风险投资数据由Sand Hill Ecnometrics提供。 4.2计算收益 投资前估值和投资后估值的数值是不同的。若风险投资者向一家公司投资I后，公司的 估值为'os7,则投资前公司的估值可定义为：'pos='e+I,从t到r相邻两轮投资之 间投资者获得的净回报为： R(1,1)=VPRE(t)/VPoST(t) (11) 我们用这些回报构造一个新的估值变量，以消除未来投资者的股权收益减损影响。从V(0)=1 开始，校正估值可由下式迭代计算： Vous(t)=VoBs(t)xR(t,t) (12) 校正估值在估计过程中可作为估值的观测值。 我们的样本最终包含1934家公司的5501次投资，其中199家上市，451家被收购，445家 被清算，还有839家我们无法得知它们如今的状况。 5.MCMC模拟 我们通过模拟，产生了10个公司120个月的1000组数据，模拟模型为 v(t)=v(t-1)+r+δ+B(rm(t)-r)+(t) (13) w(t)=Yo+v(t)+Y2t+3t2+7) (14) v(t)=l(V(t)是w(t)≥0时的隐性选择变量。市场收益回报r(t)的对数值独立同分布，服 从N(0,1/12),T是自从上一次观测到的估值为止的时间。误差项(t)~N(0,σ2)， 7t)~N(O,1),二者相互独立。我们设无风险利率r为0。 我们设6、B及(o,Y,)的先验均值为0，。=1/10,000,2。=1/100。o2服从逆 Gamma先验分布，a0=2.1,b0=1/600,E[g]=4%,每月0以99%的置信度在1%到12%之间。 基于以上条件，选择N(0,42)作为6、B的先验分布，N(0,10)作为Yo,Y,的先验分布。 我们设δ、B、(Yo,Y,)初始值为0,0初始值为10%开始进行模拟。 忽略了选择过程的MCMC法得出Y,=O,而包括选择过程的MCMC是我们的动态选择 法。对于每一个变量，第一个值为由数据的点估计平均值产生。模拟结果见图1、图2与表 1。风险投资数据由 Sand Hill Ecnometrics 提供。 4.2 计算收益 投资前估值和投资后估值的数值是不同的。若风险投资者向一家公司投资 I 后，公司的 估值为 VPOST ,则投资前公司的估值可定义为：V V I POST PRE   ，从 t 到 t’相邻两轮投资之 间投资者获得的净回报为： ( , ') ( ') / ( ) R t t V t V t v PRE POST  (11) 我们用这些回报构造一个新的估值变量，以消除未来投资者的股权收益减损影响。从 V（0 =1 ） 开始，校正估值可由下式迭代计算： ( ') ( ) ( , ') V t V t R t t OBS OBS v   (12) 校正估值在估计过程中可作为估值的观测值。 我们的样本最终包含 1934 家公司的 5501 次投资，其中 199 家上市，451 家被收购，445 家 被清算，还有 839 家我们无法得知它们如今的状况。 5. MCMC 模拟 我们通过模拟，产生了 10 个公司 120 个月的 1000 组数据，模拟模型为 ( ) ( 1) ( ( ) ) ( ) m v t v t r r t r t           (13) 2 0 1 2 3 w t v t t ( ) ( ) ( )             (14) v t V ( ) ln( (t))  是 w t( ) 0  时的隐性选择变量。市场收益回报 ( ) m r t 的对数值独立同分布，服 从 2 N(0,1 /12) ， 是自从上一次观测到的估值为止的时间。误差项 2   ( )~ N(0, ) t ， ( )~ N(0,1) t ，二者相互独立。我们设无风险利率 r 为。 我们设  、 及 0 ( , ) v   的先验均值为，0= /10,000 I ，0= /100 I 。 2  服从逆 Gamma 先验分布，a0=2.1,b0=1/600,E[  ]=4%，每月  以 99%的置信度在 1%到 12%之间。 基于以上条件，选择 2 N(0,4 ) 作为  、  的先验分布， 2 N(0,10 ) 作为 0 , v   的先验分布。 我们设  、  、 0 ( , ) v   初始值为， 初始值为开始进行模拟。 忽略了选择过程的 MCMC 法得出 v  ，而包括选择过程的 MCMC 是我们的动态选择 法。对于每一个变量，第一个值为由数据的点估计平均值产生。模拟结果见图 1、图 2 与表 1