*：p<0.1，***：p<0.05，***：p<0.01。接下来，我们研究了群体层面的网络结构对我们观察到的礼物传染的影响。我们使用平均归一化度或网络密度来衡量网络紧密连接的程度（Newman et al.2006）：平均归一化度（g）=Pi∈G | Ngi | G |×（| G |- 1). （3） G表示G组成员的集合。平均归一化程度的范围为[0，1]。我们在表6中给出了具有平均归一化度和交互项的回归结果。结果6（礼物传染的群体网络结构）虽然没有显著的总体影响，但收到的金额和平均标准化程度之间的交互作用是负的，对于广泛的利润率来说是显著的。支持在表6的第（3）列和第（4）列中，“收到的金额×平均未规范化程度”的交互项为负且显著（10分钟：-0.0046，p<0.01；24小时：-0.0044，p<0.01），尽管总体效应或密集利润率没有显著的交互作用。根据结果6，我们拒绝了无效假设，支持假设6，以获得广泛的利润。如表6所示，虽然“收到金额×平均标准化程度”在第（1）列和第（2）列中不显著，但在第（3）列和第（4）列中均为负值且显著。我们还研究了整体聚类的影响（Jackson 2010），并发现了类似的结果。详细分析见附录D.2。最后，我们检验了接受礼物对网络动态的影响。我们将等式（1）中的依赖变量更改为用户接收后添加的组内边数唯一的例外是10分钟的密集裕度结果。我们还研究了中心性的影响，特别是在网络文献中广泛使用的特征向量中心性（Marsden 2002，Jackson 2010）。

然而，未发现相互作用项的总体影响（表A.13）。表6：各组平均归一化程度的影响总体广泛强度10 min 24 h 10 min 24 h 10 min 24 h 10 min 24 h（1）（2）（3）（4）（5）（6）接收量0.2221***0.4167***0.0062***0.0062***0.0187 0.1988（0.0592）（0.1346）（0.0003）（0.0003）（0.2079）（0.3902）接收量×平均归一化程度-0.0970-0.3400-0.0046***-0.0044***-0.0226-0.6034（0.0890）（0.2103）（0.0004）（0.0004）（0.3082）（0.6009）平均归一化程度0.8392***1.6332***0.0150***0.0145**4.7210***7.0219***（0.0898）（0.2079）（0.0048）（0.0063）（0.4379）（0.7828）集团规模固定影响系统固定影响YNo。在观测值7266446 7266446 7266446 7266446 1060746 1370741中，调整后的R0.0397 0.0399 0.0239 0.0272 0.1523 0.1100注：第（1）列和第（2）列的因变量（DV）是各自时间范围内发送的金额。对于那些不发送红包的人来说，这是零代码。列（3）和（4）中的DV是用于发送红包的虚拟变量。第（5）和（6）列中的DV是发送红包的条件量。报告了边际效应。括号中是在组和用户级别聚集的标准错误。*：p<0.1，***：p<0.05，***：p<0.01。红包。图7显示了结果，其中x轴表示不同的时间间隔，y轴表示收到的金额（人民币）对收件人在组内添加的新朋友数量的边际影响。平均而言，收到100元人民币鼓励受试者在接下来的七天内在小组内添加0.05个朋友（p<0.01）。

虽然这似乎是一个小影响，但它反映了团队礼物如何通过建立新的联系来促进团队互动。总之，我们的研究结果表明，在群体中，礼物不仅可以促进礼物的传播，还可以鼓励群体内的互动，加强群体团结。10m 1h 3h 6h 12h 1d 2d 3d 1W自收到金额后的时间间隔0.00000.00020.00040.00060.0008收到金额的边际影响图7：受方在组内增加的对组内边缘的边际影响。误差条为95%CI。6讨论利用随机分配给礼品接收人的红包数量，我们利用自然实验来量化微信群中礼品传染的强度。我们记录了礼品传播的存在，并进一步发现，总体影响主要由广泛的利润驱动，即收到红包鼓励更多用户发送红包。在不同的时间段和不同的群体中，食品传染的程度各不相同。此外，我们还发现了一种群体规范的证据，即最幸运的抽奖获得者有望带头发送随后的第一个红包。关于群体内社交网络的调节作用，我们发现，用户的聚类系数越高，她越不容易受到礼物传染。此外，收到的数量与微信群网络的紧密程度之间存在着巨大的差距，这对互动产生了显著的负面影响。总之，我们的结果，特别是对广泛和密集利润的分析，加深了我们对礼物传染的社会现象的理解。我们的研究具有重要的管理意义。

首先，在线群体聊天有助于沟通和协调，但虚拟形式可能会对建立群体团结构成挑战。我们的分析记录了金钱礼物如何以及在多大程度上促进集团成员之间的互动。因此，我们的研究为如何利用在线送礼来培养在线群体中的社会纽带提供了见解。其次，在线红包被认为是微信的一项重要而成功的商业战略，以扩大其在中国移动支付市场的市场份额（Yang等人，2016）。在线红包发布并在微信上普及后，其市场份额从2015年第一季度的10%飙升至2016年第四季度的约40%，因为用户需要将其银行账户链接到微信支付才能发送红包。我们的研究表明，微信利用红包进入移动支付市场的成功可能是建立在微信内部强大的社交网络和微信红包的强大社会感染力之上的。最后，包括红包在内的在线货币礼品被用作促进各种在线活动的有效工具。例如，在中国最大的团购平台Pinduodou上，红包被作为折扣促销手段（2019年为9亿）。从广义上讲，礼品卡是一种发送数字货币礼物的方式，在许多在线网站上广泛使用。据报道，2018年美国共售出价值1600亿美元的礼品卡。因此，我们的研究结果也有助于深入了解如何利用在线平台上的礼物传染来进一步促进在线礼物的采用。根据我们的研究，有几个可能的未来方向。首先，研究接收红包如何影响其他类型的用户行为，如群体交流和喜欢他人的订阅，这将是一件有趣的事情。

其次，由于数据限制，我们无法弄清哪种机制（如互惠或公平问题）是我们观察到的礼品贸易的主要驱动因素。因此，需要仔细设计实验研究，以便进一步研究主要机制。最后，当我们分析东亚文化中的在线礼物传染时，探索我们的结果是否可以推广到在线环境或其他文化群体将是一件有趣的事情。确认这项研究已经由麻省理工学院的机构审查委员会（E-1114）审查。作者感谢麻省理工学院人类动力学小组成员Sinan Aral、Bethany Burum、Dean Eckles、Moshe Hoff man、ShanHuang、Erez Yoeli，以及第四届经济学网络科学会议、2018年现场实验进展会议和2018年麻省理工学院数字实验会议的与会人员提出了有益的意见。参考Alexander RD（1987）《道德系统生物学》（交易出版商）。Aral S，Muchnik L，Sundararajan A（2009年），区分动态网络中基于影响的传染和由嗜同性驱动的分化。美国国家科学院学报106（51）：21544–21549。Aral S、Nicolaides C（2017）在全球社交网络中进行传染。《自然通讯》8:14753。Aral S，Walker D（2012年），识别社交网络中有影响力和易受影响的成员。科学337:337–341。Athey S，Imbens GW（2017）《随机实验的计量经济学》。《经济学领域实验手册》，第1卷，73–140（Elsevier）。Backstrom L、Huttenlocher D、Kleinberg J、Lan X（2006）《大型社交网络中的群体形成：成员、增长和进化》。

第12届ACM SIGKDD知识发现和数据挖掘国际会议记录，44–54（ACM）。https://www.aseantoday.com/2018/01/alipays-slide-from-the-top-and-battle-for-survival-in-theruthless-mobile-payment-market/https://daydaynews.cc/en/technology/817051.htmlhttps://wallethub.com/edu/gift-卡市场规模/25590Bakshy E、Rosenn I、Marlow C、Adamic L（2012）《社交网络在信息差异中的作用》。第21届万维网国际会议记录，519–528（ACM）。Banerjee A、Chandrasekhar AG、Du flo E、Jackson MO（2013）《小额融资的差异》。科学341（6144）：1236498。Bloom N，Liang J，Roberts J，Ying ZJ（2015）在家工作吗？来自中国实验的证据。《经济学季刊》130（1）：165–218。Bolton GE，Ockenfels A（2000）Erc：公平、互惠和竞争理论。《美国经济评论》90（1）：166–193。Bolton GE，Ockenfels A（2006）《简单分布实验中的不平等厌恶、效率和最大化偏好：评论》。《美国经济评论》96（5）：1906-1911。Bond RM、Fariss CJ、Jones JJ、Kramer AD、Marlow C、Settle JE、Fowler JH（2012）一项6100万人的社会影响和政治动员实验。《自然》489（7415）：295。Brynjolfsson E、Horton JJ、Ozimek A、Rock D、Sharma G、TuYe HY（2020）Covid-19和remotework：美国数据的早期观察。国家经济研究局技术报告。Bulte E，Wang R，Zhang X（2018）《强迫礼物：做朋友的负担》。经济行为与组织杂志155:79–98。伯特·RS（2009）《结构漏洞：竞争的社会结构》（哈佛大学出版社）。Cai C，Shang H，Lertsiriworapong T（2017），“抢红包”现象的动机因素研究：微信案例研究。

第四届管理科学、创新和技术国际会议。Centola D（2010）在线社交网络实验中的行为传播。科学329（5996）：1194-1197。Centola D，Macy M（2007）《复杂的传染病和长期关系的弱点》。《美国社会学杂志》113（3）：702–734。Chen Y，Li SX（2009）《群体认同与社会偏好》。《美国经济评论》99（1）：431–57。Christakis NA，Fowler JH（2007）《肥胖在32年来大型社交网络中的传播》。新英格兰医学杂志357（4）：370–379。Cialdini RB，Goldstein NJ（2004）《社会影响：合规与从众》。心理学年度回顾55:591–621。Efron B（1992）《引导方法：另一种刀切法》。统计突破，569–593（斯普林格）。Fehr E，Schmidt KM（1999）《公平、竞争与合作理论》。《经济学季刊》114（3）：817–868。Feldman DC（1984）《群体规范的制定与实施》。管理学院评论9（1）：47–53。Fowler JH，Christakis NA（2008）《大型社交网络中幸福的动态传播：弗雷明翰心脏研究20年的纵向分析》。英国医学杂志337:a2338。G"achter S、Nosenzo D、Sefton M（2013）《亲社会行为中的同伴效应：社会规范还是社会参照？《欧洲经济协会杂志》11（3）：548–573。Granovetter M（1983）《弱联系的强度：重新审视网络理论》。社会学理论201–233。Holland PW，Leinhardt S（1971）《小群体结构模型中的及物性》。对照组研究2（2）：107–124。Holton JA（2001）在虚拟团队中建立信任和协作。团队绩效管理：国际期刊7（3/4）：36–47。Imai K、King G、Stuart EA（2008）《实验主义者和观察家之间关于因果推理的误解》。

皇家统计学会杂志：A辑171（2）：481–502。Imbens GW，Rubin DB（2015）《统计、社会和生物医学科学中的因果推断》（剑桥大学出版社）。Iyengar R、Van den Bulte C、Valente TW（2011）《新产品差异中的意见领导力和社会传染》。市场营销学30（2）：195–212。Jackson MO（2010）《社会和经济网络》（普林斯顿大学出版社）。Kempe D，Kleinberg J，Tardos'E（2003年），通过社交网络最大限度地传播影响力。第九届ACM SIGKDD知识发现和数据挖掘国际会议记录，137–146。Kernan WN、Viscoli CM、Makuch RW、Brass LM、Horwitz RI（1999）临床试验分层随机化。临床流行病学杂志52（1）：19–26。克孜勒CEC RF、Bakshy E、Eckles D、Burke M（2018）《在线礼品捐赠中的社会影响和互惠》。2018年计算机系统人为因素CHI会议记录，126（ACM）。Kramer AD、Guillory JE、Hancock JT（2014）社交网络大规模情绪传染的实验证据。美国国家科学院院刊111（24）：8788–8790。Liu S，Zhang Y，Chen L，Guo L，Yu D（2015）企业微信群：他们对工作-生活冲突和生活-工作提升的影响。中国商业研究前沿9（4）：516。罗毅（2008）《变化中的中国文化与商业行为：关系与腐败交织的视角》。《国际商业评论》17（2）：188–193。Markovsky B，Lawler EJ（1994）《群体团结的新理论》11:113–137。Marsden PV（2002）《网络中心性的自我中心和社会中心测量》。

社交网络24（4）：407–422。Mauss M（2002）《礼物：古代社会交换的形式和原因》（Routledge）。McPherson M、Smith Lovin L、Cook JM（2001）《羽毛之鸟：社交网络中的同性恋》。社会学年鉴27（1）：415–444。Newman M、Barabasi AL、Watts DJ（2006）《网络的结构和动态》（普林斯顿大学出版社）。Nowak MA，Roch S（2007）《上游互惠与感恩的演变》。皇家学会学报B：生物科学274（1610）：605-610。Nowak MA，Sigmund K（1998）通过图像评分间接互惠的演变。自然393（6685）：573。Nowak MA，Sigmund K（2005）《间接互惠的演变》。《自然》437（7063）：1291。Park N、Kee KF、Valenzuela S（2009）沉浸在社交网络环境中：Facebookgroups、使用和免费以及社会结果。网络心理学与行为12（6）：729–733。Pearl J（2009）《因果关系》（剑桥大学出版社）。邱J，李Y，唐J，鲁Z，叶H，陈B，杨Q，霍普克罗夫特JE（2016）微信社交信息群的生命周期和级联。第25届全球网络国际会议记录，311–320（ACM）。罗伊C（2005）《传统节日：多元文化百科全书》，第1卷（Abc Clio）。Seinen I，Schram A（2006）《社会地位和群体规范：重复帮助实验中的间接互惠》。《欧洲经济评论》50（3）：581–602。Shalizi CR、Thomas AC（2011）在观察性社会网络研究中，嗜同性和传染通常被混淆。社会学方法与研究40（2）：211–239。《红包：现代世界的传统物件》。《大众文化杂志》35（3）：103–125。Stuart EA（2010）《因果推理的匹配方法：回顾与展望》。

统计科学25（1）：1。Tajfel H、Turner JC、Austin WG、Worchel S（1979）《集团间冲突的整合理论》。组织身份：读者56–65。Ugander J、Backstrom L、Marlow C、Kleinberg J（2012）《社会传染中的结构多样性》。美国国家科学院院刊109（16）：5962–5966。Veinott ES、Olson J、Olson GM、Fu X（1999）视频帮助远程工作：需要沟通共同点的演讲者从彼此的见面中获益。计算系统中的人为因素西格奇会议记录，302–309。Wang CL，Siu NY，Barnes BR（2008）《信任和人情在中国企业对企业关系长期定位中的重要性》。工业营销管理37（7）：819–824。Watts DJ，Strogatz SH（1998）《小世界网络的集体动力学》。《自然》393（6684）：440。惠勒L（1966）关于行为传染的理论。《心理学评论》73（2）：179。Wu Z，Ma X（2017）《金钱作为社会货币来管理群体动态：中国在线社区中的红包礼品》。2017年CHI会议论文集《计算系统中的人为因素扩展摘要》，2240–2247（ACM）。Yamagishi T，Cook KS（1993）《广义交换与社会困境》。社会心理学季刊235–248。Yang X，Sun SL，Lee RP（2016）《微创新战略：微信案例》。《亚洲案例研究杂志》20（02）：401-427。在线附录A红包简史红包通常由年长的亲戚发给孩子或未婚的年轻人。孩子们和未婚的年轻人祝愿他们的年长亲戚“新年快乐”，这被称为“拜年”(拜年). 然后，年长的亲戚给他们现金礼物作为交换。

红包是一种传统习俗，可以追溯到汉朝（约公元前50年-公元100年）（Siu 2001）。幸运钱曾被称为“压祟钱”, 字面意思是驱赶恶魔苏的钱(祟) 在农历新年前夕（Roy 2005）。“岁” （年龄）的发音与“祟.” 隋是一个恶魔，他会在除夕夜闯入家门，故意虐待和伤害孩子。如果孩子们被虐待，他们会患上严重的发烧，甚至精神失常。为了保护孩子，家长们给了他们8枚红包铜币作为礼物。据信，这八枚硬币会发出强光，把恶魔赶走。这八枚铜币被认为是红包的最初版本。在20世纪，当印刷技术在中国普及时，红包已经发展成现在的形式。红包上印有象征美好祝愿的汉字。由于迷信的原因，红包不再仅仅用于确保儿童的安全。目前，它们通常象征着寄件人对成功的财富、健康、学习和职业道路的愿望。红包的包装通常包含具有此类含义的字符。除了为孩子或未婚年轻人祝福外，红包在其他场合也被用作现金礼物。被邀请参加生日聚会、婚礼和葬礼的人通常会带上红包作为现金礼物送给主人。礼物的数量代表了寄件人对社会纽带的强度以及寄件人和接受者之间关系的评价。收到礼金被视为欠“人情”（Low renqing），并且强烈期望接受者在将来返还礼金（称为归还“人情”）（Wanget al.2008，Bulte et al。

2018).目前，随着在线平台的激增，红包通常在这些平台上发送。在微信上，通过一对一或一对多渠道，红包被用作方便的礼金。这些在线红包不再只由老年人发送给年轻人，也不再只用于农历新年或重要活动。微信红包的限制（通常为200元人民币或约30美元）降低了潜在的社会压力，以换取大量现金礼品。用户甚至将其用于娱乐。在其他在线平台上，红包是向用户提供优惠券的一种手段。结合对客户的良好祝愿，这些红包可能会鼓励消费和用户参与。B样本描述我们的样本包括174131个微信群中的3450540个独特用户。对于每个用户，我们获得下面列出的人口统计信息。对于每月更新的变量，我们使用2016年2月检索的信息进行分析。此外，我们还确定了数据集中用户之间的友谊，即用户是否是微信联系人。我们将数据总结如下：o集团–集团规模：集团中集团成员的数量。o组成员-性别：用户自行报告年龄：微信提供–用户加入的组数–用户在微信上的私人联系人（“朋友”）数量群内度：用户在一个微信群中拥有的私人联系人（或“朋友”）数量。

请注意，同一组的成员可能不是“朋友”聚类系数：用户朋友在群中的联系程度，如正文所述红包发送变量–发送时间–发件人ID.–红包的总现金金额，由发件人确定–收件人数量，由发件人决定。o红包接收变量–收件人ID.–接收时间。当前收件人发送和接收红色数据包之间的时间间隔。微信红包发送24小时后过期。我们使用接收时间来推断给定红包r的接收时间顺序–收到的现金金额。我们在表A.1中报告了各组规模、红包总数和红包现金总额的汇总统计数据。我们还在表A.2中提供了用户性别和年龄的汇总统计数据。20到30岁之间的人在我们的样本中占很大比例。在表A.3中，我们进一步报告了群内学位信息（用户在群中拥有多少私人联系人或“朋友”）、微信上的私人联系人数量以及她在微信上加入的群数。最后，我们总结了有关红包的信息（表A.4），包括现金金额、收件人数量、一组中两个连续红包之间的时间间隔以及总完成时间。我们发现，大多数红包的金额相对较小（其中75%的金额不超过5元人民币）。

此外，两个连续的红包之间的时间间隔通常为一个小时，一个给定的红包中的所有钱通常在几分钟内收到。C随机化检查在确定我们的分层的三个变量的条件下，我们表明receivedamount（T）独立于以下变量：（1）用户是否为女性；（2） 用户信息；（3） 组内学历，或“朋友”人数；（4） 微信好友数（以fricnt表示）；（5） 用户加入的组数（由joincnt表示）；（6） 用户在组中发送的红包总数（由history\\u sendamt表示）；（7） 用户在组中发送的红包总数（由history\\u sendcnt表示）；（8） 用户在组中收到的红包总数（由history\\u recv amt表示）；（9） 用户在组中接收到的红包总数（由history\\u recvcnt表示）；（10） 历史上所有组成员在组中发送的红包总量（由groupamt表示）；和（11）所有组成员在组中发送的红包总数（由groupnum表示）。具体而言，我们对每个阶层进行简单的OLS回归，其中因变量为上述变量之一，自变量为auser收到的现金金额。对于表A.5和A.6中的两个代表性案例，我们分别给出了实施错误发现控制后的相应系数和调整后的p值。总之，未发现显著相关性。我们还检查了发送金额和收件人数量的其他组合，没有发现任何显著差异。

总的来说，我们的数据通过了随机检查。我们使用α=0.1的Benejamini-Hochberg方法，因为与Bonferroni校正等方法相比，该方法更为保守，且生成的p值更为小。收到金额差异的计算在我们提供其他收件人收到金额差异的完整计算之前。虽然不同接收者的预期金额相同，但我们表明，他们的差异通常是不同的。具体而言，我们显示出与o的方差呈非下降趋势。让Sodenote计算第一个o收款人收到金额的总和（So=V+V+…Vo）。回想一下，A是红包的总金额，n是收件人的数量，VO是其他收件人收到的金额。我们首先考虑o<n：E[So+1]=E的情况（So+Vo+1）=E【So】+2EhSo×a- 儿子- oi+Eh（a- So）（n- o） i=E【So】1.-n- o+（n- o）+E【So】2an- o-a（n- o）+a（n- o） =E【So】1.-n- o+（n- o）+ 一2o（n- o） n个-8o3（n- o） n+3（n- o）.（4） 注意E[So]=E[V]++E【Vo】=aon。接下来，我们将其他收件人收到的金额Vo与So联系起来：Var（Vo）=Eh×（2（a- S（o）- 1） ）（n- o+1）i=Eh（a- 所以-1） （n）- o+1）i；Var（Vo-1） =Eh×（2（a- S（o）- 2） ）（n- o+2）i=Eh（a- 所以-2） （n）- o+2）i.将第一个方程除以第二个方程，我们得到Var（Vo）Var（Vo-1） =（n- o+2）（n- o+1）×E[（a- 所以-1） ]E[（a）- 所以-2)].然后，Var（Vo）Var（V）=Var（Vo）Var（Vo-1） ×Var（Vo-1） Var（Vo-2)× ... ×Var（V）Var（V）==（n- o+2）（n- o+1）×（n- o+3）（n- o+2）。。。×n（n- 1） ×E[（a- 所以-1） ]E[（a）- 所以-2） ]×E[（a- 所以-2） ]E[（a）- 所以-3)]× ... ×E[（a- S） ]a=n（n- o+1）E[（a- 所以-1） ]a.由于Var[V]=a3n，andE[So-1] =a（o-1） n，我们得到var（Vo）=a3（n- o+1）1.-2（o）- 1） n个+3（n- o+1）E[So-1]. （5） 结合方程式4和5，我们得到Var（Vo+1）=1+3（n- o）Var（Vo）。因此，我们知道1<o<n:Var（Vo）=Var（V）o-1Yk=11+3（n- k）=a3no公司-1Yk=11+3（n- k）.

（6） 对于o=n，因为最后两个收件人随机均匀地分割盈余，Vn-1和V的分布相同。因此，Var（Vn）=Var（Vn-1） =a3nn-2Yk=11+3（n- k）.总之，Var（Vo）=0 n=1，o=na3nQo-1k=11+3（n-k）n＞1，o＜na3nQn-2k=11+3（n-k）n>1且o=n（7）此外，当o<n.D额外分析时，方差随o增加。1样本选择阈值选择。首先，我们说明了自发红包的选择过程（图a.1中圈出）。如果两个连续红包的间隔大于τ，我们将这两个红包分为两个“会话”因此，在每个会话中，任意两个连续红包之间的时间间隔小于τ。我们在主要分析中使用24小时作为时间框架，因为红包在发送24小时后过期。为了检验我们的结果对选择24小时窗口的敏感性，我们还选择了6小时、12小时和48小时，然后重新进行分析；它们各自的治疗效果如图A.2所示。在48小时的时间窗内，我们发现了类似的结果，而在6或12小时的时间窗内，治疗效果稍小。赌博和无名团体。为了探索过滤过程对结果的影响，我们重新对赌博群体进行回归，其中群体名称表示红包游戏或赌博，以及功能不明确的未命名群体。图A.3中的结果表明，过滤组的边际效应更高。

这些结果表明，过滤掉这些赌博群体可能有助于我们更准确地理解礼物传染。D、 2计量经济模型的其他结果备选方案。如果我们对三维向量的影响应用线性规范，即红包总数（Ar）、接收者数量（Nr）和接收时间顺序（Oir），我们会得到以下回归：Ygir=βTgir+γAr+γNr+γOir+gir公司。（8） 如图A.4所示，回归结果表明边际效应比正文中的结果大得多。一种可能性是（Ar、Nr、Oir）对Ygiris的影响不是这三个变量的线性组合，这就提出了功能形式错误指定的问题。直接和间接互惠。在这里，我们提供了一个额外的分析来表明，与直接互惠相比，间接互惠在促进礼物传染方面起着主导作用。我们将Ygirin公式（1）分为两部分：Y（1）gir和Y（2）gir。Y（1）Gir是发送给原始发件人（红色包裹的发件人）的金额，用于衡量直接互惠。Y（2）GIR是发送给其他集团成员的金额，可以作为间接互惠的代理。如图A.5所示，在接下来的24小时内，对原始发件人收到的金额的平均边际影响为3.07%【SE=0.65%，p<0.001】。相比之下，对于其他组成员所收到的金额，这种影响的大小要大得多：10.25%【SE=2.10%，p<0.001】。“最幸运的抽签”和公平问题。为了调查公平性问题是否在影响用户发送的数量方面发挥作用，我们对最幸运的抽奖接收人进行了以下回归：Ygir=βTgir+αratioZgir+XsγsBs（Ar，Nr，Oir）+gir公司。（9） 与式（1）相比，我们增加了一个自变量：Zgir。

让Tgiris为从同一个红包接收到的第二大数量；然后Zgir=tgirtgunrepresents第二大金额与最大金额的比率。我们删除了没有对应的第二幸运接收者的观察结果（最幸运的接收者）。表A.8报告了回归结果。我们发现，第二大金额与最大金额的比率对发送红包的可能性有负面影响。例如，对于接下来的10分钟和24小时，我们有^α比率=-0.0363和-广泛边缘为0.0379（p<0.01）。这表明，当最幸运的抽奖接收人收到的现金金额远远大于其他人收到的现金金额时，出于公平考虑，接收人可能会觉得更有义务向团体发送红包。年龄和性别影响。表A.9显示了我们对不同年龄组的结果。当按收件人的年龄对样本进行分解时，我们发现，与其他年龄组的用户相比，20岁以下的用户的总体和广泛利润最小。40岁以上的用户拥有最大的总体和广泛利润，可能是因为他们的社会经济地位较高。当按发件人年龄分解样本时，我们发现随着发件人年龄的增长，样本呈下降趋势。这一结果表明，老年人对年轻人发送的红包有反应（表a.10）。我们还研究了性别差异。当分别对女性和男性受试者进行回归分析时，我们没有发现任何显著的性别差异（表A.11）。

如表A.12所示，虽然我们没有发现女性寄件人和男性寄件人之间的总体影响存在显著差异，但我们发现女性寄件人发送的红包比男性寄件人发送的红包显示出更高的广泛利润率（10分钟和24小时的p<0.01）。整体聚类的影响。在这里，我们使用总体聚类作为平均归一化程度的替代，作为组网络结构的度量。g组的总体聚类定义为总体聚类（g）=Pi∈|G |#{（j，k）| j，k∈ Ngiand i 6=j 6=k和k∈ Ngj}Pi∈|G |#{（j，k）| j，k∈ Ngi和i 6=j 6=k}。（10） G表示组G的成员集，Ngi表示组G中用户i的网络邻居集。我们在表A.14中报告了回归结果。如第（1）列和第（2）列所示，较大的总体聚类预测组内发送的量较大。然而，相互作用项是负的（分别在10分钟和24小时内p>0.1和p=0.024），这表明总体聚类较大的群体不一定会诱发更强的礼物传染。在第（3）列和第（4）列中，相互作用项是显著的和消极的，这表明对于总体聚类较大的群体，通常有较小的广泛边际。对于密集保证金（第（5）列和第（6）列），我们在互动条款中未发现任何重大影响。请注意，总金额中的一小部分不属于Y（1）g Ir或Y（2）g Ir，因为发件人也可以收到自己的红包份额。表A.1：微信群变量汇总统计平均最小25%50%75%MaxGroup大小19.91 3 8.0 14.0 24.0 490总数量。

红包中210.24 9 54.0 115.0 253.5 8458红包现金总额（人民币）919.30 0.11 164.46 418.86 990.0 373679.07表A.2：微信用户汇总统计（1）变量计数比例表1783737 51.69%女性1639955 47.53%未上报26848 0.78%年龄[10，20）364352 10.56%[20，30）1724020 49.96%[30，40）943051 27.33%[40，50）274433 7.95%[50，60）39522 1.15%其他/未报告105152 3.05%表A.3：微信用户汇总统计（2）变量平均最小25%50%75%最大组内度数8.75 1 4 7 11 358否。私人联系人182.61 0 54 110 204 25956否。用户加入的组数38.99 1 9 20 40 16945750表a.4：红色数据包的汇总统计统计平均最小值25%50%75%最大值4.37 0.01 0.5 1 5 200否。收件人中5.06 1 3 5 5 100红包之间的时间间隔（秒）a29304.07 0 46 130 938 12475671完成时间（秒）b1267.53 2 10 23 176 509131时间间隔表示当前红包与前一红包之间的时间。bCompletion time测量红包的发送时间与收到该红包的最后一份时间之间的时间间隔。任何人都没有收到的红包被排除在外。表A.5：5元人民币和3个收件人的红包的回归系数和相应的调整p值。（a、n、o）指总金额、收件人数和收件时间顺序。变量（5,3,1）调整。p（5,3,2）调整。p（5,3,3）调整。

pfemale 0.0016 0.9365 0.0049 0.8036 0.0019 0.9296年龄-0.0029 0.9458 0.0379 0.9023-0.0640 0.9023度0.0520 0.9023-0.0806 0.9023 0.0090 0 0.9365 Fricnt 0.5963 0.9365 0.1410 0.9365 2.4340 0.8036连接0.3196 0.9023 0.1584 0.9365 0.3770 0.9023历史\\u发送金额-0.6952 0.9365 0.1280 0.9365 0.1321 0.9365历史记录\\u发送时间-0.2336 0.9023-0.0903 0.9365 0.1838 0.9023历史记录\\u接收时间-0.9458 0.9023 0.12000.9365 0.2068 0.9365历史记录-0.5519 0.9023-0.0977 0.9365 0.4581 0.9023组别金额-3.6014 0.9365-1.1416 0.9365 0.9528 0.9365组别数量-7.6666 0.9023-5.3852 0.9296 3.9070 0.9365表A.6：10元和5个收件人的红包回归系数和相应的调整后p值。（a、n、o）指总金额、收件人数和收件时间顺序。变量（10,5,1）调整。p（10,5,2）调整。p（10,5,3）调整。p（10,5,4）调整。p（10,5,5）调整。

pfemale 0.0006 0.9490-0.0002 0.9490-0.0007 0.9490-0.0007 0.9490 0.0022 0.6569年龄0.005 0.9490 0.0138 0.9490 0.0161 0.9490-0.0341 0.7052-0.0097 0.9490度0.0922 0.8288-0.0785 0.6569 0.003 0.9556 0.0048 0.9490 0.0112 0.9490fricnt-1.5021 0.6569 1.4011 0.6569-1.1583 0.7047-0.6723 0.8807-0.4135 0.9490接头Cnt-0.0285 0.9490 0.0302 0.9490-0.0339 0.9490-0.2852 0.6569-0.0950.9490history\\u sendamt 1.0972 0.8132 0.8839 0.8288 2.1079 0.6569-0.2787 0.9490-0.32 0.9490history\\u sendcnt 0.0613 0.9490 0.2013 0.6569 0.1389 0.6569-0.0471 0.9490-0.0268 0.9490history\\u recvamt 1.3355 0.6569 0.1375 0.9490 1.4951 0.6569-0.5232 0.9119 0.0097 0.9875history\\u Recvcmt新台币0.6882 0.6569 0.478 0.7167 0.7242 0.6569-0.2521 0.9119-0.3717 0.7052集团金额29.2084 0.6569 4.5624 0.9490 23.13330.6569-1.8278 0.9490 3.9539 0.9490groupnum 7.2803 0.9490 13.0648 0.7052 3.8353 0.9490-6.4186 0.9358-7.3134 0.8807表A.7：广义回归结果总扩展强度10 min 24 h 10 min 24 h 10 min 24 h 10 min 24 h（1）（2）（3）（4）（5）（6）收到量0.0067-0.0250 0 0 0 0 0 0.0003 0.0001-5.5001 3.7199（0.0191）（0.3870）（0 0006）（0.0015）（58.5689）（12.2207）地层固定效应Y Y Y YNo。观察结果154312 154312 154312 154312 321 5182调整后的R0.0665 0.1119 0.0665 0.1119 0.9775 0.5685注：第（1）列和第（2）列的因变量（DV）是在各自的时间范围内发送的金额。对于那些不发送红包的人，它被编码为零。第（3）列和第（4）列中的DV是用于发送红包的虚拟变量。第（5）和（6）列中的DV是发送红包的条件量。报告了边际效应。括号中是在组和用户级别聚集的标准错误。

*：p<0.1，***：p<0.05，***：p<0.01。表A.8：第二大接收量与最大接收量之比的回归结果总体广泛强度10分钟24小时10分钟24小时10分钟24小时10分钟24小时（1）（2）（3）（4）（5）（6）接收量0.3209***0.3621*0.0055***0.0056***-0.3529-0.7868（0.0920）（0.1862）（0.0004）（0.0004）（0.3079）（0.5367）比率0.0515-0.1205-0.0363***-0.0379***0.2693-0.0584.1126）（0.2379）（0.0021）（0.0022）（0.4646）（0.8487）地层固定效应。在观察结果1268240 1268240 1268240 1268240 223329 273898中，调整后的R0.0620 0.0469 0.0326 0.0350 0.1811 0.1208注：第（1）列和第（2）列的因变量（DV）是各自时间范围内发送的金额。对于那些不发送红包的人，它被编码为零。第（3）列和第（4）列中的DV是用于发送红包的dummy变量。第（5）列和第（6）列中的DV是发送红包的条件量。报告了边际效应。在组和用户级别聚集的标准错误在括号中。*：p<0.1，***：p<0.05，***：p<0.01。表A.9：受试者年龄的异质性治疗影响总体广泛强度10分钟24小时10分钟24小时10分钟24小时（1）（2）（3）（4）（5）（6）受试者年龄10-19接受量0.0678 0.1172 0.0028***0.0029***-0.0457 0.0884（0.0460）（0.1134）（0.0004）（0.0004）（0.2320）（0.4652）地层固定效应YNo。观察结果610635 610635 610635 610635 88094 112338调整后的R0.1012 0.0876 0.0097 0.0130 0.2728 0.2117 20-29岁的收件人收到的金额为0.1870***0.2411***0.0033***0.0033***0.2233*0.1747（0.0263）（0.0544）（0.0001）（0.0001）（0.1299）（0.1935）地层固定影响YNo。

在3635995 3635995 3635995 3635995 500387 648902调整后的R0.0376 0.0403 0.0194 0.0223 0.1325 0.1055 30-39岁的接收者收到的金额为0.1396***0.1513*0.0032***-0.0033***-0.2930-0.6260**（0.0472）（0.0902）（0.0002）（0.0002）（0.2235）（0.2971）层固定影响YNo。在2169069 2169069 2169069 2169069 323131 418970调整后的观察值中，R0.0524 0.0587 0.0176 0.0215 0.2033 0.1595受试者年龄≥40收到金额0.2394***0.3447***0.0034***0.0039***0.0832-0.1476（0.0585）（0.0986）（0.0004）（0.0004）（0.2320）（0.3229）地层固定影响YNo。在观测值633413 633413 633413 633413 111341 142255中，调整后的R0.0893 0.1141 0.0085 0.0144 0.2587 0.2345注：第（1）列和第（2）列的因变量（DV）是各自时间范围内发送的金额。对于那些不发送红包的人，它被编码为零。第（3）列和第（4）列中的DV是发送红包的虚拟变量。第（5）和（6）列中的DV是发送红包的条件量。报告了边缘效应。括号中是在组和用户级别聚集的标准错误。*：p<0.1，***：p<0.05，***：p<0.01。表A.10：寄件人年龄的异质性处理影响总体广泛强度10分钟24小时10分钟24小时10分钟24小时（1）（2）（3）（4）（5）（6）寄件人年龄10-19收到的金额0.2973***0.4162**0.0054***0.0051***0.3190 0.6438（0.1095）（0.1875）（0.0008）（0.0008）（0.6776）（0.9387）地层固定效应YNo。观察结果428258 428258 428258 68819 87310调整后的R0.2188 0.1823 0.0128 0.0176 0.4636 0.3754 20-29岁发件人收到的金额为0.2055***0.2017***0.0034***0.0035***0.0959-0.2072（0.0342）（0.0732）（0.0002）（0.0002）（0.1400）（0.2567）地层固定效应YNo。

观察值3396534 3396534 3396534 3396534 482079 621904调整后R0.0361 0.0433 0.0252 0.0279 0.1492 0.1344发件人年龄30-39收到金额0.1224***0.1466**0.0029***0.0030***-0.1131-0.3400*（0.0298）（0.0621）（0.0001）（0.0002）（0.1292）（0.1954）地层固定效应YNo。观察结果2475226247522624752262475226345911 449217调整后R0.0346 0.0323 0.0223 0.0251 0.1471 0.1286发件人年龄≥40收到金额0.1024***0.1706***0.0030***0.0031***-0.1555-0.1692（0.0300）（0.0521）（0.0003）（0.0003）（0.1529）（0.2370）地层固定影响YNo。在观测值780907 780907 780907 780907 120486 155465中，调整后的R0.0595 0.0526 0.0119 0.0153 0.2525 0.1839注：第（1）列和第（2）列的因变量（DV）是各自时间范围内发送的金额。对于那些不发送红包的人，它被编码为零。第（3）列和第（4）列中的DV是用于发送红包的dummyvariable。第（5）列和第（6）列中的DV是发送redpacket的条件量。报告了边际效应。括号中是在组和用户级别聚集的标准错误。*：p<0.1，***：p<0.05，***：p<0.01。表A.11：受试者性别的异质性治疗效应总体广泛强度10分钟24小时10分钟24小时10分钟24小时10分钟24小时（1）（2）（3）（4）（5）（6）女性受试者接受量0.1919***0.1912**0.0033***0.0034***-0.1933-0.5985*（0.0407）（0.0838）（0.0001）（0.0002）（0.1830）（0.3448）地层固定效应YNo。观测值3870582 3870582 3870582 3870582 551408 711086调整后的R0.0450 0.0441 0.0188 0.0217 0.1867 0.1444收到的平均收款金额0.1836***0.1747**0.0033***0.0035***-0.2100-0.6796**（0.0398）（0.0801）（0.0002）（0.0002）（0.1728）（0.3244）地层固定效应YNo。

观察值3380557 3380557 3380557 3380557 506889 656573调整后的R0.0439 0.0454 0.0194 0.0220 0.1587 0.1158注：第（1）列和第（2）列的因变量（DV）是在各自的时间范围内发送的金额。对于那些不发送红包的人，它被编码为零。第（3）列和第（4）列中的DV是用于发送红包的dummy变量。第（5）列和第（6）列中的DV是发送红包的条件量。报告了边际效应。在组和用户级别聚集的标准错误在括号中。*：p<0.1，***：p<0.05，***：p<0.01。表A.12：发送者性别的异质性治疗效果总体广泛强度10分钟24小时10分钟24小时10分钟24小时10分钟24小时（1）（2）（3）（4）（5）（6）女性发送者接受0.1421***0.1825***0.0037***0.0039***-0.1601-0.3750（0.0292）（0.0568）（0.0002）（0.0002）（0.1446）（0.2626）地层固定效应YNo。在观测值2960098 2960098 2960098 2960098 478056 609017中，调整后的R0.0541 0.0471 0.0211 0.0233 0.2318 0.1547Male senderAmount收到0.1622***0.1873***0.0028***0.0029***0.0583-0.1988（0.0206）（0.0403）（0.0001）（0.0001）（0.0891）（0.1639）地层固定效应YNo。在观察值4329692 4329692 4329692 4329692 573594 748681中，调整后的R0.0309 0.0295 0.0247 0.0272 0.1281 0.0995注：第（1）列和第（2）列的因变量（DV）是在各自的时间范围内发送的金额。对于那些不发送红包的人，它被编码为零。第（3）列和第（4）列中的DV是用于发送红包的虚拟变量。第（5）列和第（6）列中的DV是发送红包的条件量。报告了边际效应。在组和用户级别聚集的标准错误在括号中。

*：p<0.1，***：p<0.05，***：p<0.01。表A.13：个人特征向量中心度对礼物传染的影响总体广泛强度10分钟24小时10分钟24小时10分钟24小时（1）（2）（3）（4）（5）（6）收到金额0.1653***0.3093***0.0061***0.0061***0.1938 0.5509（0.0588）（0.1154）（0.0003）（0.0003）（0.2212）（0.3733）收到金额×特征值-0.0319-0.3678-0.0086***-0.0085***-0.4935-2.1662*（0.1843）（0.3798）（0.0007）（0.0008）（0.6307）（1.0945）特征值2.6627***6.1014***0.2140***0.2963***5.2927***8.9651***（0.1501）（0.3054）（0.0033）（0.0037）（0.7270）（1.0232）集团规模固定效应。在观测值7266446 7266446 7266446 7266446 1060746 1370741中，调整后的R0.0398 0.0401 0.0308 0.0315 0.1520 0 0.1099注：第（1）列和第（2）列的因变量（DV）是在各自的时间范围内发送的金额。对于那些不发送红包的人，它被编码为零。第（3）列和第（4）列中的DV是用于发送红包的虚拟变量。第（5）列和第（6）列中的DV是发送红包的条件量。报告了边际效应。在组和用户级别聚集的标准错误在括号中。*：p<0.1，***：p<0.05，***：p<0.01。表A.14：组内总体聚类的影响总体广泛强度10 min 24 h 10 min 24 h 10 min 24 h 10 min 24 h（1）（2）（3）（4）（5）（6）收到量0.2838***0.6047***0.0078***0.0080***-0.0416 0.2730（0.0809）（0.1741）（0.0004）（0.0004）（0.2658）（0.4472）收到量×总体聚类-0.1654-0.5448**-0.0061***-0.0063***0.0600-0.6614 0.1088）（0.2407）（0.0005）（0.0006）（0.3550）（0.6304）平均聚类系数0.7165***1.4052***-0.0017-0.0061 5.4598***8.3258***（0.1109）（0.2365）（0.0062）（0.0082）（0.4829）（0.7520）群体规模固定效应Y Y Y Y Y Y Y YNo。

在观测值7266446 7266446 7266446 7266446 1060746 1370741中，调整后的R0.0397 0.0399 0.0238 0.0272 0.1522 0.1099注：第（1）列和第（2）列的因变量（DV）是各自时间范围内发送的金额。对于那些不发送红包的人，它被编码为零。第（3）列和第（4）列中的DV是用于发送红包的虚拟变量。第（5）和（6）列中的DV是发送红包的条件量。报告了边际效应。括号中是在组和用户级别聚集的标准错误。*：p<0.1，***：p<0.05，***：p<0.01。图A.1：自发红包（带圆圈的红包）和会话（本例中由虚线分割的三个会话）的图示。10m 1h 3h 6h 12h 24h自接收后的时间间隔0.000.050.100.150.200.250.30接收量的边际效应（总）=6h=12h=24h=48H图A.2：不同τ的治疗效果。错误条是在组和用户级别聚集的95%CI。10m 1h 3h 6h 12h 24H自接收后的时间间隔0.00.10.20.30.40.50.6接收量的边缘效应过滤正常值图A.3：正文中研究的正常组和过滤掉的组的治疗效果。错误条是在组和用户级别聚集的95%CI。10m 1h 3h 6h 12h 24H自接收后的时间间隔0.00.20.40.60.81.01.2接收量的边际效应线性校正图A.4：对（Ar、Nr、Oir）效应线性规格的回归结果。“线性”表示当（Ar、Nr、Oir）为线性规定时的结果。“分层”表示当（Ar、Nr、Oir）用于分层数据时的结果，如正文所示。错误条是组和用户级别上的95%CI群集。图A.5:x轴表示自收到红包以来的时间间隔。

y轴表示接收红包对未来发送量的边际影响。“间接”和“直接”分别指发送给除原始发件人以外的组成员的金额与发送给原始发件人的金额的比率。错误条是在组和用户级别聚集的95%CI。