社交媒体与政治献金：新技术的影响 论政治竞争

第（1）和（4）栏包括所有政治家，而第（2）和（5）栏只包括新政治家，第（3）和（6）栏有经验丰富的政治家。与推特上的政治家互动的州级基线控制包括家庭收入中值和人口规模。平均页面浏览量相对于统计电子年的所有页面浏览量被用作推特渗透量。所有规定包括政治家-月份和月份中的星期。添加一个三重互动项来比较众议院和参议院候选人每周的总捐款，得到以下p值：0.249（所有政治家）、0.020（新政治家）和0.423（有经验的政治家）。对于捐赠数量对比、相应的P值为0.162（全部）,0.001（新）和0.304（有经验）。表12：有和没有脸书的政治家前日志（总捐赠）捐赠前没有FB前没有FB前有FB前有FB前没有FB前有FB前没有FB前有FB前有FB前有FB前有FB前有FB前(1)(2)(3)(4)(5)(7)(8)变量所有所有所有所有所有所有所有所有所有AllonTwitter x Twit_Penet 107.1144***110.6932***-208.8425-112.7912 6.4349）onTwitter 0.1537*1.2504 1.4660 6.8097 0.0182 0.1862 0.2243*1.3319*(0.0859)（0.9892）（1.0423）（5.5263）（0.0123）（0.1447）（0.1289）（0.7843）观察550,239 550,239 15,689 15,689 550,239 15,689 550,239 15,689 15,689 15,689 15,689 15,689 15,689 15,689 15,689 15,689-平方0.8240 0.8240 0.7674 0.76740.7885 0.7885 0.7129 0.7129政治家-月FE Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y baseline control x N Y N Y Y Y Y Y Y Y Y Y baseline control x N Y Y Y Y Y Y Y Y Y Y baseline control x N Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y***P<0.01,**P<0.05,*P<0.1。与推特上的政治家互动的州级基线控制包括家庭收入中值和人口规模。平均页面浏览量相对于州年度的所有页面浏览量被用作推特渗透率的衡量标准。所有细节包括政治家-月和周的细节。我们只在statelevel上聚类，因为在受限样本中，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型电子产品，而不是月内的周内的e型电子产品，以确保标准误差的计算。46表13：加入推特和国家捐赠范围内（总捐赠）(1)(2)(3)(4)(5)（6）变量所有新的新经验在推特x Twit_Penet上99.5491**100.9357**164.8527***167.4275***-14.4344-16.8130（43.4447）（43.5136）（38.8466）（97.8299）（95.5988）在推特上0.1757 0.5550 0.1347 1.2038 0.3262-0.3620（0.1171）（1.0078）（0.1037）（1.4707）（0.2351）（1.8667）观察543,504 543,504 225,904 225,904 317,600 317,600 r-squared 0.7961 0.7961 0.8640 0.8640 0.7573 0.7573政治家-月FE Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y baseline控制x在推特上N Y N Y Y Y Y Y Y baseline control x在2009年暗示推特e cented ect.025**.025**.041***0.042****-.004-.005暗示推特e the ect for 2014.221**.225**.373***.379***-.032-.037outt Stateon Twitter x Twit_Penet 19.9318 22.6562 87.8919*93.0614*-98.7879*-101.0485*(42.1108)(41.7695)(46.1417)(46.6828)(58.7697)(55.5853)在推特0.1158 0.9958 0.0628 1.9295**0.3106**-0.2368（0.1001）（0.6411）（0.0990)(0.9911)(0.9118)(0.9611)470）（0.1541）（1.3118）观察565,888 565,888 236,712 236,712 329,176 329,176 r-平方0.7203 0.7203 0.8036 0.8036 0.6792 0.6792政治家-月FE Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y.196*.207*-.22*-.225*注：括号中的稳健标准错误按州和周的级别聚类。***P<0.01,**P<0.05,*P<0.1。因变量isLog（聚合捐赠）。

专栏（1）-（2）包括所有政治家，专栏（3）-（4）只包括新的，专栏（5）-（6）有经验的政治家。与推特上的政治家互动的州级基线控制包括家庭收入中值和人口规模。Av-erage页面浏览量相对于州年度所有页面浏览量被用作Twitter渗透量。47Online附录1计算Twitters的说服率，以便能够将我们发现的幅度与文献中的其他研究进行比较，wecompute说服率（DellaVigna and Kaplan，2007；DellaVigna and Gentzkow，2010)。我们不能计算所有政治家的所有追随者的说服率，因为我们没有观察到每个政治家在推特上开设账户后，追随者的数量是如何变化的，我们只能估计在推特进入后一个月内加入推特的影响。然而，利用一些政治家在任职后3-4个月内获得的追随者数量的信息，我们可以在假设刚加入推特的政治家的早期离队人数相似的情况下计算说服率。40我们观察两个时间点内政治家子集的追随者人数：在哈伯斯塔姆和奈特收集数据的时候（2016年），以及我们自己收集数据的时候。对于这些政治家（21%在2012年开设账户的政治家），在开设推特账户后的3个月内，平均获得的追随者人数为104人，在4个月内为151人。根据这些追随者群体计算出的说服率可能无法概括到其余部分的人口，因为这些人的特征可能在他们对政治家、政治、政策问题或技术参与的兴趣方面有显著的差异。此外，与其他关于媒体说服力的研究不同，我们使用了时间而不是空间变化。为了估计与打开Twitter频道相关的说服率，我们使用了DellaVigna和Gentzkow(2010)用于报道各种媒体说服力的公式=YT≠YCET≠EC11≠Y0100。这里处理（c ontrol）组用T(c)表示，ejis组接收到消息的份额，yjis组采用感兴趣行为（捐赠）的份额，Y0是如果没有消息将采用该行为的份额。DellaVigna和Gentzkow(2010)认为，在没有观测到Y0的地方，可以用Yc近似。为了近似这个数字，使用表3，我们估计了预期的捐赠数量。说服率反映了说服处理对相关行为的影响(YT≠yC)，调整了对信息的暴露(ET≠eC)和有待说服的人口规模(1≠y0)（DellaVigna和Gentzkow，40)不幸的是，我们并不幸运有政治家在我们收集数据的一个月内加入Twitter。但我们认为，在这最初的几个月里，追随者的平均数量不太可能发生显著变化。如果有什么不同的话，如果我们假设平均追随者的数量比我们3个月内收集的数量要少，我们的说服率应该更高。A12010,PG。645）。在这项研究中，我们的处理是政治家在推特上的条目。与DellaVigna andGentzkow(2010)类似，我们假设ET≠ECIS100%，即一个政治家的所有追随者都观察了该条目（推特上的条目和随后一个月内的推特）。YT≠YCIS是通过使用表3第（4）栏中2014年推特的隐含Ect和基准估计数，乘以平均捐款数(2.95)，除以追随者数（151或104，取决于开户后的月数）来计算的。

然后，我们将其与推特进入后一个月剩余的2.79周相乘，因为我们的估计是由于政治家月份的原因而在此期间进行的。最后，y0是在没有推特进入的情况下对捐赠份额的反事实估计。为了计算y0，我们将0.374（在没有推特进入的情况下，通过预测捐赠来计算，假设推特变量的进入等于零）乘以平均曝光时间（2.79周），再除以追随者的数量。当因变量是捐款数（0.095）时，所有追随者在没有Twitter输入的情况下的捐款数可以计算为平均实现捐款数（0.469）减去在Twitter上的隐含e-ect。和以前一样，2.79周是输入Twitter后一个月的平均周数。使用上面的数字，我们得到的说服率（对于104和151个追随者）等于:f104=(2.950.0952.79/104)/(1≠.3742.79/104)=.0074=0.75%f151=(2.950.0952.79/151)/(1≠.3742.79/151)=0.005=0.51%这些与打开Twitter频道相关的说服率相当低。它低于新闻媒体报道的说服率（美国media的说服率从2个pp.到20个pp.不等），但与1.0个pp.不相上下。直接邮寄的说服率（Gerber and Green,2000）和0.1-1.0p.p。政治广告的说服力（Spenkuch和Toniatti,2016）。与直接邮寄和广告的说服率相似并不奇怪，我们对传统媒体的研究估算了投票而不是捐赠的说服率，投票的公众比例比向政治家捐款的公众比例高。此外，要在联邦选举委员会数据库中报告捐款，个人捐款必须超过200美元（无论是作为小额分期的总和还是一次捐款）。因此，我们很可能低估了通过Twitters沟通的实际说服力。作为另一个练习，我们可以计算隐含捐赠的说服率，假设我们在数据集中观察到的每一笔捐赠，都存在200美元以下的捐赠的合理倍数。例如，如果每一笔超过200美元的捐款有两笔低于200美元的捐款，我们的说服率就会变成上面给出的估计值的三倍(1.5-2.2p.p.)并接近报纸背书的说服率（6 p.p.意外的背书，或者2个便士。对蒋和奈特（2011年）的预期支持和在投票率上的电视采纳（4.4 P.P.forGentzkow(2006))。此外，我们将有类似的说服率（1.5 p.p.）如果我们要确保e-ect持续八周，正如我们的窗口特性（表4）所暗示的那样。a.2来自不可观察性的偏差我们的identi策略是围绕di-in-di-erence策略建立的，该策略控制了关于可观察状态特征的firegired的e-ect和异质性。如果没有特别的原因来解释为什么捐赠的不可观察的决定因素可能会有一个合适的ECT高推特渗透和低推特渗透状态，而41和安慰剂测试与我们识别假设的一些明显违反不一致，我们不能肯定地排除一些不可观察的因素解释了我们的结果。下面，我们遵循Altonji等人提出的策略。(2005)(AET)，由Nunn和Wantchekon(2011)、Galor和厄扎克(2016)、DellaVigna等人(2014)、Adena等人实施。（2014）等。这种方法利用了这样一种思想，即我们可以使用可观察项上的选举来评估不可观察项造成的潜在偏差。

这样一个策略允许我们确定，为了充分解释我们的结果，对不可观察的选择必须比对可观察的选择强多少。为了执行这个测试，我们需要两个实体:(1)-F，其中包括完整的可观察项集，以及(2)-R，其中包括一组受限制的控制项集，或者根本没有控制项。当不可观测量与可观测量呈正相关时，为了评估来自不可观测量的潜在偏差，我们计算了比值-f-r≠-f，公式的直观性很简单。首先，关于为什么在-r≠-f中这一比率在下降。-rand-fis之间的di值越小，通过选择41得出的估计值就越少。一个潜在的原因是推特渗透率只是一个国家的收入、教育、互联网接入或其他社会经济特征的代理，我们观察到的是在更富裕、联系更好或更自由的地方，对冲击的反应更高（连接推特）。为了看看是否是这样，我们测试接收的捐款是否可以用推特上带有间接控制的条目来解释（该州人口的对数、该州家庭收入的中位数、年收入超过25万美元的人的份额、受过高等教育的人的份额、2004年投票给布什的人的份额和非裔美国人的份额）。我们在表A19中报告了这些结果。为了进行比较，在列（1）中复制了与Twitter渗透率交互的COE（cient for Twitter）条目（根据我们的基线规定）。结果表明，在Twitter上与每一个提到的控件的互动在数量上都很小，在统计上是没有意义的（第（2）-（6）栏）。我们还发现，推特渗透率较高的州并没有看到更多的推特账户开放。（请参见表A20)。A3可观察性，对不可观察性的选择（相对于可观察性）需要越强，才能解释整个e-ect。接下来，考虑分子背后的直觉。在我们的分析中，我们考虑只有时间和政治家水平的限制性回归，而不受限制的回归则有“推特上”的全套控制与人口控制相互作用。我们还对比了限制性回归与限制性e-ects，相对于一个控制活动经验的结果。在讨论这些估计时，我们包括了参考本文其余部分使用的一组分析的子样本（新的与重复捐赠者的关系，对民主党的捐赠与共和党的关系，不包括2009年的结果，众议院与参议院的关系）。表A1中给出的COE_Cient比率测试测量了作为回归因变量的捐赠金额和捐赠数量的统计数据。在报告的比率中，没有一个低于一。最小值是10.4，绝对值。绝对值为10.4～158.1，平均值为47.7。因此，要把我们的整个di和di和di和di和di和di和di和di和di和di和di和di和di和di和di和di和di和di和di和di和di和di和di和di和di和di和di和di和di和di和di和di和di和di和di。在我们看来，这些结果使得采用Twitteris的估计ECT完全由不可观察的因素驱动的可能性更小。为了补充一些背景，在Nunn and Wantchekon(2011)中进行的类似工作报告了从3到11的比率，平均为4。

Galorand Orzak(2016)报告AET Coe cient比率统计数据从3到21.5不等，平均值为10。同样重要的是，在我们将与人口统计数据的交互作用包括在内的情况下，大多数Coe cient比率测试结果为阴性，因为随着控制措施的引入，在大多数情况下，兴趣的增加是最重要的。因此，为了排除我们的结果，我们需要建立一个基于对未观察到的负面选择的论点。最后，如果我们控制了竞选支出，我们的估计值略微较小，这意味着竞选支出确实可以控制一些未观察到的凸轮活动。即使我们只关注这个集合中的COE}Cient比率测试，我们的结果也不太可能被这些不可观察的因素所解释，因为这里的最小统计量绝对值是15.95。总的来说，对不可观察的偏差的测试增加了我们估计的准确性，因为我们报告的偏差提供了潜在偏差的界限。A4表A1:使用对可观察的因素的选择来分析不可观察的偏差。比率测试COE。限制集(R)控制中的比率测试规范控制（完全(F)设定的捐赠金额）捐赠计数基线仅固定e-cled ects互动控制-30.37-36.22新捐助者仅固定e-cled ects互动控制-63.28-26.86民主党仅固定e-cled ects互动控制-66.71-65.24没有2009年仅固定e-cled ects互动控制-11.2615-10.4647众议院仅固定e-cled ects互动控制-17.23-17.30基线仅固定e-cled ects互动控制-17.23-17.30竞选经验。50.3 26.35新捐赠者只固定E只参加竞选活动。64.33-158.1民主党只固定E只执行竞选经验。45.39 46.37没有2009年只固定E只执行活动Exp。41 88.17 House Only Fixed E Chects Only竞选Exp。73.15 15.95本表第（1）栏描述了我们在每种情况下分析的回归。列（2）和（3）描述了在“受限”回归（-R）和具有全套控件的回归（-F）中使用的controls。采用-f-r≠-f.a.3理论模型计算了该比例检验，勾勒出潜在政治捐赠者捐赠决策的一个简单的局部均衡框架。我们分析政治家使用和不使用推特的情况下的捐赠决定。在这个框架中，我们抽象出政治家加入推特的战略决策的明确建模。我们用这个模型推导出一些关于捐赠决策的可检验的预测，然后将其用于数据。考虑一个环境，政治家可以是新的或有经验的，由i{e,n}索引。非政治化者i有一个“类型”或质量，即i。这位政治家认识她。有一个单位质量的潜在捐赠者。我们假设所有潜在的捐赠者都想要一个更高“质量”的政治家，在这种情况下，可以解释为政治家的能力、诚实或经验。42我们对捐赠者采用了一个类似于蒋和奈特（2011）和马特·贾卡和塔贝里尼（2016）的se parableutility框架。42在我们的背景下，分析质量而不是意识形态更相关，因为我们分析的是州内的捐赠，在州内，意识形态对党内的影响将是有限的。这个模型选择符合Durante and Knight(2012)以及Knight and Chiang（2011）。A5a个人捐赠者d对政治家I的捐赠具有以下效用:43udi=i≠cd，术语cd包含捐赠的成本。我们将捐赠者的外部选择归一化为0。捐赠者不遵守i，但持有（无偏见的）先验信念，因此i≥N(i,2 i0)我们假设e>N，这将意味着没有推特的事前经验丰富的政治家在接受较高捐款方面比新政治家更有优势。我们将重点讨论还存在着2 n0>2 e0的情况。

新政治家的较高差异意味着，在事前，捐助者对相对于e的估计中的错误较少。这种结构是在Oliver和Ha(2007)记录的证据中，经验丰富的政治政治家比新候选人拥有信息优势。如果一个政治家加入Twitter，那么她可以向捐助者提供信息，或者可以发送具有说服力的mes先贤。政治家可以向选民发送这样一个信息m：mi=i+iwithi≥N(μ，ρ2i\')withμ>0。为了强调加入Twitter对新的和有经验的政治家的捐赠是如何有效的，我们分析了每种类型的政治家在有和没有Twitter的情况下收到的捐赠。如果政治家不加入推特，捐赠者d将捐赠ifE(I)cdIf一个政治家加入推特，那么她将发送一条消息，供捐赠者使用，以确定他们关于I的信息。看到MIIS后的后验信念:E(imi)=vi0mi+vi\'_i，其中vi0=3è2i0è2i0+è2i\'_4和vi\'=3è2i\'_2i0+è2i\'_4。如果一个政治家加入Twitter，捐赠者d将捐赠ifE(IMI)CD43线性效用框架符合（Chiang and Knight，2011)和Durante and Knight(2012)。Mat Jkaand Tabellini(2016)采用了一个更一般的框架，其中u(i)是凹的且是可穷的。A6We definne i(c)E(imi)≠E(i)，如果I>0，则我们可以成立以下命题：命题1。如果一个新的政治家的信息比一个有经验的政治家的信息更有信息量，那么她比一个有经验的政治家更有可能从加入Twitter中获益（即，±2E\'>±2N\')。证明是直接从写出i的表达式开始的。E(IMI)≠E(I)简单地说是3￣2I0￣2I0+￣2I\'4\'I。这意味着n≠e=vn0′n≠ve0′e。提议的结果如下。捐款和推特渗透率：我们列出了当普遍访问toTwitter时的结果，所有捐助者都观察到推特的使用对所有政治家来说都有多大的信息。与一般模型一样，我们假定存在一个具有不同Twitter用法的地理区域（状态）,即s}{1,2,...,s}。每个州都有一个单位数量的潜在捐助者。此外，我们确信只有一个（随机）分数“suuses Twitter。这一假设与Butters(1977)是一致的。这一渗透系数在“1”“2”....yenS。假设推特渗透率是唯一一个在不同地区不同的维度，我们可以很容易地看到，在“si”较高地区的政治家通过加入推特将获得更大的捐款增加：“s i”“s≠1”这也表明，如果“s=0对于某些s来说，那么在该地区，经验丰富的政治家和新政治家的捐款都将显著增加。基于我们提出的简单理论模型，我们提出了四个可测试的关键假设：1。一个政治家在采用Twitter和发送Mes-sages后，捐款总额增加了。与经验丰富的政治学者相比，新政治家通过推特获得的收益更高，因为他们发送的信息更丰富。对于发送更多信息的推特的政治家来说，采用Twitter的收益更高。推特渗透率高的州向采用推特方案的政治家捐赠更多，向推特渗透率低的州捐赠更多。A7A.4稳健性检查和异质性e-ectsa.4.1民主党和共和党的异质性e-ectsa共和党和民主党选民在人口特征上更加接近。民主党选民在性别种族上更加多样化，受过高等教育，宗教信仰不高，收入较低。这些特征中的一个或多个与互联网和社交媒体的使用有关，这意味着在民主党注册的候选人可能会从采用推特中获得更高的回报，因为这种媒体吸引了他们的选民。

我们测试推特是否对两党候选人有不对称的影响。表A2中的结果表明，推特对民主党候选人的影响更明显，共和党人的相应影响更小，在统计上没有意义。此外，这些捐赠金额和捐赠数量的差异在实验鼠和共和党人之间具有统计学意义，但只适用于新政治家，而不适用于有经验的政治家。这些结果表明，在两个政党候选人中，Twitter的采用具有异质性，这可能是因为两个政党的目标受众之间的人口统计学差异。a.4.2 Twitter追随者和捐助者在测试Twitter用户和捐助者之间的重叠时，使用figurrst和姓氏以及地理位置（Twitter用户的状态）信息，我们将政治家捐助者的名字与其Twitter追随者的名字进行匹配。我们能够达到3.65%的匹配率。注意，这个匹配率很低，因为分享他们的位置信息的用户比例很小，据报道不到Twitter用户的1%（Sloan and Morgan,2015）。然而，这个看似很低的匹配率与其他Twitterusers研究中的匹配率相当（例如，Barb eRáet al.(2013)中的10%）。我们承认匹配并不完美，但我们希望它只会给我们的结果带来衰减偏差。为了评估加入推特的影响以及捐款是否来自推特上政治家的追随者，我们关注有追随者和非追随者捐款的候选人周。此外，由于权力问题，我们专注于所有政治家，而不将样本分为新的和有经验的政治家。表A3显示，在apolitician采用推特后，来自追随者的捐款总额明显更高（第（1）和（2）栏）。当我们查看捐赠计数（第（3）-（4）栏）时，我们发现了类似的信息。结果的方向符合我们的预期。表A2:加入推特及捐款金额：民主党vs.共和党候选人日志（总捐赠）演示c大鼠共和党(1)(2)(3)(4)(5)（6）变量所有新经历所有新经历Twitter x Twit_Penet 191.3717***294.0677***-17.1925 42.2747 105.1078-66.6532（62.6423）（69.6123）（62.1364）（63.2500）（121.6479）onTwitter 0.6599 4.4521**-3.1090 3.7109（1.4409）（1.8825）（2.7531）（1.5641）（1.8858）（2.4564）（2.4544）（2.4544）（2.4544）（2.4544）（2.4544）（2.4564）（2.4544）（2.4564）（2.4564 36 92,236 142,700 331,032 144,504 186,528 r-平方0.8263 0.9029 0.7855 0.8167 0.8686 0.7840政治家-月FE Y Y Y Y Y Y yy yy yy yy baseline control x在Twitter Y Y Y Y Y Y Y Y上暗示Twitter e conse ect for 2009.054***.083***-.005.011.026-.019隐含推特e the ect 2014.391***.623***-.024.094.234-.148log（捐赠数量）在推特x Twit_Penet 42.0835**71.8004***-14.1937-0.7878 16.9751-32.5209（19.2961）（18.9703）（37.6522）（13.8848）（12.8675）（28.4836）在推特0.3556 1.0184*-0.3770 0.2663 0.2111 0.1784（0.4055）（0.5364）（0.8295）（0.3077）（0.4372）（0.4372）（0.4381）（0.4381）（0.4381）观察234,936 92,236 14 2,700 331,032 144,504 186,528 r-平方0.8474 0.9175 0.8081 0.8298 0.8873 0.7926政治家-月FE Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y baseline control x在Twitter上Y Y Y Y Y Y Y Y Y Y Y baseline control x在Twitter上Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y-.002.038-.072注：稳健标准错误在括号内按州和周级别聚集。***P<0.01,**P<0.05,*P<0.1。相关变量是Log（捐赠总量）和Log（捐赠数量）。第（1）和（4）栏包括所有政治家，第（2）和（5）栏只包括新政治家，第（3）和（6）栏有经验丰富的政治家。与推特上的政治专家互动的州级基线控制包括主题家庭收入和人口规模。

平均页面浏览量相对于州年度的所有页面浏览量被用作推特渗透率的衡量标准。所有详细信息包括政治家-月份和月份中的一周。一个将总捐赠与演示克拉特和共和党人进行比较的三重交互特性发现，P值为0.003（全部）、0.000（新）和0.619（有经验）。对于捐赠数量，相应的P值为0.003（全部）,0.000（新）和0.512（有经验）。A9表A3:加入推特和追随者的捐赠日志（总捐赠）追随者日志（捐赠数量）(1)(2)(3)(4)VARIAB LES All All All AllonTwitter x Twit_Penet 714.7294 546.8622****133.7473*187.2788****(582.2572)(11.7478)(77.7619)(3.1360)onTwitter-4.1190 80.5549****-0.5922***-6.6755***(2.7593)（0.9960）（0.3182）（0.2901）观察6,616 6,616 6,616 6,616 6,616 6,616 r-平方0.4859 0.4863 0.6879 0.6880政治家-FE Y Y Y Y Y Y Y Y月FE Y Y Y Y Y月的周基线控制x N Y N Y Y Y Y Y Y baseline control x N Y N Y yimpliced Twitter e the e ct for 2009.147.113***.028*.039***impliced Twitter e the e ct for 2014 1.767 1.352***.331*.463***注：在括号中的状态级别上聚类的稳健标准错误。***P<0.01,**P<0.05,*P<0.1。因变量是Log（Aggre-gate捐赠）和Log（捐赠数量）。第（1）-（4）栏包括所有政治家。在推特上与政治家b互动的州级基线控制包括家庭收入、支出和支出的中位数。网页浏览量s相对于E年所有网页浏览量的平均值被用作Twitter pe NetRationMeasure。a.4.3不包括竞选期间虽然我们报告的安慰剂检查排除了同时发生的竞选事件影响我们结果的可能性，但作为另一项测试，我们仅使用政治家不太可能积极参与竞选的年份和年份的数据来运行我们的具体情况。选战地点在偶数年（在我们的样本中为2010、2012和2014年），因此在奇数年(2009、2011、2013)的每一年中，竞选活动可能会受到限制。仅使用2009年、2011年和2013年6个月的数据来估计我们的直接投资规定。在表A4中，我们发现，即使只关注这一断开的18个月期间，对于新政治家来说，使用Twitter仍然存在（第（2）栏）的互动项，对于有经验的政治家来说仍然存在（第（3）栏）。我们的qualitativeresults在竞选期间之外也保持不变，这表明它们不太可能被观察到的同期竞选事件驱动。我们的数据突出表明，2009年开设的Twitter账户数量不成比例。虽然包括政治家--月份和月份周--（或周--）--的任何特性，但我们也测试我们的估计是否仅由今年的数据驱动。表4的第（4）-（6）栏显示，我们的基线结果在排除2009年加入Twitter的p oliticians后重复。A.5超过1000美元的捐款我们的结果是基于低于1000美元的捐款。我们使用这些小额捐款，因为它们更有可能来自个人，并可能被通过Twitter传播的信息所限制。

较大的捐赠更有可能是由工具性动机驱动的a 10表A4:加入Tw itter在竞选期间之外，不包括2009年（1）（2）（3）（4）（5）（6）变量所有新经验所有新经验donTwitter x Twit_Penet 140.7951 345.8642***-54.2303 187.9085***-250.5351***61.6658（104.2754）（125.3045）（123.9820）（56.8522）（60.4253）（114.0301）onTwitter-0.2632 1.1923-2.0445 3.0789**4.8293**0.8521（1.7494）（1.6251）（3.2406）（1.3851））（2.2532）（2.4786）观察141,492 61,984 79,508 471,640 173,028 298,612 r-平方0.7923 0.8759 0.7556 0.8254 0.8838 0.7959政治家-月FE Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y baseline控制x在推特上Y Y Y Y Y Y Y Y YImplied2009.039.087***-0.015---2014年隐含的Twitter E----0.418***.557***.137注：括号中的稳健标准错误聚集在州和周级别。***P<0.01,**P<0.05,*P<0.1。因变量为areLog（捐赠总额）。所有的政治家都包括在第（1）和（4）栏中，而第（2）和（5）栏中的新政治家和第（3）和（6）栏中的经验政治家。与推特上的政治家互动的州级基线控制包括家庭收入中值和人口规模。平均页面浏览量相对于州年度的所有页面浏览量被用作推特渗透率的衡量标准。所有规定包括政治家-月份和月份中的星期。（例如，游说，或获得候选人）。在这一节中，我们将研究价值在1000美元到3000美元之间的较大捐款会产生什么后果。表A5总结了这些结果。在表中，互动项对所有政治家的样本没有统计意义（第（1）-（2）栏）。然而，我们仍然看到对新政治家的捐赠有所增加（第（3）-（4）栏），也许被对更有经验的政治家的捐赠减少所补偿（第（5）-（6）栏）。对于1000-3000美元的捐款，候选人在开设推特账户的一个月内平均每周收到2031美元。对于一个新的政治家，同样的数字是1799.44美元。根据表A5（第（3）栏）的计算表明，加入Twitter将使新候选人2009年的捐款增加1799美元0.024 2.79=120美元，2014年增加1799美元0.214 2.79=1074美元。这相当于一位新的众议院政治家的竞选资金总额的0.05%-0.4%的额外隐含收益。表A6中的估计数表明，在4周的时间内，没有任何E例。我们也无法发现Twitter对超过3000美元的政治捐款的任何影响（见表A7)，这与这些捐款是由直接动机驱动的，主要捐助者受来自Twitter的信息影响较小的可能性一致。因此，对于更大的捐赠，Twitter显示了与1000美元以下的捐赠相同的方向，但这种E-count ECT比D.44精确得多见在线附录中的表A8和A9。A11表A5:1,000-3,000美元之间的捐款数额日志（捐款总额）(1)(2)(3)(4)(5)（6）变量所有Ne w新经验经验onTwitter x twit_penet-5.3026-2.2504 96.1866**96.0919**-181.9087**-172.9096**(32.1576)(31.7351)(46.6266)(45.6727)(70.1591)(69.6449)onTwitter 0.3893***1.4379 0.2169**0.2460 0.7615**2.9007*(0.0895)(0.8925)(0.0929)(1.3505)(0.1740)(1.950)(1.1740)(1.950)(1.950)6458）观察565,968 565,968 236,740 236,740 329,228 329,228 r-平方0.6856 0.6856 0.7640 0.7640 0.6440 0.6440 0.6440政治家-月FE Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y2014-0.012-.005.214**.214**-.405**-.385**注：稳健的标准错误在括号内按州和周级别聚类。***P<0.01,**P<0.05,*P<0.1。

从属vari-able是Log（聚合捐赠）。第（1）-（2）栏包括所有政治家，第（3）-（4）栏只包括新政治家，第（5）-（6）栏有经验丰富的政治家。与推特上的政治家互动的州级基线控制包括家庭收入中值和人口规模。平均页面浏览量相对于州年度的所有页面浏览量被用作推特渗透率的衡量标准。所有详细资料包括政治家-月份和月份中的星期。表A6:1000-3000美元之间的捐款数额：窗口特殊情况日志（总捐赠）(1)(2)(3)(4)(6)(7)(8)(9)窗口4周5周6周4周5周6周4周5周5周6周6周变量所有所有新的新的新的经验经验经验在Twitter x Twit_Penet 41.3812 41.9163 30.0603 69.6228 58.1174 49.8498-31.6855-18.5865-34.8913(35.6075)(35.0243)(35.7036)(55.9863)(55.8109)(57.0875)(56.2695)(53.0211)在Twitter 0.1680*0.1615 0.1870*0.2531*0.2797**0.2857**0.1460 0.1046 0.1622（0.0980）（0.0980）（0.0981）（0.1281）（0.1251）（0.1203）（0.1791）（0.1860）（0.1863）观察17,596 19,221 20,846 10,382 11,328 12,274 7,205 7,886 8,567 r-平方0.4884 0.4774 0.4671 0.5251 0.51700.5131 0.4817 0.4662 0.4510政治家2009.01.011.008.019.016.014-.008-.005-.0092014.092.093.067.157.131.113-0.06-0.037-0.07注：稳健的标准错误聚集在括号内的州和周级别。***P<0.01,**P<0.05,*P<0.1。第（1）-（3）栏包括所有政治家，第（4）-（6）栏只包括新政治家，第（7）-（9）栏有经验丰富的政治家。平均页面浏览量相对于州年度的所有页面浏览量被用作推特渗透率的衡量标准。所有规格包括政治家和周内规格。A12表A7:捐款的金额和数量（超过3000美元）日志（捐款总数）日志（捐款数量）(1)(2)(3)(4)(5)（6）变量所有新经历所有新经历在推特x Twit_Penet 1.0314-0.4855 3.4377 0.0742-0.5837 1.1508（13.3907）（18.9397）（25.9804）（2.9272）（2.5629）（2.9272）在推特0.4457 0.6035 0.2451 0.0641 0.0955 0.0251（0.3459）（0.4955）（0.4688）（0.0464）（0.0697）（0.0521）观察565,968 236,740 329,228 565,928 68 236,740 329,228 r-平方0.5885 0.6082 0.5780 0.6625 0.6948 0.6451政治家-月FE Y Y Y Y Y Y yy yy yy yy baseline控制x在推特上Y Y Y Y Y Y Y Y暗示Twitter e-cect2009 0.0.001 0.0.0暗示了2014.002-.001.008 0-.001.003注：稳健的标准错误在括号内按州和周的级别聚集。***P<0.01,**P<0.05,*P<0.1。dependentvariables是Log（聚合捐赠）和Log（捐赠数量）。第（1）-（4）栏包括所有政治家，第（2）-（5）栏只包括新政治家，第（3）-（6）栏有经验丰富的政治家。与推特上的政治家互动的州级基线控制包括家庭收入中值和人口规模。平均网页浏览量相对于所有网页浏览量在一个州的一年使用了更明智的措施。所有sp ECI包括政治家-月份和月份周。A13A.6附加表格在本节中，我们提供了一组表格来支持主文档中提供的练习。我们提供的第一组表格旨在描述我们使用的数据。表A8-A9提供了政治家及其捐款的汇总统计数据。在表A10中，我们提供了每年和每个州的主要Twitter渗透度量的摘要。本节中提供的下一系列表旨在展示我们关键技术的稳健性。表A11复制了我们的基准规定，包括竞选账户。表A12执行了基准规定，不包括在推特上开设账户之前在脸书有账户的政治家。