Evilom
12 lines
12 KiB
JSON
12 lines
12 KiB
JSON
{
|
||
"ok": true,
|
||
"identity": "user",
|
||
"data": {
|
||
"document": {
|
||
"content": "<title>2026.06.23-日报-夏莲</title><h2>一、今日内容概述</h2><ol><li seq=\"1\">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。</li><li seq=\"2\">整理 A/B/C/D 联合试跑、XGBoost 和 SHAP 初步结果。</li><li seq=\"3\">梳理七机制候选池与三机制主分析的衔接关系。</li></ol><p></p><hr/><h2>二、入模前检查与统一底表准备</h2><p>本部分对应当前实证研究流程中的两个环节：</p><ul><li><b>阶段三：变量池整合与联合准备</b><p>第 12 步：入模前检查</p></li><li><b>阶段四：联合建模与机器学习准备</b><p>第 13 步：统一建模底表准备</p></li></ul><blockquote><p><b>备注：这两步材料后续具有复用价值。</b></p><p>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。</p></blockquote><p></p><h4 seq=\"auto\" seq-level=\"auto\">机制复核与变量更新</h4><p>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<b><u>更新为 36 个变量</u></b>。（重点复核：激励性和互补性）</p><ul><li><b>激励性机制：</b><p>新增 4 个 RJI 距离型变量进入正式变量池：</p><sheet sheet-id=\"z3fZTB\" token=\"MQxnsjDRuh9E11tDRxrcvd8pnSc\"></sheet></li><li><b>互补性机制：</b><p>本次复核后未新增正式入池变量。</p><p>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。</p><p></p></li></ul><h4 seq=\"auto\" seq-level=\"auto\">正式落表与统一底表准备</h4><ul><li><b>操作重点：</b><p>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。</p></li><li><b>主要包括：</b><ol><li seq=\"1\">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。</li><li seq=\"2\">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。</li><li>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。</li></ol></li><li><b>阶段意义：</b><blockquote><p>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。</p></blockquote></li></ul><p></p><h4 seq=\"auto\" seq-level=\"auto\">后续可复用资料整理</h4><ul><li><b>操作重点：</b></li></ul><p>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。</p><img name=\"image.png\" alt=\"图片为实证研究操作链路图，展示了从综合投入构造到机制筛选、联合建模、机器学习、聚类分析与研究输出的完整流程。分为六个阶段，每个阶段有多个步骤，如阶段一有研究对象与样本界定、综合投入K/L/Y定义等，阶段二有机制定义、规则识别与字段校验等，直至阶段六研究输出。该图与上下文紧密相关，是对文档中后续可复用资料整理操作重点的直观呈现，帮助理解资料整理的背景及操作流程。\" crop=\"[0.000000,0.247600,1.000000,0.891800]\" href=\"https://internal-api-drive-stream.feishu.cn/space/api/box/stream/download/authcode/?code=MzhkZDMwMzQ3ODkyZjY1NDAyOGFhZTdjNTVmMmU1NjBfZmQwZDhjN2EyYmQ4YzMxMmIwMTRjYmUxNjFhOTJjYjJfSUQ6NzY1NDYwNDY2ODY1MTI3NzQ5OF8xNzgyMjcxNTk2OjE3ODIyNzUxOTZfVjM\" mime=\"image/png\" scale=\"0.427975\" src=\"RJPRb4UJ0orBlJxkoG1cipjFnCf\"/><ul><li><b>主要包括：</b><ol><li seq=\"1\">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。</li><li seq=\"2\">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。</li><li seq=\"3\">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。</li></ol></li><li><b>阶段意义：</b><blockquote><p>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。</p></blockquote></li></ul><hr/><h2>三、第二轮联合试跑与机器学习初筛结果整理</h2><p>本部分对应当前实证研究流程中的三个环节：</p><blockquote><p><b>第 14 步：A/B/C/D 轮联合试跑</b></p><p><b>第 15 步：XGBoost 机器学习初筛</b></p><p><b>第 18 步：SHAP 关系解释</b></p></blockquote><p></p><h4 seq=\"1\" seq-level=\"auto\">A/B/C/D 四轮结果整理</h4><p>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。</p><ul><li>A轮：主变量联合比较</li><li>B轮：控制变量吸收检查</li><li>C轮：稳健替换比较</li><li>D轮：XGBoost + SHAP 机器学习特征重要性</li></ul><p><b>作用：</b>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。</p><p><b>【A/B/C/D 四轮联合试跑结果概览】</b></p><sheet sheet-id=\"tTWPSB\" token=\"MQxnsjDRuh9E11tDRxrcvd8pnSc\"></sheet><p></p><h4 seq=\"auto\" seq-level=\"auto\">XGBoost 与 SHAP 结果整理</h4><p>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。</p><ul><li><b>D轮 XGBoost + SHAP 双重要性对比图</b><img name=\"image.png\" alt=\"图片展示了D轮SHAP全局重要性Top10和D轮XGBoost Gain重要性Top10的相关数据。左侧为SHAP重要性Top addCriterion图片\" href=\"https://internal-api-drive-stream.feishu.cn/space/api/box/stream/download/authcode/?code=N2NiNDcyMzdjOTI4NDhkOTA0YmExZTJhYTJhMzU1OTNfYzIyODViZGMxMzdjNTBmYzlhYWQ4YTkxYTVjZTAyYjRfSUQ6NzY1NDYxOTI4MjgyMjg2MDAxOV8xNzgyMjcxNTk2OjE3ODIyNzUxOTZfVjM\" mime=\"image/png\" scale=\"1.000000\" src=\"XFXsboOVHo0NhKxVTJqcYHienId\"/></li></ul><p text-indent=\"1\">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。</p><ul><li><b>XGBoost / SHAP Top10 中文解释表</b><p>在此基础上，进一步整理形成 <b>XGBoost / SHAP Top10 中文解释表</b>，用于补充变量中文释义、机制归属和后续重点机制判断。</p></li></ul><sheet sheet-id=\"NOMFo5\" token=\"MQxnsjDRuh9E11tDRxrcvd8pnSc\"></sheet><p></p><h4 seq=\"auto\" seq-level=\"auto\">机制层归口与三机制候选整理</h4><p>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。</p><p><b>机制层初步归口结果如下：</b></p><sheet sheet-id=\"SMS1ZX\" token=\"MQxnsjDRuh9E11tDRxrcvd8pnSc\"></sheet><p></p><h4 seq=\"auto\" seq-level=\"auto\">图表与论文材料沉淀</h4><p>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。</p><ul><li><b>进度报告：</b>机制层结果归口表、三机制候选变量表、描述性统计表</li><li><b>正式论文：</b>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</li><li><b>附录：</b>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</li></ul><callout emoji=\"◾\"><h3>阶段总结：</h3><p>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。</p><ul><li><b>初步形成重点机制候选判断：</b><p>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。</p></li><li><b>明日重点：</b><p>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。</p></li></ul></callout><hr/><h2>四、博弈论与机器学习结合</h2><h4><b>开题反馈：</b></h4><ol><li seq=\"1\"><b>七个机制太重</b>，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。 </li><li><b>七个机制不是同一个理论框架下推出来的</b>，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。 </li><li><b>可以保留探索式思路：</b>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。</li></ol><h4><b>提出疑问：</b></h4><p><b>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？</b></p><blockquote><p>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。</p></blockquote><callout emoji=\"◾\"><h4>结论：</h4><p>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。</p></callout><p></p><h3>（一）衔接关系</h3><ul><li><b>博弈论前置：</b></li></ul><blockquote><p>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。</p></blockquote><p>然后在这个统一框架下，把七个机制分成两层：</p><sheet sheet-id=\"5r7M3t\" token=\"MQxnsjDRuh9E11tDRxrcvd8pnSc\"></sheet><ul><li><b>机器学习验证：</b></li></ul><blockquote><p>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。</p></blockquote><callout emoji=\"◾\"><h4><b>机器学习主模型组成：</b></h4><ol><li seq=\"1\"><b>结果变量</b><br/>以 <latex>Y_{main}<br/></latex>（综合投入）为核心结果变量，并同步分析 <latex>K_{main}<br/></latex>（金钱投入）、<latex>L_{main}<br/></latex>（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。</li><li><b>重点机制变量</b><br/>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。</li><li><b>控制变量</b><br/>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。</li></ol><p></p><ul><li><b>主模型可以概括为：</b><p><latex>Y_{out} = f(X, Z)<br/></latex></p><p><b>综合投入及投入结构结果（</b><b><latex>Y_{out}<br/></latex></b><b>） = 三个重点机制变量（X） + 控制变量（Z）</b></p></li></ul></callout><hr/>",
|
||
"document_id": "QogOdUbJEoFI7QxHd8IceVuXnqJ",
|
||
"revision_id": 703
|
||
}
|
||
}
|
||
}
|