# QogOdUbJEoFI7QxHd8IceVuXnqJ


Source: https://feishu.cn/docx/QogOdUbJEoFI7QxHd8IceVuXnqJ


## 一、今日内容概述

完成入模前检查与统一底表准备，正式入池变量更新为 36 个。

整理 A/B/C/D 联合试跑、XGBoost 和 SHAP 初步结果。

梳理七机制候选池与三机制主分析的衔接关系。

## 二、入模前检查与统一底表准备

本部分对应当前实证研究流程中的两个环节：

阶段三：变量池整合与联合准备

第 12 步：入模前检查

阶段四：联合建模与机器学习准备

第 13 步：统一建模底表准备

备注：这两步材料后续具有复用价值。

正式文稿中只保留三个重点机制作为主分析对象，这两步已经完成的变量筛选、口径锁定、入模前检查、公共底座和统一底表准备，也可以作为三机制主分析的基础继续使用，不需要重新从七机制变量池开始整理。

#### 机制复核与变量更新

初步形成 32 个第二轮正式试跑候选入池变量，经过人工复核后更新为 36 个变量。（重点复核：激励性和互补性）

激励性机制：

新增 4 个 RJI 距离型变量进入正式变量池：

互补性机制：

本次复核后未新增正式入池变量。

K/L 替代关系相关变量暂时保留为观察讨论项，不直接并入当前正式机制变量池，避免与机制 X 变量和投入结构指标之间产生解释边界重叠。

#### 正式落表与统一底表准备

操作重点：

将确认进入第二轮正式试跑的变量，进一步转化为可执行、可核验、可统一拼接的正式底表结构。

主要包括：

整理正式落表所需的执行版核验单、检查清单和落表规则，用于明确字段来源、主键关系、时间窗口、缺失值、零方差和异常值等核验要求。

整理公共底座、中间表和统一底表相关材料，包括参与名单标准底座、阵营实力中间表、联盟结构中间表，以及第二轮正式试跑统一底表初版。

整理形成多个机制的初版落表结果，包括公平性、流动性、私有性、激励性、互补性、补偿性等机制底表。

阶段意义：

这一步解决的是“变量如何真正落到同一张可运行、可建模、可复核的正式底表中”。为后续 A/B/C/D 联合试跑、XGBoost 和 SHAP 分析提供输入基础。

#### 后续可复用资料整理

操作重点：

将前面 01-12 步中具有复用价值的材料单独归档，为后续三机制主分析保留可直接使用的基础资料。

主要包括：

整理变量筛选逻辑、机制归口判断和口径锁定结果，保留七机制变量池收口过程中的关键判断依据。

整理入模前检查规则、公共底座准备思路和统一底表准备路径，为后续三机制建模底表复用提供基础。

整理论文三机制复用说明材料，明确哪些已有成果可以从七机制框架中抽取出来，继续服务于后续重点机制主分析。

阶段意义：

后续正式文稿从七机制收缩到三个重点机制，也可以继续沿用当前已经完成的筛选逻辑、检查规则、口径锁定和底表准备结果，不需要重新从七机制变量池开始整理。

## 三、第二轮联合试跑与机器学习初筛结果整理

本部分对应当前实证研究流程中的三个环节：

第 14 步：A/B/C/D 轮联合试跑

第 15 步：XGBoost 机器学习初筛

第 18 步：SHAP 关系解释

#### A/B/C/D 四轮结果整理

本次将 A/B/C/D 四轮试跑结果整理成统一结果总览表，明确每一轮的分析目的、输入变量、输出结果和当前判断。

A轮：主变量联合比较

B轮：控制变量吸收检查

C轮：稳健替换比较

D轮：XGBoost + SHAP 机器学习特征重要性

作用：把第二轮试跑从单次模型结果整理成一套可比较、可解释、可复核的分析链条，为后续重点机制判断提供依据。

【A/B/C/D 四轮联合试跑结果概览】

#### XGBoost 与 SHAP 结果整理

D轮已经形成 XGBoost 和 SHAP 初版结果，并整理出双重要性对比图和 Top10 中文解释表。

D轮 XGBoost + SHAP 双重要性对比图

D 轮 XGBoost Gain 与 SHAP 排序结果整体较为一致，补偿性、互补性和激励性相关变量表现较强。

XGBoost / SHAP Top10 中文解释表

在此基础上，进一步整理形成 XGBoost / SHAP Top10 中文解释表，用于补充变量中文释义、机制归属和后续重点机制判断。

#### 机制层归口与三机制候选整理

把当前机器学习结果、A/B/C/D 试跑表现、变量可解释性和数据可用性放到同一套判断框架中。

机制层初步归口结果如下：

#### 图表与论文材料沉淀

本次还整理了第二轮结果论文图表目录，明确了图表对应的位置：PPT、进度报告、论文正文或附录。

进度报告：机制层结果归口表、三机制候选变量表、描述性统计表

正式论文：描述性统计表、重点机制变量定义表、SHAP重要性表、稳健性与替代检验表

附录：完整36变量清单、七机制机制层归口表、A/B/C/D详细结果表

### 阶段总结：

当前第二轮正式试跑已经从统一底表准备，推进到 A/B/C/D 联合试跑和机器学习初筛结果整理阶段。

初步形成重点机制候选判断：

补偿性、互补性、激励性信号较清晰，互动性仍保留观察价值。公平性和流动性可作为全局比较保留线，私有性需继续关注数据质量和缺失风险。

明日重点：

结合 A/B/C/D 结果、SHAP 中文解释、博弈论可解释性，讨论后续重点机制组合及主分析方向。

## 四、博弈论与机器学习结合

#### 开题反馈：

七个机制太重，建议理论建模重点做 1–2 个，最多 2–3 个，其他机制用文字或理论机制梳理即可。

七个机制不是同一个理论框架下推出来的，如果每个机制都对应一个不同博弈模型，会显得像七个独立模型，协同关系不够清楚。

可以保留探索式思路：前期可通过数据结果辅助判断机制表现，但正式论文不宜一开始把七个机制都做成同等重量的理论主线。

#### 提出疑问：

如果最终只选择三个重点机制作为主分析对象，那么机器学习环节是否还需要加入其他机制变量，用来衬托这三个机制的重要性？

这个问题关键在于：七个机制在论文中到底是作为正式主分析对象，还是作为前期候选机制池和变量治理基础。

#### 结论：

机器学习主模型可以只纳入这 3 个机制变量和必要控制变量。其他机制变量不作为主解释变量进入主模型，也不需要专门放入模型中“衬托”三机制的重要性。而是保留为候选机制池、拓展说明或后续研究材料。

### （一）衔接关系

博弈论前置：

在多人社交竞争游戏中，个体的投入决策不是孤立发生的，而是受到团体实力、奖励结构、公共收益分配、协作互补、竞争互动和组织边界等规则条件影响。平台的治理问题，本质上是通过规则设计改变参与者的预期收益、投入成本、合作收益和退出倾向，从而影响综合投入。

然后在这个统一框架下，把七个机制分成两层：

机器学习验证：

机器学习主要用于检验已经选定的 3 个重点机制变量，与综合投入之间是否存在稳定关联、贡献表现、非线性特征和异质性表现。

#### 机器学习主模型组成：

结果变量
以 （综合投入）为核心结果变量，并同步分析 （金钱投入）、（行为投入）和 K-L（金钱投入与行为投入结构差异）等投入结构指标。

重点机制变量
三个重点机制变量，作为模型中的核心解释变量。每个机制优先使用主变量，必要时保留稳健替代变量，用于后续稳健性检验。

控制变量
纳入控制项，用于控制活动规模、阵营规模、月份、服务器或玩家基础特征等非机制因素，避免把样本结构差异误判为机制作用。

主模型可以概括为：

综合投入及投入结构结果（） =  三个重点机制变量（X） + 控制变量（Z）