风险投资业的歧视：来自两个方面的证据 随机对照试验

首先，创业社区的市场变化非常快。因此，当我发出邀请邮件时，很难预测在设计阶段创建的启动信息是否仍然有效。这种情况发生在19世纪，当时多个行业在短时间内受到严重打击。第二，从研究的角度来看，我需要关注于特定领域和行业的管理者的洞察力。这就要求所提供的信息应该足够通用，以容纳尽可能多的背景不同的参与者。有时，随机组合可能会产生不寻常的情况，比如一家拥有50多名员工仍未产生业务的初创公司（SeeAmazon的历史）。然而，这样的案例只占生成案例总数的很小百分比。Profigure是使用基于Pitchbook数据库数据的实际启动组件构建的，其范围是基于Pitchbook数据库的数据。其次，提供的信息遵循“Crunchbase格式”，通常在LinkedIn、Crunchbase和Orangellists上公开。一些投资者，如即插即用技术中心，有时会去这些公共平台寻找相关的初创公司来调整他们的投资组合。目前的设计旨在模仿这种类型的创业寻求行为，并为预选决策提供数据驱动的方法。为了测试隐含的偏见，我还故意在投资者评估了创业项目的一半（即第8个项目）后引入了一个短消息。这个中断提供了一个页面，指示实验进展，并鼓励投资者了解所有的评估。所有直接启动组件的随机化在表3中提供。在B.操纵性别和种族中提供了创业特征的详细构建过程。-为了表明创业创始人的性别和种族，我随机给假设的创业团队成员指定一个高度表明性别的名字（男性或女性）和一个高度表明种族的姓氏（亚洲人或白人）。为了使这些信息更加突出，同一创业团队中的所有成员都被分配了相同性别和种族的名字。此外，我还将创始人的名字包括在评估问题中，并使用诸如“她/她/他/他/他”之类的指示性词汇。与其他组件类似，figurrstnames和last names的组合由Qualtrics动态实现。该工具中使用的详细名字选择过程和名单foffull names在在线附录B表B1中提供。操纵年龄--初创公司创始人的年龄由他们的大学或研究生院毕业年份表示，而不是直接列出。如果一个团队有两个联合创始人，他们的年龄在相同的范围内，要么属于年龄较大的群体（2005年之前毕业），要么属于年龄较小的群体（2005年之后毕业）。is假设创始人23岁从大学毕业，因此近似年龄由以下公式计算:age=2020-毕业年+23。评估问题评估问题包括三个机制问题，旨在直接测试基于信念的子机制，以及两个决策问题，旨在比较投资者最初的接触兴趣和后期的投资兴趣。考虑到大多数风险资本家都受过良好的教育和市场悟性，我使用概率或百分点runchbase是一个商业平台，主要在美国提供关于初创企业的公开信息。我不提供股权分享计划等私人信息，因为这些信息通常不会在预选阶段向投资者披露。考虑到我们的合作孵化器和初创企业中亚裔创始人和女性创始人相对较多，女性和男性初创企业创始人的比例都是50%，以最大限度地发挥实验能力。亚裔创始人和白人创始人也使用了类似的比例。在初创企业的计划表中直接列出年龄是可疑的，因为这不是常见的做法。

因此，使用毕业年份作为代理可以获得更多的真实性，使用22也会得到类似的结果。然而，一些投资者可能会假设创始人毕业于研究生院，而不是这些大学的本科课程；因此，使用23。排序问题而不是Likert量表问题。这种设计有两个优点。首先，概率或百分制问题更客观。其次，从1到100的广泛范围提供了更丰富的评价结果和额外的统计力量。这使得研究人员能够实施次边际分析和分布分析，探索投资者偏好如何在接触和投资兴趣的分布中变化。在线附录B图B7和图B8中提供了这些问题的屏幕截图。（基于信念的）机制问题--这三个机制问题旨在测试以下三个基于信念的识别机制。首先，作为一个少数派可以表明初创企业未来的投资回报。为了测试这一机制，投资者需要评估每个创业项目与他们以前投资过的创业项目相比的百分位数排名，这就是质量评估问题(Q1)。其次，投资者可能会担心少数公司的创始人愿意与其他类型的投资者合作或使用其他融资工具来实现他们的融资目的。为了测试这一渠道，投资者需要评估初创公司接受他们的投资而不是其他投资者的投资的概率，这就是“可用性”评估问题(Q2)。第三，投资者可以用创始人的团体成员身份来表示初创企业的风险（即第二时刻）。因此，投资者还会评估每个创业项目与他们以前投资过的创业项目相比的风险百分位数排名，这就是风险评估问题(Q)。当我招募投资者时，只使用匹配的激励来进行稳健性测试时，就会增加这个风险评估问题。决策问题--对应测试通常只观察候选评估者最初的接触兴趣，而不是任何后期决策。为了更多地了解风险投资的投资标准，两个决策问题旨在考察投资者的初始接触兴趣(Q3)和后期投资兴趣(Q4)。投资利益问题提出的是相对投资利益，而不是投资大小，因为投资主体有投资目标金额的范围。为了容纳投资者，我试图使这个问题尽可能标准化和普遍适用。背景问题类似地，Brock和De Haas(2020)在招募真正的土耳其银行家进行贷款评估时，使用概率问题来取代李克特量表问题。与婚姻市场类似，创业融资过程也是一个双面匹配的过程。因此，这种类型的“可用性”可能也很重要。对于像创始人的性别、种族和年龄这样的特殊特征，机制问题(Q)测试最常见的统计歧视机制之一。第二个机制问题(Q)在判别文献中检验了双边匹配市场中一个典型的混杂机制。第三个机制问题(Q)揭示了预期方差A的信念是否符合投资者的决策，这在Neumark(2012)和Heckman(1998)中有详细讨论。在招募过程中，我收到了几个投资者的反馈，增加了这个问题。因此，在只使用匹配激励招募其他投资者时，在所有评估问题的末尾增加了一个风险评估问题，以最大限度地减少对所有其他问题的影响，同时收集关于该机制的信息。

获得这些信息的另一种方法是实施一个新的iFungield项目（例如，发送一份额外的调查），就像Bartoés等人所做的那样。（2016）。在投资者评估了所有项目后，我还收集了参与者的标准背景信息，以检查我的样本投资者的代表性，并根据预先确定的投资者特征分析潜在的异质性。这些背景信息包括投资者的首选行业、阶段、特殊投资哲学、性别、种族和其他标准人口统计信息。B.2捐赠部分（独裁者游戏）为了直接识别基于品味的机制，我在调查工具的末尾插入了捐赠部分。投资者将被告知，他们将收到一张意外的15美元亚马逊礼品卡，以感谢他们参与这项实验。然而，他们可以决定是否将提供的15美元中的一部分捐赠给展示的初创公司创始人。例如，如果投资者捐赠3美元，她/他将收到一张12美元的亚马逊礼品卡。研究人员将用捐赠的钱为我们的合作孵化器中相应类型的初创企业创始人购买一份小礼物，并给他们带来匿名鼓励。详细的捐赠问题和创始人的示例说明见在线附录B图B13。我通过改变描述中的图片和措辞，随机选择接受小礼物的初创企业创始人的性别和种族。投资者可以随机获得的期权包括向“女性创业俱乐部”（主要是白人女性创始人）、“亚裔女性创业俱乐部”（主要是亚裔女性创始人）、“亚裔创业俱乐部”（主要是亚裔男性创始人）或仅向“我们的创业俱乐部”（主要是白人男性创始人）提供期权。为了使性别和种族的信息更加突出，我还添加了一张包含四个相同性别和种族的初创公司创始人的照片，以便调查参与者了解他们正在向哪种类型的创始人提供帮助。照片中的所有人都微笑着，穿着专业的服装，以确保他们尽可能处于平等的地位。激励结构作为一种偏好激发技术，激励结构是IRR实验设计的一个关键点。以下激励措施的设计不仅是为了增加实验A的赌注，增加进行不准确和不准确评估的成本，而且也是为了给所有实验参与者带来真正的价值。每个评估问题的激励结构见在线附录B表B4。重要的是在评估部分后提出背景问题，以避免引发受试者思考研究项目旨在测试的任何特定特征。为了避免污染实验A的激励结构，15美元亚马逊礼品卡的薪酬只在调查工具的末尾提到，而不是在同意书中提到。我给创始人提供小礼物而不是现金的原因是，小礼物通常更多的是热情的鼓励。给少量现金可能是对某人的侮辱。在实验中使用图片的关注点是图片传达的外观或其他信息无法完全控制。为了改善这一问题，我使用四个创始人的照片组合在一起，以发出性别和种族的信号。所有图片都是从公共图书馆（即Wikimedia Commons、Freeimages等）获得的，没有版权问题。匹配激励--对于随机选择的4000名收到招聘邮件（版本1）的投资者，Ionly提供了以下“匹配激励”，遵循Kessler等人的说法。（2019年）。基本上，在每个投资者评估了所有的创业项目后，我们使用机器学习算法从我们的合作孵化器中识别匹配的创业公司。

如果匹配的创业公司也对投资者的投资理念感兴趣，他们将联系投资者寻求潜在的合作机会。匹配算法使用他们所有的评估答案来识别他们的投资偏好。因此，所有的评价问题都受到这种激励的激励。我在同意书中提供了算法的说明，算法的详细信息在在线附录B中提供。货币激励--为了增加样本量，我提供了Armona等人使用的“匹配激励”和额外的“货币激励”。（2019年）至其他随机抽取收到招聘邮件（第二版）的14000名投资者。这种“金钱奖励”本质上是一种抽奖，随机选择两名实验参与者，每人获得500美元，外加与他们对每个初创企业质量的评价密切相关的额外金钱回报。他们对每个初创公司质量的评估越准确，他们作为彩票中奖者所获得的回报就越大。然而，这只是用来激励“质量评估问题”（即“Q1”）。评估结果将根据评估过程完成后的未来12个月公布的Pitchbook数据确定。我分别通知这两位彩民，他们将于2020年7月底领奖。评估算法在同意书（版本2）中提供。公正-加入“金钱奖励”的一个问题是可能吸引不重视匹配奖励的参与者，这会导致额外的噪音。我比较了只获得“匹配激励”的投资者和同时获得两种激励的投资者的评价结果。在附录B表B6中在线提供了比较结果，表明这种潜在的额外噪声不会导致系统的不确定的评价结果。激励结构与创业公司的性别和种族之间的相互作用条件不显著。此外，这个实验发现了多个非常有意义的创业团队和项目特征，这是关键。这个“匹配激励”有以下优点。首先，研究人员可以将其应用于任何其他双边匹配市场。第二，与货币激励相比，它可以激励所有的评价问题。第三，如果所设计的匹配算法能够提高匹配的效率，那么这种激励可以为匹配市场的双方带来真正的价值。尽管有上述优点，但实施这种激励往往需要研究人员有一定的社会资源和联系。例如，实验参与者彼得·史密斯被选为幸运抽奖的获奖者。在他的调查中，他指出，平均而言，他认为男性团队更有可能产生更高的回报。在这种情况下，我们构建了一个包含男性团队的早期创业公司的投资组合。一年后，根据真实创业公司的业绩，这个包含更多男性团队的创业公司的投资组合将产生10%的回报。因此，彼得·史密斯在参与调查一年后获得500+500*10%=550美元的现金补偿。$500*10%=$50是“额外的货币回报”。风投行业的历史回报大致在-15%到+15%之间，这意味着预期的货币报酬范围大致在425到575美元之间。这种“货币激励”既有优点，也有局限性。首先，它模拟了真实的投资过程，在这个过程中，投资者拥有一定的本金，需要对创业公司进行准确的评估，以获得最大的收益。第二，它不需要很多社会资源。第三，研究人员可以将其应用于除双边匹配市场之外的更一般的情况。

然而，目前的版本只能激励对初创企业质量（即Q1)的评估，以避免扭曲参与者对其他问题的评估。如果将合作可能性（即Q2)添加到foungnancial返回算法中，那么所有参与者都可能声称最好的初创公司愿意与他们合作，即使这不是真的。类似地，如果联系利益（即Q3)和投资利益（即Q4)被添加到投资收益算法中，参与者可能会为了最大化他们的投资收益而扭曲他们的真实评估，因为对于投资者的投资利益来说，Q3和Q4都可以被Q2所代替。这意味着投资者理解激励机制，并对所有问题进行评估。3.2实验结果。（IRR实验）对少数公司创始人没有群体层面的显着偏见。我将投资者i对创业项目j的评价问题k表示为Y(k)ij，并估计以下回归，这使得我可以调查在我们的研究中招聘的投资者对创始人人口统计信息的平均反应。形式上，Y(k)ij=xijβ(k)+αi+kij(1)xij代表任何创始人的人口统计信息，如性别、种族或年龄。αiare投资者注册的e-指定的ECTS，该ECTS反映了投资者的平均评级。由于每种类型的创业特征都是正交和独立随机化的，所以CoE cientβ(k)有一个因果解释。表4报告了使用总共1,216个项目评估结果测试基于创始人性别（Panel a)、种族（Panel B）和年龄（Panel C）的群体水平显式偏差的回归结果。女性（亚洲）创始人是一个虚拟变量，如果初创企业创始人有女性名字（亚洲姓氏），则等于1，否则等于零。年龄是根据大学毕业年份估算的创始人年龄。因变量是投资者对初创企业质量的评价结果(Q1)、合作意愿(Q2)、风险(Q5)，以及投资者接触团队(Q3)和投资团队(Q4)的兴趣。所有的回归都包括投资者对每个投资者的主观判断进行控制。回归结果显示，大多数关于创始人性别、种族和年龄的CoE_cients与零没有显著差异，这表明对少数创始人没有群体层面的明显偏见。这一无效结果可能源于以下原因。首先，投资者明白他们参与的是一个研究项目，因此对少数族裔表现得更友好。第二，招募的投资者更亲社会，导致样本选择偏差。最后，方正集团的成员资格并不是专业投资者关心的首选特征。这两个原因意味着检测到的显式偏差是trueSee Online附录B表B5的下限。研究人员还可以单独向受试者提问，以测试他们对激励的理解（Casaburi和Willis(2018))。唯一的例外是，年长的创始人被认为在0.10的意义水平上风险略低。然而，鉴于只有一小部分投资者需要回答第五个问题，我不专注于这个结果。此外，我不认为投资者在评估多数创始人和少数创始人的业绩上花费了大量的时间。现实世界中的偏见。（IRR实验）对少数群体创始人的群体水平内隐偏见。（信念驱动）根据Bertrand等人。(2005b)和Cunningham and de Quidt(2015)的研究表明，当任务涉及歧义、评估混合属性或人们面临时间压力时，内隐偏见可以显著地改变人们的行为。在预选阶段筛选初创企业的任务满足了这些标准。具体来说，许多投资者需要在缩小潜在投资目标之前，迅速评估数量惊人的初创企业。

因此，检验是否存在内隐偏差是非常重要的。表5报告了基于创始人性别（小组A)、种族（小组B）和年龄（小组C）测试组水平内隐偏差的回归结果。继凯斯勒等人之后。（2019年），我检查投资者对少数族裔创始人的评分是否在他们感到疲劳时下降，这要求我比较投资者在插入短暂休息前后的评价（即比较研究的前半部分和后半部分的评价）。“第二半研究”是投资者看到的最后八个项目中显示的创业项目的指标变量。在第（1）栏中，因变量是投资者的反应时间，被定义为每次pagesubmission前的秒数，并在95百分位处进行筛选（平均59.23秒）。回归结果证明了对女性和亚洲创始人的群体水平的内隐偏见的存在。第（1）栏显示，投资者在研究的后半段确实变得疲劳或匆忙，因为在插入休息后，他们花了27秒来评估每个项目。第（2）和第（5）栏表明，在研究的后半段，投资者对女性（亚裔）创始人创业公司的“质量评级”和“投资兴趣”分别比类似的男性（白人）创始人创业公司逐渐下降。在第（2）-（5）栏中，“女性创始人”（“亚裔创始人”）和“学习后半段”的互动项全部为负值。这些交互作用项在第（2）和第（5）栏中显著为负，表明信念驱动的内隐偏见对女性和亚裔创始人，而年长的创始人并不排除这种内隐偏见。表5和表4的面板Cs甚至显示，投资者既有“显性”的信念，也有“隐性”的信念，认为年长创始人的创业风险较低。替代解释-学习e-ect对“疲劳e-ect”的另一种解释是，当投资者更熟悉评估这些项目时，他们对少数族裔的评级会下降。这预示着更糟糕的情况，投资者的偏见本质上是“明确的”，尤其是当他们更有经验的时候。在去掉对每个投资者的少数评估后，“疲劳”仍然存在，这表明“学习”可能对年长的创始人没有意义。此外，在研究的后半部分，少数族裔的评估时间并没有明显减少，排除了在筛选过程中的注意力歧视（见附录B表B9)。尽管在研究的后半部分，“亚洲创始人”的P值约为0.2，但表7随后显示，在“高接触兴趣”情况下，对亚洲人有强烈的内隐偏见。是主要原因。然而，如果投资者直到评价部分结束还在学习，那么由于缺乏权力，我不能完全排除这个渠道。排除其他替代解释对发现的“疲劳”的另一种替代解释是，投资者可能“期望”整个企业家群体遵循现实世界的分布，比如“80-20”，而不是本实验中使用的“50-50”。然后在审查过程接近尾声时，投资者可能会倾向于将样本向他们预期的总体方向倾斜，从而导致有偏差的实验结果。为了验证这一假设，我检查投资者的评估结果是否与他们在前半部分已经评估的“混合预测”相一致。然而，我没有发现系统的证据表明，投资者在一半评估的少数族裔创始人，在一半评估的少数族裔创始人时，她/他对少数族裔的态度越强硬。结果载于在线附录B表B7.B.1基于投资者部门稳定6测试的异构e-ect对在技术部门和非技术部门工作的投资者的隐性性别偏见。

根据讨论科学或STEM行业性别问题的文献（Carrell,Page and West(2010)、Goldin(2014)和Kessleret al.(2019))，来自科技行业的投资者可能对女性创始人有更多的隐性偏见。表6 PanelA关注的是主要从事信息技术(IT)行业的技术部门投资者。第（2）和（5）栏显示，这些科技投资者对女性创始人有更强的信念驱动的内隐偏见，基于她们的素质评估和表明的投资兴趣。然而，小组C的结果显示，在其他行业工作的非科技投资者，如教育行业、媒体行业或娱乐业，并没有这种对女性的隐含偏见。为了帮助了解科技行业这种隐含性别偏见的程度，表6小组B侧重于研究的另一半，并以进入常春藤盟校的E-ect作为基准，计算这种隐含偏见的程度。面板B列（1）显示，平均而言，进入常春藤盟校的投资者对质量的评价提高了8.78个百分点。隐性性别偏见占到了常春藤盟校的44%。第（4）和（5）栏显示，对于投资者的接触兴趣和投资兴趣，这种隐性性别偏见分别占常春藤联盟大学的37%和60%左右。这一幅度并非微不足道，表明隐性性别偏见可能在科技行业投资者的决策中发挥重要作用。选择“50-50”是为了最大限度地发挥实验力量。然而，使用这个比率也可能会不断提醒投资者注意实验的刺激（即测试歧视），使投资者表现得更加友好，尤其是在平衡比率更明显的下半场。特别感谢彼得·德马佐，他提出了这个精彩的观点，并提出了相应的测试方法。在Zhang（2021）中发现并由Lundberg and Startz(1983)、Neumark(2012)和Heckman(1998)指出，评价者的社会敏感偏好的大小和方向可以随着候选人能力或素质的分布而变化。因此，为了调和文献中混杂的结果，本节考察了投资者的隐性性别、种族和年龄偏见是如何随着初创企业的质量而变化的。由于通信测试和Ewensand Townsend(2020)只观察了接触阶段，我需要使用投资者接触初创企业的可能性（即“Q3接触兴趣”）而不是投资兴趣（即“Q4”）来调和文献中的混合结果。图6通过分析在后半部分评估的结果来展示这些分布情况。面板A、C和E分别提供了投资者接触兴趣评级中创始人性别、种族和年龄的经验累积密度函数(CDF)。面板B、D和F分别为投资者的接触利率评级提供了创始人性别、种族和年龄的OLS Coe CientEstimates和相应的95%预测区间。图6中发现的分布e-ects表明，投资者的性别、种族和年龄偏见的方向和幅度在初创企业的质量上都有所不同。在评估“低质量”的初创企业时，投资者倾向于女性、亚洲人和年长的创始人；然而，在评估“高质量”的初创企业时，投资者倾向于这些少数群体的创始人。例如，根据面板A，当投资者的联系利率低于5%时，女性创始人的CDF比男性创始人的CDF稍微靠右。在B面板中，在分布的左尾，女性鱼类的COE也略微为正。

这些都表明，在“低质量创业公司”中，投资者略偏爱女性创始人。然而，随着投资者接触兴趣的增加，这种偏见发生了逆转，投资者开始更喜欢男性创始人。如图6所示，在种族和年龄偏见方面也存在类似的“歧视逆转”现象，表7使用回归方法对这种“歧视逆转”现象进行了分析。PanelA研究表明，投资者在评价“高质量”创业公司（即Q3≥50%)时主要存在隐性种族偏见，投资兴趣（Q4）和接触兴趣（Q3）之间存在两个关键的差异。首先，投资兴趣（“Q4”）比联系兴趣（“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是至关重要的。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，对于女性创始人来说则消失。原因在于，任何由味觉驱动的女性偏好（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。根据Zhang(2020)，这些结果是预期的。附录B中的图B3使用了总的预测结果。尽管由于潜在的同意表E(cect)，偏差的幅度要小得多，但模式仍然与图6相似。年长的创始人被定义为2005年前大学毕业的创始人。如果Q3≥40%或Q3≥60%，结果仍然稳健。第(2)、(4)和（5）栏显示，在研究的后半部分，亚裔创始人在可投资性评估(Q1)、联系兴趣(Q3)和投资兴趣(Q4)方面的得分明显低于白人创始人。小组讨论了这种偏差的大小。第(2)、(4)和（5）栏显示，常春藤盟校在投资者素质评价、联系兴趣和投资兴趣方面对亚洲创始人的隐性偏见分别占49%、38%和80%。然而，C小组的结果表明，在评估“低质量”初创企业（即Q3≤50%)时，投资者没有这种隐性偏差。发现的“歧视回归”现象为调和先前文献的矛盾结果提供了一个至关重要的洞察力。一方面，利用基于回归的方法的论文通常使用相对高质量的初创企业的观察数据，这些初创企业要么成功筹集资金，要么足够成熟，可以在大型融资平台上发布信息（Ewens and Townsend(2020))。因此，这些论文主要捕捉初创企业质量分布的中右部分，那里的投资者对女性和亚洲创始人更有偏见。另一方面，使用通信测试方法的论文往往侧重于冷呼叫推销电子邮件设置。对这些冷电话邮件的响应率表明，这种实验方法主要捕捉到创业质量分布的左尾，即投资者接触兴趣较少的地方。不足为奇的是，通信测试发现，投资者对女性和亚洲创始人略有偏见。综上所述，以前的文献产生了混合的结果，因为它们捕捉到了投资者在创业质量分布的不同部分对创业的偏好。当歧视可以在这个分布上逆转时，对应测试的结果不能推广到moremainstream融资解决方案。为了完全理解为什么投资者的偏见可以逆转，研究人员需要识别这种偏见在创业质量分布上的性质。

实验A表明，对高质量创业公司的女性和亚裔创始人的内隐偏见主要是由认为少数民族创业公司不太适合驱动的。在第4节中，实验B将识别投资者在评估低质量初创企业时的偏见的性质。基于决策的异质E-ect和“留一”估计在现实世界中，投资者对创始人的性别、种族和年龄的偏好是异质的。有的偏向少数族裔创始人，有的偏向少数族裔创始人。在一个分裂的社会中，不受约束的群体可能会基于不受约束的动机做出相反的决定。例如，如果“支持少数族裔”的投资者只是想支持少数族裔而不是最大化收益，他们的投资决策可能会受到品味的驱动。然而，如果“反少数”投资者认为少数创始人的初创企业不那么有利，他们的投资决策可能会受到信念的驱动。理解这两个独立的驱动力会使这些团体的决策产生重要的政策影响。为了测试投资者之间的分歧以及投资群体的分歧程度，我使用“留一”技术开发了一个一致的、“基于决策”的异构ECT估计器。这个估计器工作的逻辑非常简单。IRR实验引入了“个人内部”水平随机化，并要求投资者评估多个随机化的创业项目。因此，当每个投资者评估的项目数量足够大时，研究人员可以根据投资者在理想环境下的接触/投资决策来识别“个人层面”的偏好。从理论上讲，准确地区分whichinvestor对少数群体有偏见，将招募的投资者分为“亲少数”群体或“反少数”群体是可行的。然后，研究人员可以在每个组中运行单独的集合回归，以调查每个组的心态。然而，在非理想情况下，创建一致的估计量需要使用“留下一个”技术解决潜在产生的回归问题。表8提供了基于决策的异构E-ect模型，该模型针对创始人的性别、种族和年龄，度量了“支持少数”投资者和“反对少数”投资者的评估结果。小组A、B和C通过使用评估问题的后半部分来报告基于ContactDecision的创业创始人的性别、种族和年龄的异构e-ect。由于样本规模相对较小，括号中的所有COE和标准误差都是使用“留下一个”估计值和引导法计算的。表8面板A的结果显示，“支持女性”投资者和“反对女性”投资者对女性领导的初创企业的可投资性有着非常不同的期望。专栏（1）显示，“反女性”的投资者认为，女性主导的创业公司的潜在收益比男性主导的创业公司低16.40个百分点。他们对女性创始人的接触兴趣和投资兴趣也低于同类男性创始人。然而，“支持女性”的投资者预计，女性领导的初创企业的潜在利润比男性领导的初创企业高7.93百分位，他们也更喜欢联系女性创始人，而不是男性创始人。小组B和小组C显示，对于“反亚裔”和“反年长”群体来说，对这些创始人的可投资性期望值较低也是投资者不愿接触亚裔和年长创始人的重要原因。与性别偏见类似，对亚洲人领导的初创企业和较老领导的初创企业的预期差异是投资者决策分歧的一个解释。此外，经辐射测试的异质电子商务通常依赖于受试者预先确定的人口统计信息。例如，研究人员分别测试受过良好教育的投资者和未受过良好教育的投资者的投资偏好。

然而，“基于决策”的异构ECT估计器根据每个投资者的指示性决策将投资者池分为“支持少数”组和“反对少数”组。应该注意的是，这种估计器的当前版本仍然依赖于线性假设，这种估计器的更广义的形式将在未来的论文中提供。然而，正如第3.2节所示，“亲老年”投资者的决定也受到老年创始人风险较小的信念的影响。对于“亲亚洲”团体，捐赠结果稍后将表明，品味也起到了作用，因为我们的样本投资者对亚洲创始人更友好。投资者对女性创始人的态度分歧大于对亚洲和老年创始人的态度。在新冠肺炎时期，女性领导的初创公司表现比男性领导的初创公司差吗？为了验证投资者信念的准确性，我比较了07/2020-07/2021/期间（即实验后的一年期间）女性领导的创业公司和男性领导的创业公司的表现。在线附录B表B8显示，如果有先前的融资条件，女性领导的创业公司在筹集新资金、倒闭或通过IPO或并购成功退出的可能性方面通常与男性领导的创业公司表现相似。然而，女性创业公司在IT行业表现不佳，具体情况与该行业退出业务的可能性更高有关。在某种程度上，这恰恰反映了投资者对女性的性别偏见，因为投资者需要在预选阶段筛选出更多女性主导的初创企业，以获得与投资男性主导的初创企业相似的业绩。需要注意的是，由于新冠肺炎，女性主导的初创企业表现不佳可能是暂时现象。（独裁者博弈）基于鉴赏力的性别同源性9报告了独裁者博弈的回归结果，在独裁者博弈中，投资者的匿名捐赠决定既不能限制他们的投资机会，也不能帮助改善投资者的社会形象。因此，结果只测试了基于初创公司创始人性别和种族的潜在品味驱动偏见。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，我排除了未选择捐赠金额的投资者。“女性创始人”和“亚洲创始人”是指示性变量，如果显示的初创企业创始人分别是女性和亚洲人，则等于1，否则等于零。同样，“女性投资者”和“亚洲投资者”是指示性变量，如果投资者是女性和亚洲人，则分别等于1。Allregressions使用括号中报告的稳健标准误差。第（1）和（4）栏显示投资者偏向亚洲创始人，这是有道理的，因为这些实验参与者可能更亲社会。第（2）和（5）栏显示，与类似的男性创始人相比，男性投资者平均少向女性创始人捐赠3美元，这表明对女性创始人有一种微弱的群体层面的品味驱动偏见。然而，第（5）栏显示，女性投资者显然更有可能向女性创始人提供支持，即使创始人无法观察到这种支持，她们也会对真正的monBordalo，Co-man，Gennaioli和Shleifer(2016)，而Bordalo，Co-man，Gennaioli和Shleifer(2019)对不正确信念的影响进行了详细讨论。这里使用的方法类似于贝克尔（1993）提到的“结果测试”。巴伯、姜、莫尔斯、普里、图克斯和沃纳（2021）表明，在COVID-19疫情期间，女性的研究生产率下降更多。我不检查亚洲和年龄较大的创始人创业公司的表现，因为关于创始人的种族和年龄的信息都记录在Pitchbook.etrial Award上。