采用 A/B/C/D 四轮筛选，主要是为了避免单次模型结果直接决定机制选择。四轮分别解决以下问题：
A/B/C/D 是我们当前阶段的内部变量筛选流程，用于保证变量选择有依据。正式报告中会转换更学术的写法：
本研究在正式建模前，对七类机制变量进行了多阶段筛选与稳健性检查。首先，基于理论定义选择各机制代表变量进行联合比较。其次，加入控制变量检验机制信号是否被背景因素吸收。再次，在各机制内部比较主变量、替代变量和代理变量，确认最终变量口径。最后，结合 XGBoost/SHAP 特征重要性结果，从机器学习角度补充验证变量的重要性。
主要作用：
每个机制选一个代表变量，放入同一模型中，观察七个机制谁有初步解释信号。
解决问题：
主要作用：
在A轮基础上加入玩家等级、VIP、战力、月份、阵营等控制变量，检查机制信号是否仍然稳定。
解决问题：
主要作用：
在每个机制内部比较主变量、替代变量、补充变量和代理变量，确认后续正式分析应使用哪个变量代表该机制。
解决问题：
主要作用：
从机器学习角度观察变量的非线性贡献和全局重要性，作为 A/B/C 结果的补充验证。
解决问题（全局重要性）：
A轮先判断机制有没有初步信号，B轮检查信号是否被控制变量吸收，C轮确认每个机制内部的变量口径，D轮从机器学习角度补充验证变量重要性。最终选择主推机制时，需要综合考虑统计信号、变量口径、理论解释力、业务代表性和代理变量风险。
差异点：理论预期高，但目前直接数据支撑偏弱
预期较高的机制：
实际情况：
从当前 A/B/C/D 综合结果来看，公平性的实际表现没有达到预期。虽然公平性变量数量最多，理论解释力和业务代表性都较高，但数据支撑度偏低，没有进入当前主推机制序列。
初步判断：
公平性可能并不是直接拉动综合投入 Y 的主驱动机制，而更可能是团体竞赛中的基础治理条件或边界条件。它的作用不一定表现为“越公平，投入越高”的线性关系，而可能体现在避免极端失衡、维持弱势方参与意愿、保障比赛可持续性等方面。
定位：基础治理机制、匹配前提机制或后续异质性分析中的观察机制。
差异点：业务和理论预期较高，但当前统计强度不是最高
预期较高的机制：
实际情况：
从当前 A/B/C/D 综合结果来看，互动性的统计强度低于互补性、激励性和补偿性。虽然滞后攻防互动强度等变量具有一定稳定信号，也具备较强业务解释力，但整体没有进入前三统计主推机制，目前作为“备选重点”状态。
初步判断：
互动性可能不是当前模型中直接拉动综合投入 Y 的最强统计变量，但它在 GVG 核心玩法解释和博弈论推导中仍然具有较高价值。
定位： 观察机制 / 备选重点机制。更强调 GVG 核心玩法解释和博弈论推导，可作为补偿性的替代主推机制。
差异点：结果表现很强，但解释边界需要谨慎
结果较强的表现：
实际情况：
初步判断：
互补性更适合解释为：互补性相关暴露变量与综合投入存在较强关联。统计信号较强，但主变量存在一定代理风险，需要在进度报告中明确解释边界。
后续可将 Complementarity_Minister_Assignment_Fit_Lag 和 Complementarity_Building_Effect_Lag 作为保守稳健性变量，用于补充验证互补性机制是否在更严格口径下仍然成立。
定位：主推候选机制，但需解释降级；当前主变量应按“Buff暴露弱代理”处理。
在 A/B/C/D 机制筛选基础上，进行了重点机制复核。检查当前机制候选排序是否稳定，以及结果是否受到单一变量、模型口径或数据问题影响。
复核主要围绕：
复核结果：
本轮复核结果用于支撑阶段性机制候选判断，明天组内针对结果进行确认讨论。
", "document_id": "CqeGd5XCpojrE3xoxQ2cNHbInLb", "revision_id": 444 } } }