研究變數定義

由於本研究所採用的預測模型為決策樹演算法，決策樹演算法主要是透過在 眾多自變數下逐步挑出最能區辨結果的自變數，故沒有如迴歸分析中需要小心挑 選研究變數以避免共線性等狀況，反而越多越有可能區辨的自變數越好。因此除 了應變數及控制變數外，本研究也將在第三節花費較大篇幅逐一介紹所挑選的自 變數。

一、 應變數：最終募資狀態

本研究以該募資專案最終的募資金額作為主要依據判斷。計算專案結束時的 募資金額達成率是否超過 100%，若超過 100%則視為成功，反之則失敗。

二、 自變數

如自變數募資天數段落所述，Etter et al.(2013)也曾比較成功募資專案與失敗專 案的目標金額平均值，普遍而言成功的群眾募資專案擁有平均較低的募資目

本研究也將其變數納入自變數中。

Kuppuswamy & Bayus (2013)的研究指出，擁有影片的募資專案有較高的募資 成功率，高達八成的成功專案皆附有影片介紹，故本研究將該變數計算之。

YouTube 及 vimeo 平台提供了使用者評比影片的機制，本研究認為若網友願意 給予影片正評，有較高機率給予該專案贊助。若該募資提案的影片平台為 vimeo 或沒有影片，則以遺漏值計。

(十三) 影片不喜歡人數

YouTube 平台除了提供給網友點選喜歡該影片的機制外，也提供點選不喜歡的 機制，因此本研究也將其納入自變數中。若該募資提案的影片平台為 vimeo

或沒有影片，則以遺漏值計。 力如何。其呼應了文獻中(Colombo, Franzoni, &Rossi Lamastra, 2015; Liao et al., 2015) 所指出的社群分享次數與募資成功率的相關性。

(十六) 專案類型

Harms(2007)及 Lambert & Schwienbacher(2010)的研究指出，如果是有形的回 饋品，較容易吸引潛在贊助者。故本研究將不同的專案類型視為潛在的影響

根據 Kickstarter 統計(2015)指出，提案人平均第一次提出專案就成功的比率是 38%，然而第二次提案成功的比率卻提升至 73%。因此本研究也將該提案人曾 在 flyingV 提案的次數視為潛在的影響募資成功率因素之一。

(二十) 贊助方案種類數

Kuppuswamy & Bayus(2013)發現贊助方案的種類數與募資是否成功有所關 聯，未達成目標的專案平均有 7.57 個回饋方案，而超越目標金額的專案則平 均有 8.16 個回饋方案。故本研究將其列入自變數中。

(二十一) 贊助方案金額中位數

林亭佑(2015)的研究指出，贊助方案金額的中位數與募資成功率有正向關係，

因為中位數可代表整體贊助方案的價格帶，越高的價格帶因較多的贊助金額 而較容易達成募資目標金額。

(二十二) 贊助方案金額四分位差

林亭佑(2015)的研究指出，贊助方案金額的四分位差與募資成功率有反向關 係，因為四分位差可代表整體贊助方案的價格帶分佈情形，而越大的四分位 差代表贊助方案價格落差越大，呼應了 Mods(2010)認為選擇中間方案的贊助 人，比起增加金額贊助，更有可能減少贊助金額來選擇基本的回饋方案。

(二十三) 贊助方案最低金額回饋方案

Mods(2010)的研究認為，提案人應該避免提供 25 美元以下的回饋方案。而 flyingV 平台的募資方案普遍提供 100 元的純粹贊助選項，本研究將人工排除 純粹贊助的方案，並找出擁有最低金額的有形物回饋方案的價格，作為可能 影響募資成功率的自變數之一。

三、 控制變數

一、 留一交叉驗證法(leave-one-out cross validation, LOOCV)

為機器學習進行交叉驗證的方法之一。由於許多機器學習方法容易產生過度