风险投资业的歧视：来自两个方面的证据 随机对照试验

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。