Evilom
21 KiB
IHgRdH30qoe6yHxhP6lc5ltgngd
Source: https://fcnlycv6dd0w.feishu.cn/docx/IHgRdH30qoe6yHxhP6lc5ltgngd
一、内容概述
二、综合投入口径差异核对与统一说明
阶段性结果：
（一）核心差异总览
综合投入变量是后续实证分析的基础变量。为了保证计算口径更加稳健，我们分别进行了两版试算。并将两版结果进行交叉检验，重点找出计算口径中的主要差异，再统一后续采用的基准版本。
目前差异主要集中在四类问题：指标名称与模型定位、元宝是否进入 K、K/L 如何合成、L 的行为边界与标准化层级。下面将先展示两版差异明细，再说明当前阶段讨论后形成的统一判断。
差异一：指标名称与模型定位
需要统一的问题： 综合投入在论文主模型中到底命名为 还是
- **版本一：**将综合投入定位为七机制作用后的结果变量，记为
- **版本二：**将综合投入本身记为投入指标，记为
◾ 版本一： - 七机制变量 = - 综合投入 = - 主指标 = - 扩展指标 =
◾ 版本二： 综合投入 = 主指标 =
🔹
阶段判断：在七机制主模型中记为
将综合投入定位为七机制作用后的结果变量，统一记为
原因分析：
论文主线采用“七机制变量 → 综合投入”的模型链条，则综合投入应统一记为 ，七机制变量记为 若后续进一步分析“综合投入 → 战功 / 排名 / 留存”等结果，综合投入可以在该后续模型中作为解释变量使用。
差异二：元宝是否进入 K
需要统一的问题： 元宝消耗是否应该进入货币性资源投入 K。
- 版本一： 元宝来源复杂，不进入主口径，只作为扩展口径。
- **版本二： **元宝虽然不等同于现金，但确实用于购买活动关键资源，应进入 K。
◾ 版本一： - K 主口径只使用现金划分 - 元宝划分只做扩展分析 - 避免把元宝等同现金
◾ 版本二： - K 包括现金花费和元宝花费 - 元宝作为准货币性资源投入 - 避免低估元宝投入玩家
🔹
阶段判断：元宝进入 K，但不等同于现金。
原因分析：
- 元宝来源复杂，可能来自充值、赠送、历史存量或活动获得，因此不能直接解释为当期现金收入。
- 但元宝在活动中用于购买点兵册、虎符、通元散、仓储运车礼包等关键资源，确实会影响玩家的活动投入。
数据上也能支撑这一点： - 现金付费玩家：3,317 人 - 元宝消耗玩家：19,825 人 元宝消耗玩家明显多于现金付费玩家。如果只看现金 K，会低估大量通过元宝参与活动的玩家。
差异三：L 的行为边界不同
需要统一的问题： L 是核心竞赛行为还是活动全过程行为？
- **版本一：**更强调直接竞赛动作
- **版本二：**更强调活动全过程参与
版本一：窄口径核心竞赛行为
版本二：宽口径活动过程行为
🔹
阶段判断： 先采用宽口径作为候选行为池
原因分析：
- 当前阶段不提前收紧 L 的行为边界，先将剿匪、扫荡、占城、指令行为、建筑建设、委派大臣和兵力消耗等活动过程行为纳入候选行为池。
- 后续待七机制变量整理和模型试跑完成后，再结合机制解释、字段含义、相关性、Top 样本重合度、稳定性和模型结果，判断哪些行为进入主口径 L，哪些行为作为扩展口径或稳健性口径保留。
[嵌入电子表格: MjSpsMkZ7hX95BtrfDYc...]
差异四：标准化层级不同
需要统一的问题： 综合投入变量应采用“赛局内标准化”，还是“全样本标准化”？
- 版本一： 采用赛局内标准化，更强调同一赛局内部的相对投入。
- 版本二： 采用全样本标准化，更强调个体在全部样本中的相对投入。
◾ 版本一： - **标准化方式：**赛局内标准化 个体与同一赛局内其他个体比较 - 适合回答：该个体在本赛局内是否高投入
◾ 版本二： - 标准化方式：全样本标准化 个体与全部样本中的其他个体比较 - 适合回答：该个体在整体样本中是否高投入
🔹
阶段判断：采用版本一，即****赛局内标准化
原因分析：
- 论文**主分析关注七机制在具体赛局内如何影响个体投入，因此综合投入变量优先采用****赛局内标准化**。这样可以减少不同赛局之间人数规模、竞争强度、阵营结构和参与环境差异带来的干扰。
- 全样本标准化更适合整体排序、Top 个体识别和业务展示，可作为后续展示口径或稳健性对照。
（二）综合投入最新口径归档
- 综合投入模块在整体实证链条中的位置： 七机制变量 X → 综合投入 Y → 投入结构拆解 → 模型识别与机制解释 → 治理建议与规则优化 当前阶段已经完成的是中间环节：综合投入 Y 的变量构造、两版口径核对与阶段性统一。先确认综合投入这个核心结果变量如何定义、如何计算、使用哪一版口径。
[嵌入电子表格: MjSpsMkZ7hX95BtrfDYc...]
第一步：统一口径确认 **主口径为：**K = 0.7 × 现金投入 + 0.3 × 元宝消耗，采用赛局内标准化
- 赛局内标准化可以使个体投入在各自赛局内部具有相对可比性，并减少不同赛局规模、竞争强度和参与环境差异带来的干扰。
- 避免赛局规模差异污染综合投入值。 第二步：数据样本审计 确认样本底表完整性，核查维度包括：
- 玩家数量、赛局数量
- 现金投入人数、元宝消耗人数、行为投入人数
- 是否可匹配到活动结果数据 第三步：指标处理规则 明确缺失值、零投入与标准化处理方式，核心原则：
- 不误删未投入玩家（零投入保留）
- 不同赛局规模差异须在标准化前消除 第四步：综合投入指标构建 分层构建，逐步合成：
- 金钱投入 K：现金礼包、元宝购买道具等
- 行为投入 L：剿匪、扫荡、占领城池、建筑升级等活动过程行为 主分析字段：。展示字段： 第五步：敏感性分析 围绕以下两个维度进行比较，验证结论稳健性：
- K 中现金与元宝的权重设定（0.7/0.3 对比其他配比）
- 赛局内标准化 vs. 全样本标准化 避免结论仅依赖单一参数设定。
🔹 结果验证与后续优化 在统一后的综合投入口径基础上，继续推进七机制 X 端变量构造与字段验收，并逐步进入“七机制变量 → 综合投入”的模型分析。 - 下周优先跑公平性、互补性、私有性三个机制的 XGBoost + SHAP - 基于验证结果反向优化综合投入构建方案
三、内部会议
工具的核心，不是自动生成，而是“可信交付”
讨论点：
- 目前财务工具已经能够自动生成结果，但“能生成”并不等于“可信交付”。下一阶段的重点，需要从功能完成度进一步转向结果可信度（新月份怎么核对差异？）。
- 后续需要重点回答：生成出来的数据是否与原表一致？差异在哪里？差异如何核对？规则和格式变化后，使用者如何便捷调整？ 当前进展： 工具已具备一键操作、EXE 打包、可视化窗口、配置表、历史快照、部分 WPS 兼容处理等能力，也能够自动生成多张结果表。 进一步思考： 要从使用者的角度去思考问题，而不只是完成就好。站在使用者角度提前预判工具使用过程中可能出现的问题，并借助 AI 协助梳理核对逻辑、异常场景和操作路径。真正的难点不是把 Excel 操作搬进工具，而是把原本隐藏在财务人员经验中的核对逻辑显性化。 过去人工做表时，可信度来自“人知道自己怎么做”。现在 AI / 工具生成表时，可信度必须来自“过程可以被看见、结果可以被核对、差异可以被解释”。 下一阶段关键产出：
- 建立“原始底稿 → 规则映射 → 自动生成 → 差异核对（重点）”的完整校验链条，将原本依赖财务人员经验判断的取数规则、特殊处理、公式逻辑和异常判断显性化，形成规则配置、核对标准和异常说明。
- 优化规则配置、格式调整和异常处理的便捷操作，同时区分对外交付工具与对内理解工具，分别服务财务使用和团队后续维护。
数据验证阶段
当前进展： 本周已围绕综合投入变量形成两版试算结果，并进行交叉检验。通过对比差异，已初步统一后续实证采用的基准口径。 进一步思考：
- 综合投入不应被理解为一个单独的计算表，而应被看作后续实证分析的“变量基础”。如果综合投入的边界不清晰，后续机制变量、模型结果和治理建议都会缺少共同依据。
- AI 能提高分析和试算效率，但单一路径推进容易受到历史信息记录、口径理解偏差的影响。所以，交叉检验本身也是一种稳健性检查：通过不同口径的对照，提前暴露变量构造中的主观判断、字段边界和标准化问题，再形成更可靠的统一版本。 下一阶段关键产出：
- 实证流程：“埋点数据 → 综合投入 Y → 机制变量 X → 模型初跑 → 结果解释 → 变量修正”，先验证数据是否能够支撑研究设计。
- 在统一综合投入口径的基础上，优先推进重点机制变量构建，并用小样本数据进行机器学习初跑，观察变量是否可进入模型、结果是否具备解释空间。
一、内容概述
二、综合投入口径差异核对与统一说明
阶段性结果：
（一）核心差异总览
综合投入变量是后续实证分析的基础变量。为了保证计算口径更加稳健，我们分别进行了两版试算。并将两版结果进行交叉检验，重点找出计算口径中的主要差异，再统一后续采用的基准版本。
目前差异主要集中在四类问题：指标名称与模型定位、元宝是否进入 K、K/L 如何合成、L 的行为边界与标准化层级。下面将先展示两版差异明细，再说明当前阶段讨论后形成的统一判断。
差异一：指标名称与模型定位
需要统一的问题： 综合投入在论文主模型中到底命名为 还是
- **版本一：**将综合投入定位为七机制作用后的结果变量，记为
- **版本二：**将综合投入本身记为投入指标，记为
◾ 版本一： - 七机制变量 = - 综合投入 = - 主指标 = - 扩展指标 =
◾ 版本二： 综合投入 = 主指标 =
🔹
阶段判断：在七机制主模型中记为
将综合投入定位为七机制作用后的结果变量，统一记为
原因分析：
论文主线采用“七机制变量 → 综合投入”的模型链条，则综合投入应统一记为 ，七机制变量记为 若后续进一步分析“综合投入 → 战功 / 排名 / 留存”等结果，综合投入可以在该后续模型中作为解释变量使用。
差异二：元宝是否进入 K
需要统一的问题： 元宝消耗是否应该进入货币性资源投入 K。
- 版本一： 元宝来源复杂，不进入主口径，只作为扩展口径。
- **版本二： **元宝虽然不等同于现金，但确实用于购买活动关键资源，应进入 K。
◾ 版本一： - K 主口径只使用现金划分 - 元宝划分只做扩展分析 - 避免把元宝等同现金
◾ 版本二： - K 包括现金花费和元宝花费 - 元宝作为准货币性资源投入 - 避免低估元宝投入玩家
🔹
阶段判断：元宝进入 K，但不等同于现金。
原因分析：
- 元宝来源复杂，可能来自充值、赠送、历史存量或活动获得，因此不能直接解释为当期现金收入。
- 但元宝在活动中用于购买点兵册、虎符、通元散、仓储运车礼包等关键资源，确实会影响玩家的活动投入。 数据上也能支撑这一点：
- 现金付费玩家：3,317 人
- 元宝消耗玩家：19,825 人 元宝消耗玩家明显多于现金付费玩家。如果只看现金 K，会低估大量通过元宝参与活动的玩家。
差异三：L 的行为边界不同
需要统一的问题： L 是核心竞赛行为还是活动全过程行为？
- **版本一：**更强调直接竞赛动作
- **版本二：**更强调活动全过程参与
版本一：窄口径核心竞赛行为
版本二：宽口径活动过程行为
🔹
阶段判断： 先采用宽口径作为候选行为池
原因分析：
- 当前阶段不提前收紧 L 的行为边界，先将剿匪、扫荡、占城、指令行为、建筑建设、委派大臣和兵力消耗等活动过程行为纳入候选行为池。
- 后续待七机制变量整理和模型试跑完成后，再结合机制解释、字段含义、相关性、Top 样本重合度、稳定性和模型结果，判断哪些行为进入主口径 L，哪些行为作为扩展口径或稳健性口径保留。
[嵌入电子表格: MjSpsMkZ7hX95BtrfDYc...]
差异四：标准化层级不同
需要统一的问题： 综合投入变量应采用“赛局内标准化”，还是“全样本标准化”？
- 版本一： 采用赛局内标准化，更强调同一赛局内部的相对投入。
- 版本二： 采用全样本标准化，更强调个体在全部样本中的相对投入。
◾ 版本一： - **标准化方式：**赛局内标准化 个体与同一赛局内其他个体比较 - 适合回答：该个体在本赛局内是否高投入
◾ 版本二： - 标准化方式：全样本标准化 个体与全部样本中的其他个体比较 - 适合回答：该个体在整体样本中是否高投入
🔹
阶段判断：采用版本一，即****赛局内标准化
原因分析：
- 论文主分析关注七机制在具体赛局内如何影响个体投入，因此综合投入变量优先采用****赛局内标准化。这样可以减少不同赛局之间人数规模、竞争强度、阵营结构和参与环境差异带来的干扰。
- 全样本标准化更适合整体排序、Top 个体识别和业务展示，可作为后续展示口径或稳健性对照。
（二）综合投入最新口径归档
- 综合投入模块在整体实证链条中的位置： 七机制变量 X → 综合投入 Y → 投入结构拆解 → 模型识别与机制解释 → 治理建议与规则优化 当前阶段已经完成的是中间环节：综合投入 Y 的变量构造、两版口径核对与阶段性统一。先确认综合投入这个核心结果变量如何定义、如何计算、使用哪一版口径。
[嵌入电子表格: MjSpsMkZ7hX95BtrfDYc...]
第一步：统一口径确认 **主口径为：**K = 0.7 × 现金投入 + 0.3 × 元宝消耗，采用赛局内标准化
- 赛局内标准化可以使个体投入在各自赛局内部具有相对可比性，并减少不同赛局规模、竞争强度和参与环境差异带来的干扰。
- 避免赛局规模差异污染综合投入值。 第二步：数据样本审计 确认样本底表完整性，核查维度包括：
- 玩家数量、赛局数量
- 现金投入人数、元宝消耗人数、行为投入人数
- 是否可匹配到活动结果数据 第三步：指标处理规则 明确缺失值、零投入与标准化处理方式，核心原则：
- 不误删未投入玩家（零投入保留）
- 不同赛局规模差异须在标准化前消除 第四步：综合投入指标构建 分层构建，逐步合成：
- 金钱投入 K：现金礼包、元宝购买道具等
- 行为投入 L：剿匪、扫荡、占领城池、建筑升级等活动过程行为 主分析字段：。展示字段： 第五步：敏感性分析 围绕以下两个维度进行比较，验证结论稳健性：
- K 中现金与元宝的权重设定（0.7/0.3 对比其他配比）
- 赛局内标准化 vs. 全样本标准化 避免结论仅依赖单一参数设定。
🔹 结果验证与后续优化 在统一后的综合投入口径基础上，继续推进七机制 X 端变量构造与字段验收，并逐步进入“七机制变量 → 综合投入”的模型分析。
- 下周优先跑公平性、互补性、私有性三个机制的 XGBoost + SHAP
- 基于验证结果反向优化综合投入构建方案
三、内部会议
工具的核心，不是自动生成，而是“可信交付”
讨论点：
- 目前财务工具已经能够自动生成结果，但“能生成”并不等于“可信交付”。下一阶段的重点，需要从功能完成度进一步转向结果可信度（新月份怎么核对差异？）。
- 后续需要重点回答：生成出来的数据是否与原表一致？差异在哪里？差异如何核对？规则和格式变化后，使用者如何便捷调整？ 当前进展： 工具已具备一键操作、EXE 打包、可视化窗口、配置表、历史快照、部分 WPS 兼容处理等能力，也能够自动生成多张结果表。 进一步思考： 要从使用者的角度去思考问题，而不只是完成就好。站在使用者角度提前预判工具使用过程中可能出现的问题，并借助 AI 协助梳理核对逻辑、异常场景和操作路径。真正的难点不是把 Excel 操作搬进工具，而是把原本隐藏在财务人员经验中的核对逻辑显性化。 过去人工做表时，可信度来自“人知道自己怎么做”。现在 AI / 工具生成表时，可信度必须来自“过程可以被看见、结果可以被核对、差异可以被解释”。 下一阶段关键产出：
- 建立“原始底稿 → 规则映射 → 自动生成 → 差异核对（重点）”的完整校验链条，将原本依赖财务人员经验判断的取数规则、特殊处理、公式逻辑和异常判断显性化，形成规则配置、核对标准和异常说明。
- 优化规则配置、格式调整和异常处理的便捷操作，同时区分对外交付工具与对内理解工具，分别服务财务使用和团队后续维护。
数据验证阶段
当前进展： 本周已围绕综合投入变量形成两版试算结果，并进行交叉检验。通过对比差异，已初步统一后续实证采用的基准口径。 进一步思考：
- 综合投入不应被理解为一个单独的计算表，而应被看作后续实证分析的“变量基础”。如果综合投入的边界不清晰，后续机制变量、模型结果和治理建议都会缺少共同依据。
- AI 能提高分析和试算效率，但单一路径推进容易受到历史信息记录、口径理解偏差的影响。所以，交叉检验本身也是一种稳健性检查：通过不同口径的对照，提前暴露变量构造中的主观判断、字段边界和标准化问题，再形成更可靠的统一版本。 下一阶段关键产出：
- 实证流程：“埋点数据 → 综合投入 Y → 机制变量 X → 模型初跑 → 结果解释 → 变量修正”，先验证数据是否能够支撑研究设计。
- 在统一综合投入口径的基础上，优先推进重点机制变量构建，并用小样本数据进行机器学习初跑，观察变量是否可进入模型、结果是否具备解释空间。