EMPIRICAL METHODIn our analysis bel

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

ผลลัพธ์ (ไทย) 1:

วิธีการรวมในการวิเคราะห์ของเราด้านล่าง อย่างชัดเจนมีทดสอบว่าข้อมูลในแผนธุรกิจทำนายทุน VCตัวแปรของเราขึ้นอยู่กับเป็น dichotomous หน้าที่การวิเคราะห์ทางเลือกที่ไม่ต่อเนื่อง (probit และ logitใช้งานทั่วไป) ในข้อมูล 5 เท่านั้นเปอร์เซ็นต์ของแผนได้รับการสนับสนุนหลังจากการชักชวนนี้นำเสนอความท้าทายสำหรับการทดสอบสมมุติฐานของเราเนื่องจากเราต้องเปลี่ยนแปลงเพียงพอในการvariable.9 ขึ้นอยู่กับการเปลี่ยนแปลงที่ไม่เพียงพอจะสร้างอคติลงในประมาณสัมประสิทธิ์ ถึงถูกต้องสำหรับความโน้มเอียงนี้ เราใช้ logit เหตุการณ์หายากแบบจำลอง (คิงและเซนเซง 2001)ดูทำไมมีอคติกับ พิจารณาการสมมุติกรณีบริษัทข้างต้นบาง (unobserved)ขีดจำกัดคุณภาพรับ VC funding.10 เป้าหมายการวิเคราะห์ผลจากนั้นจะมีการ ระบุขีดจำกัดที่ แบบมีเงื่อนไขค่าตัวอย่างขนาด ถ้าที่น่าสังเกตในแต่ละด้านของบริษัทขีดจำกัดไม่เท่ากัน และระยะห่างจากขีดจำกัดนี้ได้กระจาย แบบสุ่มนั้นข้อมูลจะมีจำนวนข้อมูลเป็นสำคัญการประเมินขีดจำกัด ตอนนี้ คิดว่า ชุดข้อมูลที่มีขนาดเล็กลงโดยสุ่มตัดข้อสังเกต แบบฝึกหัดนี้จะ ในทั่วไป ลดจำนวนของข้อสังเกตข้างต้นและต่ำ กว่าขีดจำกัดเท่านั้น ในกรณีนี้ ขณะที่เราจะต้องประเมินขีดจำกัดด้วยน้อยกว่าความแม่นยำ การประเมินจุดที่คาดว่าจะการเปลี่ยนแปลง ตอนนี้ พิจารณากรณีที่ความน่าเป็นของการปฏิบัติตามนโยบายแผนงานที่มีคุณภาพเพียงพอมีขนาดเล็ก พูดห้าเปอร์เซ็นต์ แต่ละที่คุณภาพสูงวาดมีความสำคัญอย่างยิ่งในการระบุการขีดจำกัดการ นอกจากนี้ แต่ละวาดดังกล่าวมาจากการหางของการแจก ซึ่งจะสอนเราเกี่ยวกับขอบเขตของหางนี้ เนื่องจากโอกาสของการสังเกตมีข้อสังเกตุมาก เราจะเข้าใจว่า เราสังเกตเป็นที่สุดมาก และดูถูกดูแคลนขนาดอย่างเป็นระบบของหาง ในสถานการณ์สมมติเหตุการณ์หายาก หางนี้เป็นสนใจ: บริษัท 'เส้นขอบ' เหล่านี้มีจำนวนมากข้อมูลที่ประเมินขีดจำกัดในกรณีมาก ถ้ามีบริษัทน้อยมากด้วยการประเมินคุณภาพนอกเหนือจาก 'เส้นขอบ นั้นข้อมูลที่ประเมินขีดจำกัด

ผลลัพธ์ (ไทย) 2:

วิธีการเชิงประจักษ์
ในการวิเคราะห์ของเราด้านล่างเราอย่างชัดเจนทดสอบว่า
ข้อมูลในแผนธุรกิจทำนาย VC เงินทุน
ตัวแปรตามของเราคือ dichotomous หมายความ
วิเคราะห์ทางเลือกที่ไม่ต่อเนื่อง (probit logit และมี
การใช้งานร่วมกัน) ในข้อมูลของเราเพียงห้า
เปอร์เซ็นต์ของแผนเป็นหนี้หลังจากการชักชวน
นี้นำเสนอความท้าทายสำหรับการทดสอบสมมติฐานของเรา
เพราะเราต้องเปลี่ยนแปลงเพียงพอในการ
variable.9 ขึ้นอยู่กับรูปแบบที่ไม่เพียงพอจะสร้าง
อคติลงในค่าสัมประสิทธิ์ประมาณ ที่
ถูกต้องสำหรับการชดเชยนี้เราจะใช้โลจิตเหตุการณ์ที่หายาก
แบบ (พระบาทสมเด็จพระเจ้าอยู่หัวและเซง, 2001)
หากต้องการดูว่าทำไมมีอคติพิจารณาสมมุติ
กรณีที่ บริษัท ดังกล่าวข้างต้น (สังเกต) บาง
เกณฑ์ที่มีคุณภาพที่ได้รับ VC funding.10 เป้าหมาย
ของการวิเคราะห์เชิงประจักษ์แล้วจะระบุ
เกณฑ์ที่ เงื่อนไขในขนาดของกลุ่มตัวอย่างถ้า
ความน่าจะเป็นในการสังเกต บริษัท ที่ด้านข้างของแต่ละ
เกณฑ์เท่ากับและถ้าระยะทางจาก
เกณฑ์นี้มีการกระจายแบบสุ่มแล้ว
ข้อมูลที่จะให้เป็นจำนวนมากของข้อมูล
ในการประเมินเกณฑ์ ตอนนี้คิด
ว่าชุดข้อมูลที่ได้รับการลดขนาดโดยการสุ่ม
สำรวจการกำจัด การออกกำลังกายนี้จะใน
ทั่วไปลดจำนวนของการสังเกตด้านบน
และด้านล่างของเกณฑ์อย่างเท่าเทียมกัน ในกรณีนี้ในขณะที่
เราจะสามารถที่จะประเมินเกณฑ์ที่มี
ความแม่นยำน้อยกว่าประมาณการจุดที่คาดว่าจะ
ยังคงไม่เปลี่ยนแปลง ตอนนี้พิจารณากรณีที่
น่าจะเป็นของการสังเกตแผนของที่มีคุณภาพเพียงพอที่
มีขนาดเล็กว่าร้อยละห้า แต่ละที่มีคุณภาพสูง
วาดเป็นสิ่งสำคัญโดยเฉพาะอย่างยิ่งในการระบุ
เกณฑ์ นอกจากนี้แต่ละวาดดังกล่าวเป็นจาก
หางของการจัดจำหน่ายซึ่งจะสอนเรา
เกี่ยวกับขอบเขตของหางนี้ เนื่องจากความเป็นไปได้
ของการสังเกตการสังเกตมากอยู่ในระดับต่ำเราจะ
สรุปว่าคนที่เราไม่สังเกตเป็นส่วนใหญ่
มากและเป็นระบบประมาทขนาด
ของหาง ในสถานการณ์เหตุการณ์ที่หายากหางนี้เป็น
ที่น่าสนใจ: เหล่านี้ 'ชายแดน' บริษัท ให้เป็นกลุ่มของ
ข้อมูลที่จะประเมินเกณฑ์
ในกรณีที่รุนแรงถ้ามี บริษัท น้อยมากกับ
มาตรการที่มีคุณภาพเกิน 'ชายแดน' แล้ว
ข้อมูลที่จะประเมินเกณฑ์

ผลลัพธ์ (ไทย) 3:

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