1、 模型 1 创业投资机构对公开市场信号的反应主要体现在其下一年的投资额上。因而， 我们的 模型 1 可以写为： 1 ( 1 , ) 2 ( , 1 , ) 3 ( , 1 , ) ( 1 , )* ( 1 ) （ i,t,c ） t c i t c i t c t cIN D IN V IN D IP O X X IN D IP O C O N T R O L S 这里， i 代表创业投资机构， t 代表年份， c 代表行业， X 代表经验特征，可以是 EXP、 INDEXP或 NONINDEXP， CONTROLS 代表控制变量。 这是 一个 OLS 模型，检验公开市场信号（ INDIPO）
2、对创业投资决策的影响，以及具有不同经验特征（ EXP、 INDEXP 或 NONINDEXP）的创业投资机构对公开市场信号变化的敏感性。创业投资机构 i 在年 份 t 对行业 c 的投资额（ INDINV）是模型 1 的被解释变量。根据 我们选择 的 1,648 条创业投资机构对被投公司的投资记录，我们可以计算 出 每个创业投资机构在每一年对每一行业的投资额 ，这样我们得到了 1,274 个创业投资机构 -年份 -行业 匹配 的观察值 。如果进而考虑创业投资机构对公开市场信号的 反应有可能是选择下一年对某行业不做任何投资，即行业投资额为 0，我们在1,274 个观察值中加入这些投资额为 0 的
3、情况。具体来说，如果某创业投资机构 i 在某年 t 对某行业 c没有做任何投资，我们仍然增加一个观察值，其投资额为 o。当然我们只会对那些积极做投资的创业投资机构增加这样的观察值。如果该创业投资机构在该年份对所有行业都没有任何投资，那么我们也不会增加任何观察值。 因而 ，如果一个创业投资机构在所有 1999-2008 年间都有投资的话，我们可以看到 100 个（ 10 年 *10 个行业）观察值。这样处理的结果是使我们能够分析那些对公开市场信号做出积极反应的创业投资机构的决策，既包括调整行业投资额，也包括调整行业导向。最后，我们一共得到 8,890 个创业投资机构 -年份 -行业 匹配 的观察
4、值。对模型 1 的回归分析，我们会分别 以考虑 0 投资额 的 8,890 个 创业投资机构 -年份 -行业 的匹配样本（我们称为样本 1）和不考虑 0 投资额的 1,274 个创业投资机构 -年份 -行业 的匹配样本（我们称为样本 2）为基础 来 展开。 9 2. 模型 2 创业投资机构对公开市场信号反应的有效性主要体现在其投资绩效上。由于创业投资机构的收益率非常保密，数据库也没有披露更多的信息来估计每笔创业投资的收 益 ，因而我们无法直接衡量创业投资的绩效 。但创业投资的绝大部分收益来自于成功退出的项目，所以， 创业投资的绩效 也通常 以投资能不能成功退出 （上市或被并购） 来衡量（ Go
5、mpers and Lerner， 2000； Brander et al.， 2002；Hochberg et al.， 2007； Nahata， 2008； Gompers et al.， 2008）。因而， 我们的模型 2 可以写为： 1 ( 1 , ) 2 ( , 1 , ) 3 ( , 1 , ) ( 1 , ) 4* ( 2 ) （ , ） i f t c i t c i t c t cS U C C E S S I N D I P O X X I N D I P O C O N T R O L S 这里， i 代表创业投资机构， f 代表被投公司， t 代表年份， c 代表行业
6、， X 代表经验特征，可以是 EXP、 INDEXP 或 NONINDEXP， CONTROLS 代表控制变量。 这是一个 Logit 模型 4，检验具有不同经验特征（ EXP、 INDEXP 或 NONINDEXP）的创业投资机构对公开市场信号（ INDIPO）反应的有效性，即投资绩效。这里的被解释变量 SUCCESS 为哑变量被投公司有没有成功上市（ IPO）或被并购（ M&A）。模型 2 的回归样本为 1,648 条投资记录（我们称为样本 3）。由于每一条投资记录都是唯一的创业投资机构 -被投公司匹配的观察值，其投资年份及被投公司所处行业 也 都是唯一确定的。清科公司数据库全面 详细 地
7、记录了创业投资支持的 IPO和 M&A 案例，根据这一信息我们确定了每条投资记录对应的被投公司到 2009 年 8 月为止有没有成功 IPO 或 M&A 的情况。 (五 ) 控制变量 除了解释变量以外， 考虑我国创业投资的实际情况并借鉴国内外的相关文献， 我们 在回归模型中还控制了一些可能对创业投资 决策及其 绩效产生影响的 变量。 首先，我们 在模型 1 和模型 2 中控制了以下共同变量。（ 1） 上一年所有创业投资机构募集的资金总额（ FUNDRAISING）。我们用这一变量来衡量我们创业投资行业的 总体 发展状况，以控制一些宏观 的利好因素。 （ 2） 创业投资机构的年龄（ AGE）。很
8、多文献表明创业投资机构的年龄会影响其投资决策及其绩效（ Gompers， 1995； Hochberg， 2007； Bottazzi et al.， 2008； Nahata， 2008）。（ 3）创业投资机构的来源。在我国 ， 外国创业投资机构和本土创业投资机构一直并存，但在投资决策和绩效方面却差别很大（ Tan et al.， 2008； Lu et al.， 2007）。根据样本中创业投资机构的构成，我们控制了表示创业投资机构来源的 3 个哑变量，即是否是本土创业投资机构（ DOMESTIC_VC），是否来自于美国（ US_VC）和是否来自于亚洲其他国家或地区（ ASIA_VC）。 其
9、次，除了这些共同的控制变量，我 们还分别在模型 1 和模型 2 中控制了一些不同的影响因素。（ 1）为了控制投资的延续效应，我们在模型 1 中控制了创业投资机构上一年的行业投资额（ LAGINDINV）。（ 2）为了控制被投公司的总体质量对投资绩效的影响，我们在模型 2 还包括了被投公司获得的 创业 投资 总 额（ TOTAL_AMOUNT），这也是借鉴了 Nahata（ 2008）的做法。（ 3） Brander et al.（ 2002）指出联合投资会提高创业投资收益，我们进而在模型 2 中控制了联合投资规模（ SYNDICATION），即参与被投公司投资的创业投资机构数。 为了剔 除变量的右偏性， INDINV、 INDIPO、 EXP、 INDEXP、 NONINDEXP、 FUNDRAISING、AGE、 LAGINDINV 、 TOTAL_AMOUNT 和 SYNDICATION 都作了自然对数调整。当然，为了避免对 0 取自然对数，这些变量都是加 1 后再取自然对数。另外，为了进一步控制投资年份和行业的固定效应，模型 1 和 2 中都加入
