EMPIRICAL METHOD
In our analysis below we explicitly test whether
information in business plans predicts VC funding.
Our dependent variable is dichotomous, implying
a discrete choice analysis (probit and logit are
common implementations). In our data, only five
percent of the plans were funded after solicitation.
This presents a challenge for testing our hypotheses,
because we need sufficient variation in the
dependent variable.9 Insufficient variation will create
a downward bias on estimated coefficients. To
correct for this bias, we use a rare-events logit
model (King and Zeng, 2001).
To see why there is a bias, consider a hypothetical
case where firms above a certain (unobserved)
quality threshold received VC funding.10 The goal
of the empirical analysis then would be to identify
that threshold. Conditional on sample size, if
the probability of observing firms on each side of
the threshold were equal, and if the distance from
this threshold were randomly distributed, then the
data would provide a significant amount of information
to estimate the threshold. Now imagine
that the dataset was reduced in size by randomly
eliminating observations. This exercise would, in
general, reduce the number of observations above
and below the threshold equally. In this case, while
we would be able to estimate the threshold with
less precision, the expected point estimate would
remain unchanged. Now consider a case where the
probability of observing a plan of sufficient quality
were small, say five percent. Each high-quality
draw is particularly important in identifying the
threshold. Moreover, each such draw is from the
tail of the distribution, which in turn teaches us
about the extent of this tail. Since the likelihood
of observing extreme observations is low, we will
infer that the ones we do observe are the most
extreme, and systematically underestimate the size
of the tail. In a rare-events scenario, this tail is of
interest: these ‘border’ firms provide the bulk of
information with which to estimate the threshold.
In the extreme case, if there are very few firms with
quality measures beyond the ‘border,’ then the
information with which to estimate the threshold
วิธีการเชิงประจักษ์ในการวิเคราะห์ของเราด้านล่างนี้เราทดสอบว่า
ข้อมูลในแผนธุรกิจคาดการณ์ VC เงินทุน ตัวแปรของเรา
ไดโคโตมัส , หมายถึงการวิเคราะห์ทางเลือกที่ไม่ต่อเนื่อง ( และมีการใช้งานทั่วไปโดยใช้ตัว
) ข้อมูล ของเราแค่ 5
) แผนการสนับสนุนหลังการเชิญชวน
นี้นำเสนอความท้าทายสำหรับการทดสอบสมมติฐานของเรา
เพราะเราต้องการเพียงพอความผันแปรใน
ตัวแปรตาม การเปลี่ยนแปลง 9 ไม่เพียงพอจะสร้าง
อคติ ลงบนประมาณค่าสัมประสิทธิ์
ถูกต้องสำหรับอคตินี้ เราใช้โมเดลหายากเหตุการณ์โลจิต
( กษัตริย์และเซง , 2001 ) .
เห็นทำไมมีอคติ พิจารณาคดีที่ บริษัท ดังกล่าวข้างต้นสมมุติ
บาง ( unobserved ) เกณฑ์คุณภาพรับ VC funding.10 เป้าหมาย
การวิเคราะห์เชิงประจักษ์แล้วจะระบุ
ที่เกณฑ์ ขึ้นอยู่กับขนาดตัวอย่าง , ถ้า
ความน่าจะเป็นของบริษัทสังเกตในแต่ละด้านของ
เกณฑ์เท่ากับ ถ้าระยะห่างจากจุดนี้
ข้อมูลกระจายแบบสุ่ม แล้วจะให้ปริมาณข้อมูล
กะเกณฑ์ ตอนนี้จินตนาการ
ที่ข้อมูลมีขนาดลดลง โดยสุ่ม
ไม่สังเกต การออกกำลังกายนี้จะ , ใน
ทั่วไป ลดจำนวนค่าสังเกตข้างบน
และด้านล่างธรณีประตูอย่างเท่าเทียมกัน ในกรณีนี้ , ในขณะที่
เราจะสามารถประเมินเกณฑ์กับ
ความแม่นยำน้อยกว่าคาดประมาณการจุดจะ
ยังคงไม่เปลี่ยนแปลง ตอนนี้พิจารณากรณีที่
ความน่าจะเป็นสังเกตแผน
คุณภาพเพียงพอมีขนาดเล็ก , พูดร้อยละห้าแต่ละที่มีคุณภาพสูงเป็นสิ่งสำคัญโดยเฉพาะอย่างยิ่งในการวาด
เริ่มจาก นอกจากนี้ แต่ละเช่นวาดจาก
หางของการกระจาย ซึ่งจะสอนเรา
เกี่ยวกับขอบเขตของหางนี้ เนื่องจากโอกาส
สังเกตมากสังเกตต่ำ เราจะ
สรุปว่าที่เราไม่สังเกตจะมาก
สุดโต่ง และมีระบบประมาทขนาด
ของหางในสถานการณ์สมมตินี้เป็นเหตุการณ์ที่หายาก หางของความสนใจ :
' ชายแดน ' ให้บริษัทเหล่านี้เป็นกลุ่มของข้อมูลที่มีค่า
ซึ่งเกณฑ์ ในกรณีที่รุนแรง ถ้า มี ไม่กี่ บริษัท มากด้วยคุณภาพ มาตรการเกิน
' ชายแดน ' แล้วข้อมูลที่ประเมินเกณฑ์
การแปล กรุณารอสักครู่..