社交媒体与政治献金：新技术的影响 论政治竞争

我们在在线附录表A9中分别提供了expe rienced和新政治家的汇总统计数据。在整篇论文中，我们检查了c lassied政治家作为新人采用Twitter的异构E例句。11Facebook采用：我们还收集政治家采用最具竞争力的社交网络Facebook的数据。我们为名单中的所有政治家收集了脸书公开帖子日期的数据，并将其用作采用脸书的日期。党卫军超过1%的政治家在同一周内在推特和脸书上开设了一个账户。如果一个政治家在加入推特之前采用了面簿，我们会使用一个虚拟变量，否则为零（对于有推特账户的政治家）。州人口和投票特征：在我们的分析中，我们控制了国家特征，包括人口统计数据，如从CEN-11获得的家庭收入和人口，我们将新的和有经验的类别划分为现任和挑战者类别划分，因为一个前政治家可能最终在未来的选举中成为挑战者，同时仍然受益于以前在国会的经历（例如，更高的知名度、众所周知的政策立场、媒体的更高报道等），我们的类别划分捕捉到了一个有经验的政治家所拥有的短期和长期任职优势。在分析的扩展中，我们还考虑了与富人份额（即收入超过25万的家庭的份额）、与大学教育的份额以及使用人口普查数据的非裔美国人份额的相关性。我们使用了从uselectionatlas.org.4经验框架中获得的共和党选票份额（乔治·布什在2004年总统选举中获得的）数据。我们的关键经验假设是，采用推特的政治家在竞选设计中看到了收益。在在线附录A.3部分，我们正式建模政治家如何从采用Twitters中获益。12图3展示了政治捐款在Twitter渗透率高和低的状态下是如何演变的，只控制了政治家和周内的情况，在Twitter进入之前和之后。13这一发现有两个要点。首先，捐款似乎确实在加入Twitter之后有所增加，但在加入Twitter之前没有，而且，在Twitter使用率高的地方，这种情况更强。其次，在政治人物加入Twitter之前，在高推特渗透率和低推特渗透率之间，对他们的捐款似乎没有明显的差异，但在他们加入Twitter后，却有明显的差异。总的来说，图3说明了我们的主要观点：进入推特似乎有助于政治家增加他们的政治捐款，在推特渗透率高的地方，支持度更高。从技术上来说，我们旨在估计以下等式:outcomeit=-0+-1ont Witterit+-2ont Witterit P enetrationsy+“pm+xit+×it，(1)这里P enetrationsyis在y年的州s的推特渗透，pmis是政治家月份的，而Xitis是控制的矢量14.to Identify-2，我们需要一个假设，即误差项与未观察到的因素没有显著相关。例如，即使出现了一些未观察到的活动，并且在推特条目时急剧变化，它也不应该是一个p roblem12我们分析了两个间接的渠道，通过这些渠道可以限制捐赠者的行为。informationchannel意味着，开设Twitter账户可以让政客们与他们的选民获得一个新的、相对便宜的沟通渠道。对于不知道候选人或不知道她的政策的捐赠者来说，这创造了意识。一个说服渠道可以让已经知道候选人的潜在捐赠者通过Twitter反复接触信息，并说服他们做出更多贡献。13请注意，我们的基线经验规定更加饱和。

为了构造这个数据，我们实际上使用rawdata，以示说明。14在本文中，我们给出了不包含状态级控件与在Twitter上交互的控件和包含状态级控件的控件的情况下的基线结果。14对于我们的估计，只要该活动不在高Twitter渗透状态和低Twitter渗透状态下间接地提供一个固定的ECT政治捐款。从形式上讲，以下假设应该成立：假设1。在此假设下，我们可以正确地估计Twitter在高渗透状态下与低渗透状态下的交互影响，即使对Twitter的直接E-1或Twitter的全部E-1+-2的交互影响的估计可能有偏差，也可以正确地估计Twitter在高渗透状态下与低渗透状态下的交互影响。事实上，它是一个平行的趋势假设，应用于我们的具体经验框架。15更详细地说，方程（1）中OLS估计的exp e cte d偏差是qcccccccca-0-1-2....rdddddb=qccccccca-0-1-2....rddddddb+！x“≠1 qcccccccae('Aitxit，”pm）cov(onT witterit，'Aitxit，“pm）cov(onT witterit P enetrationst,'Aitxit，”pm）...rddddddb)，需要假设1在预期中一致地识别-2而没有偏差。与此同时，为了识别-1和-2，我们需要一个更强的假设，即误差项需要与加入Twitter的决定的未观察到的决定因素无关，条件是已确定的e-ect和其他观察。16 17注意，虽然我们有不同程度的Twitter渗透的地区，但我们没有15注意，最近几篇论文使用了交错采用的di-in-di-ence分析，包括Athey和Imbens(2018)和熊等人。（2019）他们提供了与这一方法有关的更一般性的讨论。16从技术上来说，这是假设2。；corr（onT witterit,'Aitxit,“pm）=0corr（onT witterit P enetrationst,'Aitxit,”pm）=0corr（onT witterit P enetrationst,'Aitxit,“pm）=0corr（onT witterit P enetrationst,'Aitxit,”pm）=0corr（onT witterit P enetrationst,“pm）=0corr（onT witterit P enetrationst,”pm）=0corr（onT witterit P然而，一些未被观察到的高频活动可能违反了这一假设。17更正式地说，让我们假设在加入Twitter时有一些其他不可测量的活动，比如cor r(ait，'AIT)“=0，但corr（ait P enetrationit，'AIT)=0（即假设1仍然成立）。和以前一样，我们估计:outcomeit=-0+-1(Truetwitterit+ait)+-2(Truetwitterit+ait)P enetrationit+”PM+'Ait，其中TrueTwitteritis是加入Twitter的准随机成分。然后给出估计的coe_cients byeqcca-0-1-2....rddb=qca-0-1-2....rdb+！x“≠1 qcae('Ait”pm）cov(onT Witterit+ait,'Ait“pm）cov([onT Witterit+ait]P enetrationst,'Ait”pm）...rdb因此-1会有偏见，而-2不会.15一个Twitter渗透率为零的适当控制市场。在这里，我们隐含地假设，使用相互作用项，我们可以线性地外推到没有任何约束的市场。这一假设与现实相去甚远，因为在一些市场（如怀俄明州或蒙大拿州），Twitter的渗透得分确实非常接近于零。在这个假设下，OnT witterdummy捕捉到了政治家加入Twitter时发生的任何活动，但这与渗透率无关（见上文FOOTNote16中的讨论）。18还请注意，原则上，加入Twitter的决定，OnT witterit可以是（缓慢变化的）Twitter渗透率的函数，而不违反假设1和假设2，只要我们在州年度一级的数据中获得的更高的渗透率与政治家月份的渗透率完全一致。在接下来的内容中，我们将使用mos t保守的方法来估计1，因此我们重复假设1。

利用这一点，我们着重于估计在高Twitter渗透状态与低Twitter渗透状态下加入Twitter的直接影响。我们将在第5.3.4.2节中更多地讨论推特对政治家的价值。因为（1）中的特殊情况明显地控制了政治家及其所在州的时间不变和时间不变的特征，对政治家的主要威胁是这些政治家同期未被观察到的营销活动，这是故意或偶然的，可能导致这些政治家加入推特的同一周捐款激增，在推特渗透率较高的州更是如此。不幸的是，我们不能直接测试识别假设，也不能检查加入推特是否与一些不可观察的因素一致。相反，我们进行了两个练习，目的是加强我们的IDENTI论证。首先，我们通过提供安慰剂或“平衡”测试，检查可观察到的捐赠的潜在驱动是否与加入推特系统相关，在高推特渗透率和低推特渗透率状态下，这是间接的（参见裴等人（2019））。其次，在在线附录中，我们使用Altonji-Elder-Taber框架（Altonji et al.，2005)考虑了由于不可观察项造成的潜在偏差，即如果它们与可观察项呈正相关。为了解释我们的发现，我们估计在不可观察项上的选择有多大。我们报告安慰剂测试的结果，该测试测试加入Twitter是否确实与5.4节中的其他活动度量一致。这些测试检查了当政治家们采用Twitter18我们感谢副编辑提出这一点。16在推特渗透率高和低的地区，有一种更高的新闻和博客覆盖率、更高的电视广告支出或其他类型的竞选活动。图4、5和6说明了在高推特渗透率和低推特渗透率地区，新闻覆盖率、博客提及量和广告支出在推特采用周内的变化情况。5经验结果5.1基线结果我们根据（1）中给出的具体规定，对表1中的总捐赠、表2中的至少一次捐赠以及表3中的捐赠数量给出了结果。表1演示a推特互动和推特渗透对所有政治家的政治捐款总额的积极和有意义的影响。在这些表中，我们还通过比较Twitter渗透率较高的状态相对于渗透率较低的状态的收益，报告了加入Twitters的隐含e-ect。在Twitter渗透率较低的状态中，高-和低-分别被定义为状态渗透水平的75%和25%。在我们的数据中，所有表的最后两行分别给出了开始（2009年）和结束（2014年）的di和erence。我们有

然而，我们可以看到，在所有三个表和具体情况中，添加这些controls并没有很大程度上改变感兴趣的CoE cient，而是增加了它，而不是减少了19，对总Eect的估计的另一个潜在问题是，这些估计是基于对零渗透市场的线性插值。虽然这样做在前几年似乎是合理的，但在我们的时间周期中的后几年可能是有问题的。17it，这与没有未观察到的异质性解释我们的结果是一致的（Altonji et al.(2005))。对这些相互作用进行控制的相应结果在大多数情况下确实稍微精确一些。20加入Tw itter的直接coe_cient主要是有意义的，与加入Twitter不应该是一个渗透率非常小的成熟的ECT市场的预测一致。21表1、2和3还报告了结果异质性的一个重要方面，因为加入Twitter似乎有助于以前从未当选过的新政治家（表1、2和3中的第（3）和（4）栏），而对有经验的政治家没有太多的帮助，他们在决定开设Twitter acc ount之前至少当选过一次。此外，对于新政治家来说，加入推特后一个月内对每周捐款的影响从2009年的4.7%到2014年的41.4%不等（表1第3栏）。相比之下，经验丰富的政治家的交互作用是负面的，尽管在统计上没有意义（表1的第（5）-（6）栏），其作用的绝对值至少是新政治家的4倍。22总的来说，这些结果与社交媒体对知名度较低的候选人有帮助，但对经验丰富的政治家没有帮助的预测是一致的。对至少接受一次捐赠的概率（表2）和捐赠数量（表3）的估计结果与总捐赠的结果基本一致，对新政治家的估计也是最大和最准确的。为了以详细的方式推导这些ecoe_cients的含义，在5.3.5.2节中观察到Twitter e_cients随时间的下降，使用不同的窗口特定的基线结果。迄今为止，我们讨论的结果不允许我们解释政治家打开他们的Twitter账户的月份之后的幅度。政治家----月份的e----在等式（1）中吸收e----在新的月份开始后的e----ect。因此，解释表1、2和3中给出的在推特账户运营月份之后的活动中的月份的幅度需要做出强有力的假设。处理这个问题的一个方法是使用限制性较小的e句，如政治家e句。20在在线附录表A16中，我们提供了与控制项相互作用的COE cients，并为log（捐赠金额）逐个添加控制项。21注意，这些结果应谨慎解释，因为在假设1下，我们不能一致地估计直接的ECT。此外，由于我们没有观察到数据中渗透率为零的市场，将Directe ited ect解释为具有零p e netroration的m arket中的一个是基于插值。22注意，加入Twitter的direct coe with cient对有经验的政治家略微有意义，尽管一旦增加控制，它就会失去意义并改变其标志。18在本小节中，我们提出了一种替代方法来估计Twitter使用政治家ited e its的直接影响，其方式在质量上类似于图3中的结果。具体来说，是一个政治家在窗口打开后5、6、7、8、9、10和20周以及打开前8周打开推特账户之前和之后发生的事情。

我们估计以下窗口特性:outcomeit=-0+-1ont Witterit+-2ont Witterit P enetrationsy+“i+xit+×itfor t0≠8<t<t0+k时间窗口，其中”ii是一名政治家。23表4所示的这些结果表明，加入Twitter与Twitter渗透的COE与我们的主要结果是一致的。推特对政治捐款总额的影响对新政治家来说尤其强烈，但对有经验的政治家来说规模要小得多，在统计上也没有意义。第1和第2栏中的幅度表明，推特对所有政治家（表4第1栏）的影响在2009年为2.4%，2014年为20.9%，对新政治家（表4第2栏）的影响在3.5%至28.7%之间。24这些幅度略小于表1中的幅度。在我们信任这两项估计的程度上，我们可以使用表1和表4中的COE cients的比较来理解Twitter在竞选过程中的下降情况。5.3关于幅度的讨论表1的结果表明，当使用政治家月内的具体情况时，Twitter对每周捐款的直接影响从2009年的2.9%增加到2014年的22.8%增加，所有这些都是基于1000美元以下的捐款。在这一节中，我们讨论这些数字可能意味着什么，指的是在高推特渗透状态与低推特渗透状态（75%与25%）中的双推特E-ect。请注意，在假设1下，我们只能一致地估计在Twitter上的di iterential e itect，而不是在某个特定的Twitter渗透水平上加入Twitter的全部总数e itects。2523我们发现，我们与新政治家竞选支出有关的安慰剂测试在8周的窗口期内仍然有效，此后它们一致失败。24注意，如果我们关注2周而不是8周窗口，这种方法提供的结果在数量上与我们的基线结果（表3）相似，所以我们的两种方法是一致的。我们在表4-7中提供了不同的窗口长度，使用8周前的时间，然后在之后改变窗口长度。25比较25百分位和75百分位对应于中位以下的中位穿透和中位以上的中位穿透的比较，这符合图3中的描述性证据。使用相同的方法，人们可以计算其他百分位数对的di iterential e itects。19注意，在政治家加入Twitter的几个月中，平均每周d itonation金额为1,534美元（表A8)。平均而言，政治家在每月的第二周加入推特，活跃时间为2.79周。根据表1，推特的平均收益从2009年的每周1534美元0.029=44美元到2014年的每周1534美元0.228=350美元，即2009年开户当月的收益为442.79=124美元，2014年的收益为3502.79=976美元。推特估计影响的下限可以通过假设推特的收益在短期结束时消失来计算。表4的结果为我们提供了一个机会，可以了解Twitter在开设行政协调会后的8周内的隐含E-ECT是如何变化的。使用该表第（1）栏中的2009年和2014年的隐含Twitter E-ECT显示，2009年的收益为1,534美元0.024 8=294美元，2014年的收益为1,534美元0.209 8=2,565美元。这些数字是这8周后Twitter e-ect在e-ect为零的假设下的一个更好的界限。

latternumber表明，Twitter隐含的ECECT至少相当于平均众议院候选人在竞选过程中收到的所有捐赠的0.7%和1000美元及以下所有捐赠的1.7%。26这些数字平均构成了竞选过程中对新众议院候选人所有捐赠的1%和1000美元以下所有捐赠的2.7%。27注意，这8周平均包括从第一个月算起的2.79周，我们的ECENTS估计是基于第二个月算起的2.79周，以及剩余的5.21周。因此，从这些数字中，我们可以推断出，在数据发布的第一个月后，与Twitte r相关的平均每周增量2009年为($294-$124)/5.21=33美元，2014年为($2565-$976)/5.21=304美元。捐赠的第一个月后，每周幅度变小。假设推特的Ect在竞选期间的第二个月之前保持在相同的水平，可以计算Ect的上限。平均而言，政治家们在选举前25周左右开设推特账户。在此期间，隐含收益在2009年转化为124美元（当月的Ethe ect）+33(25≠2.79)=857美元（剩余竞选期间的Ethe ect）；在2014年转化为976+304(25≠2.79)=7728美元。根据后者的数字，推特隐含Ethe ect的上限是竞选期间平均众议院候选人收到的所有捐赠的2%，在1000美元以下的所有捐赠的上限是5.4%。同样，对于一个新的政治家，计算的上限对应于对新的众议院候选人的所有竞选捐款的3.1%和1000美元以下的所有捐款的8.2%。作为一个额外的练习，我们计算了说服率26，众议院候选人在两年的竞选活动中收到的平均捐款总额为386,877美元，低于1000美元的捐款为143,611美元。27对新的众议院候选人在两年的竞选活动中收到的平均捐款总额为249,810美元，低于1,000.20美元的捐款总额为94,849美元（DellaVigna and Kaplan，2007；DellaVigna and Gentzkow，2010)（见在线附录a.1)。从这项研究中得出的结论是，我们的估计所暗示的说服率与政治广告中的说服率大致相似（Spenkuch和Toniatti,2016）。5.4安慰剂测试识别假设是，以政治家月为限和其他控制措施为条件，在推特上进入高推特渗透率和低推特渗透率的州与未观察到的捐款异质性无关。换句话说，我们假设在给定的一个月内，对于某个特定的政治家来说，加入Twitter的确切时间在Twitter渗透率高和低的地区是随机的。如果其他一些筹款或营销活动在时间上与Twitter的采用同时发生，那么这个假设就被违反了，这些地区的Twitter渗透水平也不同。虽然我们不能直接检验这一假设，但我们进行了一些检验，以确保至少可以观察到的捐赠的潜在决定因素不能解释我们的结果。(2019)，我们进行了“安慰剂”或“平衡”测试，根据可观察到的情况分析是否有任何明显违反ouridentification假设的情况。裴等人。（2019）认为“平衡测试”方法是一种有益的练习，这种方法将可观察到的东西放在“左手边”作为因变量，类似于比较基线或治疗前特征的随机试验。28竞选支出对我们随意声明的潜在威胁是Twit-ter进入的时间和其他未观察到的营销活动之间存在相关性的可能性。顺便说一句，虽然未被观察到的营销活动是我们没有数据的活动，但政治家的竞选支出可以作为他们的合理代理。

向联邦选举委员会详细报告竞选资金的使用时间和方式（请参见第3节和数据附录），联邦选举委员会将竞选支出分为12类。与营销活动最相关的类别包括广告费用、竞选材料费用、筹款费用和差旅费（可能包括竞选活动中的城镇访问）。在在线应用endix第a.2节中，我们根据Altonji等人提出的方法计算安慰剂的使用情况。（2005）为了量化不可观察物的影响有多大，必须与对可观察物的选择相对应，才能充分证明结果是正确的。使用这种方法，我们发现，为了将我们的整个di-in-di-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e-e这加强了我们估计的可信度。在线附录中的表A1为各种具体情况提供了COE和Cient比率测试。21每个类别（以及总支出）作为因变量。对支出数据的一个担忧是它有多吵，然而，我们发现每周总竞选支出与同一周收到的总竞选捐款高度相关，如表A17中每个支出类别所示。这减少了人们对支出数据是高水平噪音的担忧。表8提供了安慰剂在不同类别的竞选支出。如果有其他未被观察到的营销活动与开一个Twitter账户同时发生，并且这些活动在Twitter渗透率高和低的地区有所不同，那么这些活动可能会对我们归因于Twitter的E-ect提出另一种解释。为了减少这种担忧，我们发现Twitter上的电子商务与Twitter渗透率的互动在统计上对所有列出的费用类别以及总费用都有意义。Twitter Acrosshigh和低渗透区的di-erential e-ected在数量上很小，从来没有统计意义。我们也报告基线结果，包括同期和滞后的活动支出，可达A18。在某种程度上，竞选团队e xpenditures捕捉到了政治家们在他们打开推特交流计数的那一周的其他交流活动，这些发现与表1-3中对结果的因果解释一致。政治广告我们接下来使用Kantar Media的AdSpender数据库中的asecond数据集测试候选人广告活动的潜在同时增加。我们检查在推特渗透率高与低的州，候选人加入推特时，政治广告支出是否有明显的增长。表9的第（1）-（3）列显示了这些结果。这一结果与加入Twitter并不与政治广告支出的增加有关，因为在控制了政治家月支出后，政治广告支出增加了。互动术语和直接的e----对所有和新的政治家都是有意义的。对于经验丰富的政治家（第3栏）来说，互动项是负面的，这在统计学上是有意义的。因此，在所有样本中，加入推特与政治广告支出的增加无关，因此，打开推特账户和政治广告之间的虚假关系不能解释我们的结果。注意，我们没有观察到数字广告，其中可能包括社交媒体广告、emailmarketing、s earch广告、显示广告，我们的广告支出安慰剂没有解决这些活动。然而，在一位22名政治家加入推特的那一周，我们没有看到细分的竞选支出（包括广告和竞选材料等类别）有显著增加。

如果活动此时在数字营销上分配了额外的资金，对数字广告的渴望通常在几天内就会被账单支付，这些电子广告可能会在每周的活动费用中被捕获。新闻和博客覆盖了enext，我们测试采用推特的时间是否可能与媒体报道的其他外部事件一致，可能是更大的公关活动的一部分。媒体对政治家的提及捕捉到了选民收到的额外信息冲击和政治家参与的事件，这可能会独立于推特推动捐款。为了解决这一问题，我们收集了传统媒体和社会媒体对一位政治家的提及数据。我们在GoogleNews和谷歌博客中搜索每个政治家的名字，搜索时间为开设推特账户的10周左右。表9中的29Columns(4)-(6)报告了一项安慰剂测试，该测试使用记录的非政治化者每周新闻报道作为因变量。总的来说，估计表明，在整个样本中（专栏(4))，以及在推特渗透率高和低的地区，新的（专栏（5））和有经验的（专栏（6））政治家的新闻文章的数量与打开推特账户无关。表9的第（7）-（9）栏报告了与博客记录人数的安慰剂说明。采用Twitter的ECECT与整个样本的博客帖子数量没有显著的相关性。对于新的政治家（专栏(8))，互动术语是消极的，而不是积极的，也没有什么意义。例如，这一负面迹象可能表明，在非政治化人士加入推特后，与政治家相关的博客内容从更传统的博客平台转移到推特上。然而，由于这种关系是负面的，其他博客上的报道不能排除推特采用的可能性。请注意，使用的谷歌博客数据不包括推特和脸书。30 3129我们搜索政治家的全名，并记录我们在谷歌新闻和谷歌博客上的点击量。30我们还检查了政治家的脸书账户开户日期。我们发现，在我们的样本中，只有3名政治家在同一周内开设了脸书账户，只有9名政治家在开设aTwitter账户的4周内开设了脸书账户。因此，开一个Facebo ok账户似乎与开一个Twitteraccount并不及时。此外，我们发现在开Twitteraccount之前先开Facebook账户之间没有强有力的关系，如表A13.31所报告的。我们还检查了我们的基线结果是robus t以包含任何安慰剂变量作为对照，而不是运行安慰剂。结果可以根据要求获得。236 MechanismsOur主要研究表明，政治家对Twitter的采用会导致他/她收到的总人数的增加。我们考虑了两种推动捐赠的潜在机制：信息和说服。推特上的采纳和活动可能有助于政治家提高对候选人资格和政策的认识，这反过来又可以增加选民对她的支持。直觉上，与经验丰富的政治家相比，我们预计新政治家的收益会更高，因为经验丰富的政治家的政策立场和候选人资格往往更为人所知。或者，采用推特并通过它进行交流可能主要是通过鼓励已经知道某个政治家的名字和政策立场的捐赠者捐赠更多来说服他们来筹集捐款。通过任何一种机制，政治家筹集的捐款在推特被采用后都有望增加。然而，如果信息是主要渠道，我们预计新政治家和早期捐赠者的捐赠将更加明显。同样，与州外相比，在推特上的收益预计在州内会更高，在众议院对州外也会更高。

参议院候选人。我们的基线数据表明，soc ial media只为新政治家筹集捐款，而不是为有经验的政治家筹集捐款。我们在在线附录中给出的理论框架和我们的主要结果与上面提出的信息机制是一致的。有了这种信息机制，对于有经验的候选人来说，通过Twitter提供信息的边际回报可能更低，因为他们的素质、经验和政策立场更为人所知。对于非政治性的新来者，有更多的新信息可以分享。在本节中，我们提出了一些额外的测试，允许我们提供一些符合我们的数据所符合的机制的证据。首先，我们检查我们对新捐赠者和重复捐赠者的估计是否更强。如果以前没有相同姓名的捐赠者为特定的国会候选人捐款，我们将每个捐赠者归类为新捐赠者。其次，我们证明电子商务是由政治家推动的，他们以前没有脸书账户，或者是由政治家推动的，他们在推特之前加入脸书，因此对社交媒体更有经验。第三，我们检查在州一级选举中竞选的美国参议院候选人是否比从较小的地区选举出来的美国众议院候选人获得更多。最后，我们还分析了政治家的推特活动，以记录如何在推特活动中提高效率，以及推特的内容和合适的ECT捐赠。24New vs Repeat DonorsA政治家在社交媒体上的存在有两种可能的方式来吸引捐赠者。首先，政治家的存在可能只是改变了个人的捐款数额，而不会改变实际的捐赠者人数。第二，根据信息渠道，推特帮助政治家扩大他们的捐助者基础是合理的，一些新的捐助者暂时听到并为这场运动捐款。在这一节中，我们调查新捐助者和重复捐助者的行为是否符合开设推特账户的条件，分别估计这些捐助者群体的等式1。表10中的这些结果表明，开设推特账户增加了政治家收到的捐款数量，在推特渗透率高的国家更是如此。这对新政治家来说尤其明显，对有经验的政治学者来说是负面的，但没有意义。从数字上看，当考虑到新捐赠者的捐款总额时，所有政治家2009年的E(y)ECT的幅度为2.8%，2014年为22.2%（专栏1）。对于新政治家来说，来自新捐赠者的捐赠的隐含e占5%和相同年份的44.8%（第（2）栏）。相比之下，对于重复捐赠者的捐赠，我们没有看到任何显著的捐赠增加，整个样本的相应Coe cients（小组A和B中的第（4）栏）很小，而且为负值。32在加入Twittere信息机制之前拥有脸书账户的政治家暗示，对于已经使用其他社交媒体（如脸书）的政治家来说，Twitter的影响可能更小。在这一节中，我们测试我们的结果是否与那些在推特之前加入脸书的政治家相比，对他们的推特账户是他们的社交媒体账户。对这些结果进行了总结。正如人们所看到的，为那些以前有脸书ac计数的人开设推特账户并没有显著的影响。33相反，在表A12中，我们表明，排除以前有脸书账户的政治家，32新捐赠者和重复捐赠者的总捐赠之间的直接投资在所有人和新政治家之间的统计意义，但对有经验的政治家没有意义。

我们报告相关的p值为10个点。33在这些估计中，在推特之前加入脸书的政治家样本相对较少。因此，在这些结果中，我们只在状态级别聚类，因为在这个有限的样本中，我们没有足够的聚类来计算标准错误。我们控制的是周内的e值，而不是月内的周内的e值，以确保计算出标准误差。由于权力问题，我们侧重于整个样本。25导致结果在质量上与基线相似。34 35众议院和参议院候选人在本节中，我们比较了竞选参议院和众议院候选人的收益。与竞选众议院的候选人相比，竞选参议院的候选人的知名度通常更高，因为所有州都只有两名参议员代表，但往往有更多的众议员代表。此外，参议员的任期为六年，而当选众议院候选人的任期为两年。因此，与参议院的平均候选人相比，我们预计众议院的平均候选人将从通过推特沟通中获得更高的收益。着眼于互动的符号和规模，我们发现表11中报告的结果符合这一预测。更具体地说，Twitter的互动对表11中的全部样本和新的候选人捐款总额（A小组第4和第5栏）和捐款数量（B小组第5栏）都是积极和有意义的。众议院候选人的平均ECT从2009年的3%到2014年的24.8%不等。对于有经验的政治家来说，他们是众议院的一部分，我们看到了一个负面的，但在统计上是有意义的结果，与我们以前的预测一致。相比之下，对参议院候选人的所有估计（A和B小组的第1-3栏）都很小，远远没有统计意义。36 37 38推特活动和推特争议在这一部分，我们研究新政治家的收益是否与他们的推特活动和特定内容相关。为此，我们将重点放在三重交互术语COE？Cient上，这三重交互术语包括：Enjoining Twitter、39Twitter渗透率和tweeting活动的（各种度量）。我们认为A34在线附录表A23中报告的结果表明，我们的推特信息更普遍。罗云英在脸书渗透率和脸书采用之间的互动中显示，每周捐款的金额和数量在统计上有显著增加，这一数字保持在1%的统计数字水平，尽管只适用于新政治家，而不适用于有经验的政治家。总体而言，这些结果表明，我们的推特估计具有外部有效性，可以更普遍地被视为社交媒体采用对政治捐赠的影响的代表。35如果我们进行三重互动估计，我们将捐款的金额和数量的确定性对新政治家有统计意义。36这些估计非常相似，但没有控制在推特上与市场规模和收入的互动。37众议院候选人对参议院候选人的捐款总额和数量之间的确定性对新政治家有统计意义，但对有经验的政治家没有统计意义。我们在表11中报告了相关的p值。38在状态和周级别上估计三重交互特性具有标准错误聚类的两种方法，在计算上具有挑战性，因此尽管我们的数据集相对较大，但我们认为在这里可能会面临功率问题。39注意，在状态和周级别上估计三重交互特性具有标准错误聚类的两种方法，在计算上具有挑战性。