# GBpOdqv3FowObmxeNR0cJGlGnkb

Source: https://fcnlycv6dd0w.feishu.cn/docx/GBpOdqv3FowObmxeNR0cJGlGnkb


## 一、 今日内容概述
## 二、 公平性机制：从单变量样板推进为候选变量组
昨天公平性机制主要围绕单一变量：（总实力变异系数的负向标准化）展开，用于衡量三阵营初始总实力是否均衡。初步试跑后发现，该变量在 3 月样本中的信号较为清晰，但在 5 月样本中有所减弱。通过这个结果引发出两个问题：
公平性是否会受到活动规则、样本结构、服务器生态或竞赛环境变化的影响，从而导致不同月份的表现不完全一致？
如果公平性不只是“三阵营总实力是否均衡”，那么单一  更适合被理解为“整体强度公平代理”，还不足以完整解释公平性机制对个体后续投入预期的影响。
基于这两个问题，重新拆解游戏规则，对匹配规则、分营逻辑、头部强者分布和人数结构等规则要素进行分析，构造多类公平性候选变量。再通过试跑和稳健性检验，判断哪些变量更适合进入公平性机制变量池。
### （一）问题延伸：单一公平性指标是否足够？
复核规则后发现，公平性不只是阵营总实力是否均衡，还与分层匹配、同盟国分配和人数结构有关。所以增加引入头部集中度公平和人数结构公平，构建新的公平性候选变量组。
  - 公平性机制候选变量组：“整体强度公平 + 头部集中度公平 + 结构均衡公平”
### （二）核心变量口径整理
在规则复核和稳健性检验基础上，本阶段将公平性机制整理为三个核心变量口径：

> [嵌入电子表格]

其中，  保留为整体强度公平代理。   是当前更稳的头部集中度公平主候选。  作为结构补充变量，主要用于观察人数结构对 K-L 投入结构均衡的影响。
## 三、七机制 X 变量池构建
Athey 和 Imbens 在《Machine Learning Methods Economists Should Know About》中指出，机器学习方法适合用于预测、变量选择、非线性关系识别和模式发现，但在经济学研究中，机器学习不能自动替代理论构造和因果识别。机器学习方法需要结合研究问题结构、理论约束和变量含义进行使用，而不是简单把所有字段交给算法自动判断。
参考文献：Athey, S., & Imbens, G. W. (2019). Machine Learning Methods Economists Should Know.
  - 七机制变量池形成与模型分析的整体链路
![图片](../feishu-images/GBpOdqv3FowObmxeNR0cJGlGnkb_WAFbbtkyyoQ2.png)
### （一）七机制变量池的形成路径
每个机制在进入变量池前，都需要完成一次独立的变量筛选与评估。再统一进入后续变量池和模型分析阶段。具体的变量池形成步骤：
#### 理论机制层
明确每个机制对应的博弈论与竞赛理论边界，需要明确七机制各自解释什么问题。

> [嵌入电子表格]

#### 游戏规则层
把理论机制对应到具体游戏规则

> [嵌入电子表格]

#### 可观测字段层
从埋点表、规则表和活动数据中寻找可观测字段。要判断字段是否满足：
  - 是否能够代表机制条件
  - 是否先于结果变量发生
  - 是否与  保持边界
  - 是否能够反映不同个体、团体、赛局实际经历的机制差异。
#### 候选变量层
将多维规则逻辑转化为具体的、具备变异度的代理变量组。
  - 机制提取：从每个理论机制（公平性、激励性、互动性……）中提取潜在候选变量。
  - 分析评估：结合  投入行为数据，对候选变量进行筛选与稳健性检验，检查变量方向、一致性、时序边界和口径隔离。
  - 归档放入候选变量层：将评估合格的变量汇总到候选变量层，为后续机制变量池构建做好准备。
#### 机制变量池层
对候选变量进行筛选和分层，形成七机制变量池。每个变量进入变量池前，需要经过四项检查：
  - 机制含义检查：变量是否真的代表该机制
  - 时序边界检查：变量是否先于或独立于后续结果
  - 口径隔离检查：变量是否与综合投入  或其组成部分重复
  - 机制差异度检查：变量是否能够反映不同个体、团体或赛局实际经历到的机制差异。
### （二）机制的变量决策矩阵
完成各机制变量筛选后，统一汇总形成机制变量池，用于后续机器学习识别与解释分析。

> [嵌入电子表格]

## 四、模型分析报告
基于 TRIPOD+AI（2024）关于使用回归或机器学习方法的预测模型报告规范，本阶段进一步整理后续模型分析的透明报告要求。
参考文献：Collins, G. S., et al. (2024). TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ, 385, e078378.
TRIPOD+AI 是一套关于模型研究如何完整、透明、可复核地报告的规范。
  - 核心思想是：当研究使用回归或机器学习方法时，需要清楚说明数据来源、预测变量、结果变量、模型开发、模型验证、结果解释和研究边界。
  - 主要借鉴：基础回归、XGBoost 、SHAP 分析都不能只呈现模型结果本身，还需要同步说明：数据从哪里来，变量如何定义，哪些变量进入模型，哪些变量被排除，模型用于回答什么问题，以及哪些结论不能被过度解释。
![图片](../feishu-images/GBpOdqv3FowObmxeNR0cJGlGnkb_Zz1gbV7QuoB7.png)
#### 模型分析报告清单（每一轮模型分析都需要说明）：

> [嵌入电子表格]

模型分析遵循：
数据来源清楚 → X/Y 口径清楚 → 入模规则清楚 → 模型用途清楚 → 解释边界清楚 → 输出材料可复核。
模型分析需要同步记录数据、变量、模型和解释边界。TRIPOD+AI 的透明报告思想可以作为本研究后续方法说明和附录设计的参考框架。
### 明日计划
目前已完成三个机制拆解：公平性、私有性、激励性。
明日继续推进：
## 一、 今日内容概述
## 二、 公平性机制：从单变量样板推进为候选变量组
昨天公平性机制主要围绕单一变量：（总实力变异系数的负向标准化）展开，用于衡量三阵营初始总实力是否均衡。初步试跑后发现，该变量在 3 月样本中的信号较为清晰，但在 5 月样本中有所减弱。通过这个结果引发出两个问题：
公平性是否会受到活动规则、样本结构、服务器生态或竞赛环境变化的影响，从而导致不同月份的表现不完全一致？
如果公平性不只是“三阵营总实力是否均衡”，那么单一  更适合被理解为“整体强度公平代理”，还不足以完整解释公平性机制对个体后续投入预期的影响。
基于这两个问题，重新拆解游戏规则，对匹配规则、分营逻辑、头部强者分布和人数结构等规则要素进行分析，构造多类公平性候选变量。再通过试跑和稳健性检验，判断哪些变量更适合进入公平性机制变量池。
### （一）问题延伸：单一公平性指标是否足够？
复核规则后发现，公平性不只是阵营总实力是否均衡，还与分层匹配、同盟国分配和人数结构有关。所以增加引入头部集中度公平和人数结构公平，构建新的公平性候选变量组。
- 公平性机制候选变量组：“整体强度公平 + 头部集中度公平 + 结构均衡公平”
### （二）核心变量口径整理
在规则复核和稳健性检验基础上，本阶段将公平性机制整理为三个核心变量口径：

> [嵌入电子表格]

其中，  保留为整体强度公平代理。   是当前更稳的头部集中度公平主候选。  作为结构补充变量，主要用于观察人数结构对 K-L 投入结构均衡的影响。
## 三、七机制 X 变量池构建
Athey 和 Imbens 在《Machine Learning Methods Economists Should Know About》中指出，机器学习方法适合用于预测、变量选择、非线性关系识别和模式发现，但在经济学研究中，机器学习不能自动替代理论构造和因果识别。机器学习方法需要结合研究问题结构、理论约束和变量含义进行使用，而不是简单把所有字段交给算法自动判断。
参考文献：Athey, S., & Imbens, G. W. (2019). Machine Learning Methods Economists Should Know.
- 七机制变量池形成与模型分析的整体链路
![图片](../feishu-images/GBpOdqv3FowObmxeNR0cJGlGnkb_WAFbbtkyyoQ2.png)
### （一）七机制变量池的形成路径
每个机制在进入变量池前，都需要完成一次独立的变量筛选与评估。再统一进入后续变量池和模型分析阶段。具体的变量池形成步骤：
#### 理论机制层
明确每个机制对应的博弈论与竞赛理论边界，需要明确七机制各自解释什么问题。

> [嵌入电子表格]

#### 游戏规则层
把理论机制对应到具体游戏规则

> [嵌入电子表格]

#### 可观测字段层
从埋点表、规则表和活动数据中寻找可观测字段。要判断字段是否满足：
- 是否能够代表机制条件
- 是否先于结果变量发生
- 是否与  保持边界
- 是否能够反映不同个体、团体、赛局实际经历的机制差异。
#### 候选变量层
将多维规则逻辑转化为具体的、具备变异度的代理变量组。
- 机制提取：从每个理论机制（公平性、激励性、互动性……）中提取潜在候选变量。
- 分析评估：结合  投入行为数据，对候选变量进行筛选与稳健性检验，检查变量方向、一致性、时序边界和口径隔离。
- 归档放入候选变量层：将评估合格的变量汇总到候选变量层，为后续机制变量池构建做好准备。
#### 机制变量池层
对候选变量进行筛选和分层，形成七机制变量池。每个变量进入变量池前，需要经过四项检查：
- 机制含义检查：变量是否真的代表该机制
- 时序边界检查：变量是否先于或独立于后续结果
- 口径隔离检查：变量是否与综合投入  或其组成部分重复
- 机制差异度检查：变量是否能够反映不同个体、团体或赛局实际经历到的机制差异。
### （二）机制的变量决策矩阵
完成各机制变量筛选后，统一汇总形成机制变量池，用于后续机器学习识别与解释分析。

> [嵌入电子表格]

## 四、模型分析报告
基于 TRIPOD+AI（2024）关于使用回归或机器学习方法的预测模型报告规范，本阶段进一步整理后续模型分析的透明报告要求。
参考文献：Collins, G. S., et al. (2024). TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ, 385, e078378.
TRIPOD+AI 是一套关于模型研究如何完整、透明、可复核地报告的规范。
- 核心思想是：当研究使用回归或机器学习方法时，需要清楚说明数据来源、预测变量、结果变量、模型开发、模型验证、结果解释和研究边界。
- 主要借鉴：基础回归、XGBoost 、SHAP 分析都不能只呈现模型结果本身，还需要同步说明：数据从哪里来，变量如何定义，哪些变量进入模型，哪些变量被排除，模型用于回答什么问题，以及哪些结论不能被过度解释。
![图片](../feishu-images/GBpOdqv3FowObmxeNR0cJGlGnkb_Zz1gbV7QuoB7.png)
#### 模型分析报告清单（每一轮模型分析都需要说明）：

> [嵌入电子表格]

模型分析遵循：
数据来源清楚 → X/Y 口径清楚 → 入模规则清楚 → 模型用途清楚 → 解释边界清楚 → 输出材料可复核。
模型分析需要同步记录数据、变量、模型和解释边界。TRIPOD+AI 的透明报告思想可以作为本研究后续方法说明和附录设计的参考框架。
### 明日计划
目前已完成三个机制拆解：公平性、私有性、激励性。
明日继续推进：