Evilom
13 KiB
CqeGd5XCpojrE3xoxQ2cNHbInLb
Source: https://fcnlycv6dd0w.feishu.cn/docx/CqeGd5XCpojrE3xoxQ2cNHbInLb
一、今日内容概述
二、 A/B/C/D 机制筛选
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：
（一）进度报告中表达
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。
[嵌入电子表格: C2MGsWCqfha0lItPAgOc...]
（二）筛选流程说明
A轮：机制代表变量联合比较
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：
- 如果七个机制一起出现，哪些机制还有解释力？
- 哪些机制值得进入后续重点候选？
B轮：控制变量吸收检验
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：
- A轮里看起来强的机制，是不是只是因为玩家更强、活动更大、月份不同、阵营不同？
- 如果 A轮强，B轮加控制以后明显变弱，说明可能被背景因素吸收了。
- 识别机制信号是否稳定，是否有独立解释力
C轮：机制内部变量口径确认
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：
- 哪个变量最适合作为该机制的主变量、替代变量、补充变量或代理变量？
- 变量口径是否选对，是否存在代理解释风险？
D轮：XGBoost/SHAP 机器学习验证
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）：
- 传统模型筛出来的机制，在机器学习里是否也重要？
- 有没有某些变量在线性模型里不明显，但在机器学习里有强信号？
- 有没有变量虽然统计强，但其实只是代理或和 Y 太近？ 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。
综合结果输出：
[嵌入电子表格: C2MGsWCqfha0lItPAgOc...]
三、预期差异
公平性
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：
- 公平性直接关系到阵营分配、人数结构、强弱匹配和比赛可追赶性。
- 当前公平性变量池也最丰富，入 D 轮变量达到 10 个，覆盖阵营人数差异、强者人数差异、高战占比差异、质量匹配差异等多个口径。 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。
互动性
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：
- 互动性直接对应 GVG 团体竞赛中的攻防互动、都城争夺、城池易手和阵营对抗，是活动玩法中最直观的竞争场景。
- 从业务和博弈论角度看，互动性能够解释玩家之间、阵营之间的对抗压力、策略互动和竞争反应。 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。
互补性
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：
- 互补性在当前 A/B/C/D 综合结果中比较突出，具备进入主推候选机制的条件。
- 其中 Complementarity_Buff_Exposure 在 A/B_final 和 D 轮中都有明显信号，机制内排序靠前，是当前互补性结果中最突出的变量。 实际情况：
- 从当前结果来看，互补性的统计表现较强，但敏感性检查显示，Complementarity_Buff_Exposure 与综合投入 Y、货币投入 K、行为投入 L 均存在较强关系，尤其与 L 的关系较近。 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。
四、复核候选排序
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：
- 与当前机制筛选结果基本一致：激励性、补偿性、互补性仍是当前重点机制候选。 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。
一、今日内容概述
二、 A/B/C/D 机制筛选
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：
（一）进度报告中表达
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。
[嵌入电子表格: C2MGsWCqfha0lItPAgOc...]
（二）筛选流程说明
A轮：机制代表变量联合比较
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：
- 如果七个机制一起出现，哪些机制还有解释力？
- 哪些机制值得进入后续重点候选？
B轮：控制变量吸收检验
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：
- A轮里看起来强的机制，是不是只是因为玩家更强、活动更大、月份不同、阵营不同？
- 如果 A轮强，B轮加控制以后明显变弱，说明可能被背景因素吸收了。
- 识别机制信号是否稳定，是否有独立解释力
C轮：机制内部变量口径确认
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：
- 哪个变量最适合作为该机制的主变量、替代变量、补充变量或代理变量？
- 变量口径是否选对，是否存在代理解释风险？
D轮：XGBoost/SHAP 机器学习验证
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）：
- 传统模型筛出来的机制，在机器学习里是否也重要？
- 有没有某些变量在线性模型里不明显，但在机器学习里有强信号？
- 有没有变量虽然统计强，但其实只是代理或和 Y 太近？ 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。
综合结果输出：
[嵌入电子表格: C2MGsWCqfha0lItPAgOc...]
三、预期差异
公平性
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：
- 公平性直接关系到阵营分配、人数结构、强弱匹配和比赛可追赶性。
- 当前公平性变量池也最丰富，入 D 轮变量达到 10 个，覆盖阵营人数差异、强者人数差异、高战占比差异、质量匹配差异等多个口径。 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。
互动性
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：
- 互动性直接对应 GVG 团体竞赛中的攻防互动、都城争夺、城池易手和阵营对抗，是活动玩法中最直观的竞争场景。
- 从业务和博弈论角度看，互动性能够解释玩家之间、阵营之间的对抗压力、策略互动和竞争反应。 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。
互补性
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：
- 互补性在当前 A/B/C/D 综合结果中比较突出，具备进入主推候选机制的条件。
- 其中 Complementarity_Buff_Exposure 在 A/B_final 和 D 轮中都有明显信号，机制内排序靠前，是当前互补性结果中最突出的变量。 实际情况：
- 从当前结果来看，互补性的统计表现较强，但敏感性检查显示，Complementarity_Buff_Exposure 与综合投入 Y、货币投入 K、行为投入 L 均存在较强关系，尤其与 L 的关系较近。 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。
四、复核候选排序
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：
- 与当前机制筛选结果基本一致：激励性、补偿性、互补性仍是当前重点机制候选。 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。