dc-docs/output/feishu-docs/QkUPdkaMFoU0gzxN6QQcsNptnZb.json

{
  "ok": true,
  "identity": "user",
  "data": {
    "document": {
      "content": "<title>2026.06.16-日报-夏莲</title><h2>一、今日内容概述</h2><ol><li seq=\"1\">梳理实证研究操作流程：区分内部机制筛选流程与论文显性实证流程</li><li seq=\"2\">对比开题报告方法设计与当前进度报告方法实现</li><li seq=\"3\">整理建模前数据准备与变量治理的方法文献支撑</li></ol><p></p><h2>二、实证研究操作</h2><blockquote><p>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</p></blockquote><p><b>目前整体研究流程可分为</b><b>两类相互衔接但功能不同的系统</b><b>：</b></p><h4 seq=\"auto\" seq-level=\"auto\">隐性流程：机制筛选系统（内部） → 用于“选择研究对象”</h4><p>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<b><u>确定后续重点分析的机制集合。</u></b></p><p><b>主要包括：</b></p><ul><li>基于七机制理论进行变量初步构造与扩展</li><li>结合游戏规则与数据结构，识别理论对应的机制表达</li><li>综合数据可得性与变量可构造性，对机制变量进行初步筛选与约束</li><li>区分不同机制变量的表达形式与可用性层级</li><li>形成进入重点实证分析的机制变量集合</li></ul><p><b>核心目标：</b></p><blockquote><p>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。</p></blockquote><p></p><h4 seq=\"auto\" seq-level=\"auto\"><b>显性流程：实证分析系统（论文） → 用于“解释研究方法”</b></h4><p>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。</p><p><b>整体方法主要包括以下三个层面：</b></p><ol><li seq=\"1\"><b>变量构造体系</b><p>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。</p></li><li><b>联合建模分析体系</b><p>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。</p></li><li><b>可解释性与稳健性分析体系</b><p>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。</p></li></ol><img name=\"image.png\" alt=\"图片 addCriterion图片展示了实证研究操作的流程图。流程分为六个阶段，包括研究准备与综合投入构造、七机制拆解与单机制验证、变量池整合与联合准备、联合建模与机器学习初筛、重点机制解释与稳健分析、研究输出。每个阶段有具体步骤，如阶段一有研究对象与样本界定、综合投入K/L/Y定义等，阶段六有结果表整理、图表与 addCriterion图片展示了实证研究操作的流程图。流程分为六个阶段，包括研究准备与综合投入构造、七机制拆解与单机制验证、变量池整合与联合准备、联合建模与机器学习初筛、重点机制解释与稳健分析、研究输出。每个阶段有具体步骤，如阶段一有研究对象与样本界定、综合投入K/L/Y定义等，阶段六有结果表整理 addCriterion图片展示了实证流程图。流程分为六个阶段，包括研究准备与综合投入构造、七机制拆解与单机制验证、变量池整与联合准备、联合建模与机器学习初筛、重点机制解释与稳健分析、研究输出。每个阶段有具体步骤，如阶段一有研究对象与样本界定、综合投入K/L/Y定义等，阶段六有结果表整理、图表与解释文本等。\" href=\"https://internal-api-drive-stream.feishu.cn/space/api/box/stream/download/authcode/?code=ZmM5MTVkMjJiOWNiNjhiNjM3OWY2ZTNjMjY4NDFlMzVfYzJjMTVhYmJmZTg2M2JlODUyZDhmMzE3MjhhMDc2MTRfSUQ6NzY1MTg5MzAxOTM0MDM3NzI4NV8xNzgxNjYwMTczOjE3ODE2NjM3NzNfVjM\" mime=\"image/png\" scale=\"1.000000\" src=\"Lv9Lb9s7EoXudAxqf1QcQwvWnVf\"/><hr/><h2>三、阶段性对比说明</h2><p>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。</p><h4 seq=\"1\" seq-level=\"1\">方法设计框架（开题报告版本）</h4><p><b>研究设计层：</b>开题报告阶段的实证分析方法主要以“理论设计路径”为主。</p><ul><li> 七机制理论驱动的变量构建 </li><li> 综合投入（K/L/Y）作为核心被解释变量 </li><li> 机制变量对行为结果的解释分析 </li><li> 基于统计与模型分析的机制验证思路 </li></ul><h4 seq=\"auto\" seq-level=\"auto\">方法实现框架（进度报告版本）</h4><p><b>研究执行层：</b>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。</p><ul><li>七机制变量的工程化拆解与候选池构建</li><li>规则逻辑与埋点数据的对齐与补数判断</li><li>变量分层（主变量 / 代理变量 / 待补数变量）</li><li>变量一致性检查（去重 / 共线性 / 高相关变量合并处理）</li><li>与综合投入 Y 的结构相关性检验（K/L/Y一致性约束）</li><li>多机制联合建模分析（非单机制独立分析）</li><li>引入机器学习方法（XGBoost）进行非线性关系识别</li><li>引入SHAP进行机制贡献解释</li><li>稳健性与替代变量检验</li></ul><callout emoji=\"◾\"><h4>核心差异</h4><p><b>两种框架的主要差异体现在以下三个方面：</b></p><ul><li> 从“理论路径描述” → “可执行分析流程体系” </li><li> 从“单一机制分析” → “多机制联合建模结构” </li><li> 从“传统统计分析” → “机器学习辅助的非线性分析框架”</li></ul><h4>进度报告方法体现</h4><p><b>【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：</b></p><ul><li> 方法体系从设计层逐步过渡到执行层，实现从理论框架到可操作流程的转化 </li><li> 分析单元由单机制分析扩展为多机制联合建模体系 </li><li> 分析方法由传统统计方法扩展为机器学习驱动的非线性分析框架</li></ul></callout><hr/><h2>四、实证方法的文献与理论支撑</h2><p>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”。</p><h4 seq=\"1\" seq-level=\"1\"><b>CRISP-DM：数据挖掘标准流程框架</b><p><b>参考来源：</b> Chapman et al.（2000）《CRISP-DM 1.0: Step-by-step Data Mining Guide》</p><p>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。</p><p><b>研究支持：</b>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。</p><p><b>可支撑：</b></p><ul><li>统一建模底表的前置整理</li><li>玩家、活动、阵营、时间等关键字段核验</li><li>变量池整理完成后，再进入联合建模</li></ul></h4><h4 seq=\"auto\" seq-level=\"auto\"><b>Data Cleaning：数据清洗与结构对齐方法</b><p><b>参考来源：</b> Rahm &amp; Do（2000）《Data Cleaning: Problems and Current Approaches》</p><p>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。</p><p><b>研究支持：</b>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。</p><p><b>可支撑：</b></p><ul><li>底表拼接检查</li><li>关键字段核验</li><li>变量覆盖率和缺失风险检查</li><li>活动层与个体层分层处理</li></ul></h4><h4 seq=\"auto\" seq-level=\"auto\"><b>Feature Engineering and Selection：特征工程与变量选择方法</b><p><b>参考来源：</b> Kuhn &amp; Johnson（2019）《Feature Engineering and Selection: A Practical Approach for Predictive Models》</p><p>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。</p><p><b>研究支持：</b>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。</p><p><b>可支撑：</b></p><ul><li>变量方向统一</li><li>不同量纲变量的标准化处理</li><li>主变量、替代变量和补充变量分层</li><li>高相关变量的筛查与降冗余处理</li></ul><h4 seq=\"auto\" seq-level=\"auto\">Regression Modeling Strategies：回归建模前的变量治理策略</h4><p><b>参考来源：</b> Harrell（2015）《Regression Modeling Strategies》</p><p>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。</p><p><b>研究支持：</b>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。</p><p><b>可支撑：</b></p><ul><li>入模前检查</li><li>结果字段和后验字段排除</li><li>X/Y 口径隔离</li><li>通过相关性与共线性检查降低变量重叠风险</li></ul></h4><callout emoji=\"◾\"><h4>阶段总结</h4><p><b>当前阶段目标：通过【机制筛选流程】选出重要机制</b></p><p>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。</p><p><b>已完成进展：</b></p><ul><li>五个机制已完成初步试跑，并形成阶段性分析结论。</li><li>初步验证了机制变量整理、变量接入、模型试跑和结果记录的完整链路。</li></ul><blockquote><p>活动层：互动性 &gt; 公平性 &gt; 流动性</p><p>个体层：私有性 &gt; 互补性</p></blockquote><p></p><p><b>待补充事项：</b></p><ul><li>激励性、补偿性暂未进入变量池，主要原因是关键字段和数据条件暂未满足。经两轮分析后，仍需继续补充相关数据。</li><li>第二轮试跑所需的补充字段已整理，明日反馈对接需求。</li></ul><p></p><p><b>当前正在推进：整体变量池稳健性复核</b></p><ul><li><b>稳健性复核链路：</b><p>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</p><p>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。</p></li><li>在等待数据返回期间，将优先整理实证阶段的方法文献支撑，补充建模前数据准备、变量治理和入模前检查的依据。同时，梳理七机制变量与博弈论 / 机制设计理论，以及机制层、行为层、结果层之间的对应关系，为后续联合建模和机制解释阶段提前做准备。</li></ul></callout><p></p>",
      "document_id": "QkUPdkaMFoU0gzxN6QQcsNptnZb",
      "revision_id": 840
    },
    "log_id": "20260617093612B198AC9F17C68110D2F3"
  },
  "_notice": {
    "update": {
      "command": "lark-cli update",
      "current": "1.0.32",
      "latest": "1.0.54",
      "message": "lark-cli 1.0.54 available, current 1.0.32, run: lark-cli update"
    }
  }
}