯勒，斯奈德，斯通，科亨巴克，贝克尔，施瓦茨，拉森，韦弗卡罗尔笔记。该表包含选定的姓氏，表明假设的初创企业创始人的种族身份。我将方法I的结果和Kessler et al.(2019)的姓氏列表结合起来创建候选姓氏列表。为了确保所有的名字只代表种族，并被人们正确地感知，我进一步雇佣了107Amazon Mechanical土耳其人将潜在的名字分为不同的种族，并提供他们的反馈，说明这些名字是否提醒他们除了种族之外的其他信息（例如经济背景、移民身份等）。对于上面列出的所有选择的姓氏，超过95%的亚马逊机械土耳其人正确地将亚洲姓氏归类到相应的种族中，超过92%的亚马逊机械土耳其人正确地将白人姓氏归类到相应的种族中。然后我删除所有含糊不清的姓氏。例如，“Shah”被删除，因为许多M-turksfeel它也可以是一个中东名称；“帕特尔”被删除，因为他们觉得这是一个印度名字，可能不会被视为典型的亚洲名字；“long”被删除，因为它既可以用作白色名称，也可以用作亚洲名称。

我也删除了与宗教有关或在风险投资行业非常罕见的姓氏，比如“Kaur”和“Vang”我还在“额外”部分添加了Gornall和Strebulaev(2020a)中使用的名字和姓氏。表C3:实验B设计，初创企业和企业家名称使用面板A：1StroundStartup命名为白人女性亚洲女性白人男性亚洲女性MaleVoiceFocus Kathleen Jensen Kathleen Yi Joseph Adams Kevin TruongLight Run Lisa Thompson Stephanie Lu Vincent Snyder Jee Anrey LuongInstruct告诉Molly Weaver Jennifer Dinh Sean Miller Justin HuangSign Reader Megan Schwartz Valerie Yu Evan Meyer Shane ChanBross Catherine Welch Rachael Pham Eric Burke Ryan LeChicky Rachael Smith奥斯维罗妮卡拉塞尔艾米丽索谢恩斯奈德卢克赵克普雷斯丹妮尔库克玛格丽特丁斯科特帕克埃里克·法莫尔-在朱莉·巴克Karen Wong Marcus Becker Derek Yoonsked Kathryn Beck Abigail Chang Andrew Moore George ChengGeniusPlot Christina Parker Katie Kwon David Sullivan Marcus WangEasyTry-On Katherine Snyder Angela Ho Richard Cook Mark ChungKrysco Valerie Baker Amanda Jiang Patrick Ward Kevin HoangLens Bioimage Technology Emily Bennett Erica Zhou Adam沃德·莉娜弗罗拉·玛德琳·希尔·妮可·徐史蒂文·柯林斯·斯蒂芬·柳斯马特教师杰西卡·埃文斯·梅勒妮Ngo William Welch Jason ChungCleanPlanet Christine Fisher Megan Liang Je Angrey Barker Nicholas LuFancyTravel Melanie Schultz Rebecca Zhao Ryan Schwartz Sean Shiong Mesafemicro Cynthia Keller Allison Duong Samuel Kelly Samuel Ngotally Caroline Stone Heather Jack Moore Richard Thaaagrisoft Rebecca Miller Katherine Truong Jonathan DuongEduPar Erica White Caroline Chung Solarwat Patricia Stewart Brenda Hoang Thomas Beck Christopher HuynhNotes。在03/2020-04/2020之间进行的第3轮实验中创建了33家初创企业。所有初创企业创始人的名字都是使用美国常用的第3轮名字和姓氏随机生成的。为了防止那些被发现的初创公司创始人与真实的人联系在一起，我搜索了LinkedIn，Google和可用的大学目录，以确保没有来自相应大学的真实学生拥有这些名字。如果发现了一个骗子，我会用其他随机生成的名字替换骗子的名字，以避免苏查的情况。

下一轮对应测试中所使用的初创企业信息将在下一版本的草稿中更新。表C4:实验B：假设创业的汇总统计A：第一轮行业涵盖B2B 13媒体、音乐、时尚、广告、房地产、建筑、SAAS、教育、物流、能源、农业Reb2C 12媒体、时尚、体育、食品、SAAS、旅游、宠物、化工产品、教育医疗保健8 HealthcareTotal 33 Panel B：稍后轮B2B 13娱乐、媒体、包装、广告、金融、管理、教育SaaSB2C 14娱乐、媒体、能源、SAAS、体育、化工产品、食品医疗保健7 HealthcareTotal 34 Panel C：TotalB2B 26媒体、音乐、时尚、广告、房地产、建筑、SAAS、教育、物流、能源、农业、娱乐、包装、金融、管理B2C 26媒体、时尚、体育、食品、SAAS、旅游、宠物、化工产品、教育、娱乐、能源、医疗保健15 HealthcareTotal 67Notes。此表报告了67个初创企业在第一轮和以后一轮对应测试中使用的描述性统计数据。按照Gornall和Strebulaev(2020a)的分类，所有初创企业都被分为B2B（企业对企业）、B2C（企业对消费者）和医疗保健。我还在表中提供了关于创建的初创企业的更多granularindustry信息。面板A报告了新冠肺炎疫情爆发期间03/2020年至04/2020年期间实施的foungrst-round对应测试的启动类别分布。在2020年03/18/2020年至03/24/2020年的“中国病毒”期间，发出的三封推销电子邮件包括一家人工智能物流初创公司(B2B)、一家医疗保健初创公司和一家针对美国学校(B2B)开发财务管理平台的初创公司。目前版本的论文草稿只提供了第一轮实验的结果。B面板报告了第二轮对应测试的启动类别分布，该测试是在10/2020年经济开始重新开放时实施的。小组C报告了在两轮对应测试中使用的所有67家初创企业的初创企业类别分布。如果一个创业公司同时属于B2B和B2C，我把它标记为“B2B”。在第一轮实验中，有两个创业公司同时属于B2B和B2C。在第二轮实验中，有3家创业公司分别属于B2B和B2C。表C5:实验B设计，追踪投资者的电子邮件行为。Email OpeningRate（时间戳）将每个pitch Email usingHTML都写上一个唯一的ID，并在Email中插入一张一像素的不可见透明图片。如果图片是从服务器上下载的，我假设投资者在下载图片时打开了pitch email，增加了实验的能力（高打开率）；只有邮件的主题行比邮件的内容噪声测量值更高（有些服务器阻止用户下载图片，而其他服务器自动为他们的用户下载图片。然而，这些服务器属性与实验处理无关。）2.Email ReadingTime（时间戳）将每个pitch Email usingHTML写出一个唯一的ID，并在Email中插入一个大的不可见透明图片（即500 MB）。将从我们的服务器下载图片的速度设置为10KB/s。如果只从服务器下载200KB，则邮件停留时间为20s。一个衡量关注度的连续变量；增加实验的力量；嘈杂的测量（研究人员无法直接观察清单编制者是否在阅读电子邮件，或者只是在吃午饭时打开电子邮件。）3.多个电子邮件打开率如果插入到pitch电子邮件中的一个像素透明图片被下载多次，那么我假设电子邮件被多次打开。

如果同一个投资者多次打开邮件，或者邮件被转发给其他后来打开的人，就会发生这种情况。增加了实验的力量；更强的投资者兴趣指标，噪音测量。研究人员无法确定电子邮件是被同一个投资者多次打开，还是被转发给其他人。EmailReplieSentimentalAnalysis使用LIWC分析电子邮件回复内容的情感。我使用了以下自动生成分析结果的网站：http://liwc.wpengine.com/vollective objective measurements of Investors to Wardseach pitch emails的反应速度慢，因此实验效果低Hong andLiskovich（2015）5。网站ClickrateMailgun平台开发了该功能，研究人员可以直接使用。点击这里由邮件提供的形式机制解释。当投资者不回复emailLow网站的点击率时，可以在创业投资结算Bartoés等网站上使用。（2016）；Bernsteinet al.(2017)6。电子邮件回复&回复的内容直接从收件箱和垃圾邮件箱中收集，通常使用回调测量，响应速度慢；如果投资学在政治上是正确的，回复的内容可能不代表真正的利益。Gornalland Strebulaev(2020a)等注意到。该表提供了记录电子邮件行为的详细机制，每种跟踪行为测量的优点和局限性，以及以前文献中使用类似参与者行为的对应测试。为了实现这些功能，我用了Mailgun平台，这是一个专业设计的大型电子邮件活动平台，成立于2010年。表C6:实验B按性别和时间因变量的开放率异方差Probit估计：1（开放）(1)(2)(3)03/24后Panel a Probit估计女性创始人（边际）0.010***(0.004)亚洲创始人0.006 0.007*(0.004)(0.004)Panel B异方差Probit估计女性创始人（边际）0.009****(0.004)亚洲创始人0.006 0.008*(0.004)(0.004)标准差ofunobservables,女性/男性0.81标准差ofunobservables,亚洲/白人1.12 1.09测试：标准差之比=1（p值）0.27 0.55.701女性水平（边际）0.059-0.021-0.012女性方差（边际）-0.050 0.027 0.020观察30,909 30,909 25,525注。此表报告了在校正了不可观察方差的潜在偏差后，按性别（女性与男性）对开放率的异方差probit估计的回归结果。因变量是一个dummyvariable，当投资者打开推销电子邮件时为一个，否则为零。用连续近似法计算了与成为“女性”创始人相关的概率变化，并以其平均值评估了其他变量；连续近似得到异方差概率估计的明确分解。列（1）和列（2）使用了在第一波中获得的所有观测结果。第（3）栏使用了2020年03/24/之后发送的pitch电子邮件的观察结果。标准错误在括号内。P值基于Wald检验。