本部分对应当前实证研究流程中的两个环节：
第 12 步：入模前检查
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。
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）
新增 4 个 RJI 距离型变量进入正式变量池：
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。
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。
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。
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。
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。
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
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。
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】
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 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。
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。
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：
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。
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。
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。
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。
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。
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。
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。
综合投入及投入结构结果（