（5）总结与展望。提出本文研究中存在的不足和改进的建议，便于其他的研究者进行进一步的深入研究。

1.4研究方法

本文的研究方法主要是理论分析法和实证分析法，通过二者的有机结合来确保研究结论的可靠性和客观性，具体的研究方法如下：

（1）文献研究法：通过对国内外有关众筹理论、社会规范和信息控制理论进行回顾和总结，并根据抓取的数据特征，形成了本次的研究主题。

（2）逻辑推演法：在阅读相关文献的基础上，总结目前已经研究过的出资人信息隐藏行为模型和结论以及信息控制理论的相关研究，之后形成本文的自变量，因变量，以及变量之间的内在逻辑关系，最终提出本文的理论假设并构建出理论研究模型。

（3）实证分析法：这是本文的重点，本文通过抓取Indiegogo网站上众筹项目的基本信息，发起人信息和出资人的出资信息来实证研究出资人的信息隐藏行为及影响。由于本文使用的数据是自己抓取的一手数据，可以保证数据的有效性和真实性。此外，考虑到出资人的出资信息是动态变化的，并且不同项目的筹资期是不一样的，所以本文研究的样本数据为非均衡面板数据，并分别将出资人是否进行信息隐藏和项目获得的实际筹资金额作为因变量，建立了两个理论模型。

a）信息隐藏模型在信息隐藏模型中，本文主要研究项目先前的出资人信息隐藏对项目接下来

的出资人信息隐藏的影响，具体的理论模型如下：其中，ρ表示隐藏信息的类型，分为出资人身份信息隐藏和出资金额隐藏，β是指一个项目之前的出资人信息隐藏行为对之后的出资人信息隐藏行为的影响；X是一些动态变量的组合，其中包括：项目当天获得的实际筹资额的对数（ln_Contributions），项目累计获得的筹资额的对数（ln_CampaignBalances）以及时间虚拟变量——研究那些无法观测的动态影响因素，例如：平台隐私政策的改变会影响出资人的信息隐藏行为；ωj表示个体固定效应——用来反映不同项目之间的差异，如：项目属性等；εjt表示扰动项——主要包括那些无法观察的随时间和截面变化的因素。

本模型的研究内容是出资人在出资之后是否隐藏出资金额或身份信息，对于这种因变量是二值因变量的情况，模型的估计量可以使用logit或者是probit，但由于多项逻辑斯蒂回归无法解释模型的固定效应，并且在加入工具变量后会存在冗余参数的问题（incidentalparameterproblems），所以本文决定使用线性概率模型（LPM），线性概率模型在给定的自变量的情况下，因变量的条件期望可以解释为该事件发生的条件概率，但需要注意的是，线性概率模型的误差项具有异方差性，为了保证结果的可靠性和客观性，本文在使用Stata12运行线性概率模型时计算的是聚类稳健标准误而不是普通的标准误。

b）出资金额模型在出资金额模型中，本文主要研究项目先前的出资人信息隐藏对项目当天获

得的实际筹资额的影响，具体的理论模型如下：其中，λ是指一个项目之前的出资人信息隐藏对项目当天获得的实际筹资额

的影响；Q是动态自变量的组合，主要有：该项目前一天的筹资额，项目截至当天获得的实际筹资额，为了研究项目的时间趋势，本文还在自变量中加入了时间变量及其平方项；此外，由于无条件的固定效应会使Tobit模型的结果产生偏差，所以公式（1.2）中的ωj包括各种静态变量，具体的有：项目的筹资机制（flexible/fixedgoal），项目的目标筹资额，项目筹资期；εjt表示扰动项，包括一些无法观察的影响因素。