Keywords
#MeToo, Kiva, P2P-Kredite, Frauenförderung, Soziale Bewe gungen, Geschlechterbias
Paper Number
TR-2276
Paper Type
Short
Abstract
MeTooist eine soziale Bewegung, die darauf abzielt, das gesellschaftliche Bewusst sein und die Meldung aller Formen sexueller Belästigung zu erhöhen. Die aktuelle Forschung betrachtet die MeToo-Bewegung durch die Linse eines unbeabsichtigten, aber wünschenswerten Marktergebnisses. Wir bewerten, ob weibliche Kreditnehme rinnen auf einer Peer-to-Peer-Plattform nach MeToo schneller finanziert werden. Unsere vorläufigen Ergebnisse zeigen, dass Darlehen für weibliche Kreditnehme rinnen nicht nur nach MeToo schneller finanziert werden, sondern dass weibliche Kreditnehmerinnen auch schneller finanziert werden, wenn die Anzahl der MeToo Ereignisse zunimmt. Wir adressieren Endogenitätsprobleme durch den Einsatz eines Differenz-in-Differenzen-Ansatzes (angewendet unter Verwendung negativer bino mialer Regressionen im Fall einer zählenden abhängigen Variablen aufgrund von Überdispersion in den Daten). Wir integrieren auch eine Reihe von Kontrollvaria blen und nutzen Double Machine Learning (DML).
Recommended Citation
Agrawal", "Lavlin; Heavin, Ciara; Lindsey, Chuck; Sharman, Raj; and Tiu, Christian, "Die Welleneffekte einer sozialen Bewegung auf P2P-Kredite" (2025). ICIS 2025 Proceedings. 38.
https://aisel.aisnet.org/icis2025/translated/translated/38
Die Welleneffekte einer sozialen Bewegung auf P2P-Kredite
MeTooist eine soziale Bewegung, die darauf abzielt, das gesellschaftliche Bewusst sein und die Meldung aller Formen sexueller Belästigung zu erhöhen. Die aktuelle Forschung betrachtet die MeToo-Bewegung durch die Linse eines unbeabsichtigten, aber wünschenswerten Marktergebnisses. Wir bewerten, ob weibliche Kreditnehme rinnen auf einer Peer-to-Peer-Plattform nach MeToo schneller finanziert werden. Unsere vorläufigen Ergebnisse zeigen, dass Darlehen für weibliche Kreditnehme rinnen nicht nur nach MeToo schneller finanziert werden, sondern dass weibliche Kreditnehmerinnen auch schneller finanziert werden, wenn die Anzahl der MeToo Ereignisse zunimmt. Wir adressieren Endogenitätsprobleme durch den Einsatz eines Differenz-in-Differenzen-Ansatzes (angewendet unter Verwendung negativer bino mialer Regressionen im Fall einer zählenden abhängigen Variablen aufgrund von Überdispersion in den Daten). Wir integrieren auch eine Reihe von Kontrollvaria blen und nutzen Double Machine Learning (DML).
When commenting on articles, please be friendly, welcoming, respectful and abide by the AIS eLibrary Discussion Thread Code of Conduct posted here.
Comments
22-FinTech