从综合投入构造到机制筛选、联合建模、机器学习与研究输出的完整实证流程
目前整体研究流程可分为两类相互衔接但功能不同的系统：
这个流程不作为论文正式展示内容，主要用于研究内部对变量进行筛选与收敛。作用在于确定后续重点分析的机制集合。
主要包括：
核心目标：
在理论完整性与数据可得性之间进行权衡，实现机制变量的初步筛选与结构化收敛。
本研究以综合投入（K/L/Y）作为核心被解释变量，以七机制变量作为主要解释框架，在统一的数据结构下开展多方法联合实证分析。
整体方法主要包括以下三个层面：
基于综合投入理论框架，构建货币投入（K）、行为投入（L）及其结构化组合变量（Y），形成统一的结果变量体系。同时围绕七机制理论构建机制变量体系，用于刻画不同规则机制对玩家投入行为的影响路径。
在统一变量池基础上，构建多模型联合实证框架，结合传统统计模型与机器学习方法，对机制变量的解释能力进行系统分析，以识别变量之间的非线性关系及交互效应。
进一步引入可解释性机器学习方法与稳健性检验框架，对核心机制变量的作用路径、边际贡献及分层异质性进行分析，以验证结果的稳定性与一致性。
对当前实际执行的显性实证分析流程，与开题报告中提出的方法设计进行对比说明，以明确方法体系在执行层面的演进路径，并为后续文献与方法支撑补充提供基础。
研究设计层：开题报告阶段的实证分析方法主要以“理论设计路径”为主。
研究执行层：在实际推进过程中，基于数据结构与机制复杂性，梳理出了更细的流程。
两种框架的主要差异体现在以下三个方面：
【进度报告】主要体现的是方法体系在执行层面的结构性演进与落地扩展，具体表现为：
本次先整理四类整体性方法参考，重点在“建模前的数据与变量治理”。
参考来源： Chapman et al.（2000）《CRISP-DM 1.0: Step-by-step Data Mining Guide》
CRISP-DM 提供了比较完整的数据挖掘流程，包括业务理解、数据理解、数据准备、建模、评估等阶段。
研究支持：在变量尚未完成口径统一、字段核验和数据检查前，不宜直接进入模型。正式建模前，需要先把研究问题、数据来源、字段含义和建模底表整理清楚。
可支撑：
参考来源： Rahm & Do（2000）《Data Cleaning: Problems and Current Approaches》
数据清洗不只是删除异常值，而是要处理数据来源不一致、字段重复、结构不统一、缺失和冲突等问题。
研究支持：七机制变量来自不同规则、不同埋点表和不同层级，如果不先做结构对齐，后续模型结果可能会受到底表拼接、字段缺失或口径不一致影响。
可支撑：
参考来源： Kuhn & Johnson（2019）《Feature Engineering and Selection: A Practical Approach for Predictive Models》
特征工程和变量选择相关文献强调，原始字段通常不能直接作为模型变量使用，需要经过转换、标准化、筛选和降冗余处理。
研究支持：七机制变量不是越多越好，也不是所有候选变量都要进入主模型。部分变量更适合作为主变量，部分变量只能作为替代变量、补充变量或暂缓变量。
可支撑：
参考来源： Harrell（2015）《Regression Modeling Strategies》
Regression Modeling Strategies 更强调建模前的变量处理策略，包括候选变量选择、缺失变量处理、变量数量控制和模型解释风险。
研究支持：正式入模前，需要先判断变量是否具备理论含义、数据可用性和解释边界，不能把所有字段直接放入模型中让模型自动筛选。
可支撑：
当前阶段目标：通过【机制筛选流程】选出重要机制
从七大机制中识别出更具解释价值、数据条件更成熟的重要机制。
已完成进展：
活动层：互动性 > 公平性 > 流动性
个体层：私有性 > 互补性
待补充事项：
当前正在推进：整体变量池稳健性复核
游戏规则 → 理想候选变量 → 当前已筛选变量比对 → 识别遗漏 / 新增变量 → 运营返回数据比对 → 埋点表覆盖情况核验 → 形成复核版变量池 → 第二轮试跑 → 确定重点机制变量
复核的目的，是避免前期初跑只基于“埋点表存在且数据已返回”的变量，导致当前变量池未能充分覆盖游戏规则中的机制本义。