Evilom
4.4 KiB
UrbVwe8VHiYsPXkX6vncR0TGnGc
Source: https://fcnlycv6dd0w.feishu.cn/wiki/UrbVwe8VHiYsPXkX6vncR0TGnGc
今日内容
①推进博弈论理论框架 ②整理归档机器学习变量构建+方法步骤
一、推进博弈论理论框架
📖 重点明确正式论文中博弈论部分的完成边界和后续建模路线。 **判断：**博弈论应该如何围绕这三个机制展开，而不是继续泛化讨论七机制 （一）梳理博弈论建模的四层次划分与定位选择
🔎 博弈论建模可分为四个层次，逐层评估后确认推进到第三层：机制推导层。 第一层：概念解释层 仅从文字说明私有性、激励性、公平性会影响玩家投入。 例如：
- 私有性越强，玩家越愿意投入；激励性越强，奖励越能驱动投入；
- 公平性越好，玩家越觉得这局值得打。 局限： 这种写法有助于解释机制含义，但不足以支撑正式论文的理论部分。
- 原因在于没有给出玩家收益函数，没有说明玩家如何在收益和成本之间做决策，更没有推导机制变量如何改变均衡投入。
- 如果博弈论部分只停留在这一层，会显得偏概念化。 第二层：收益函数层 开始构建玩家收益函数，并通过一阶条件说明玩家最优投入满足：边际收益 = 边际成本。
- 这一层已能说明玩家综合投入是个人收益最大化下的策略选择，也能初步解释私有性、激励性和公平性分别如何进入收益函数。 局限：
- 如果只写到收益函数和 FOC，理论部分仍****偏静态描述
- 可以说明机制影响收益函数的位置，但还没有进一步说明机制参数变化会如何影响均衡投入。
- 这一层可以作为基础，但还不够完整。 第三层：机制推导层（✅ 本文采用） 在收益函数和 FOC 的基础上，进一步加入简化均衡、比较静态和理论命题，进一步说明：
🔎 这一层能够把机制解释从"文字判断"推进到"模型推导"。 它不需要求解非常复杂的动态均衡，但需要说明机制参数如何通过边际收益影响玩家最优投入。因此，第三层是适合本文的建模深度。 第四层：复杂均衡层 进一步构建异质玩家、多团体、多阶段动态博弈或重复博弈模型，并尝试求解完整均衡。
- 例如：考虑不同付费能力玩家、不同团体实力、跨阶段策略调整、重复相遇和长期声誉等因素。
这种模型理论上更完整，但不适合本文当前阶段，原因有三：
- 容易偏离本文"机制筛选—理论解释—实证分析"的主线
- 而当前实证部分主要基于钲鼓连烽活动中的机制变量和综合投入数据，并不直接支撑完整动态博弈识别
- 使博弈论部分和 XGBoost + SHAP 的实证部分难以衔接 因此，本文暂不建议采用第四层复杂均衡模型。
🔎 进一步明确：我们不是纯理论经济学论文，博弈论部分不需要推进到复杂动态博弈或完整闭式均衡求解。 但也不能只停留在概念解释层面，这种写法理论支撑不足。 最终定位：构建一个简化但正式的团体—个体非合作博弈模型，用统一收益函数和一阶条件解释三个重点机制如何影响玩家综合投入。
（三）博弈论模型推导深度的选择说明
🔎 核心权衡： - 只说明私有性、激励性、公平性可能影响投入，理论部分会显得比较松散 - 无法解释机制如何进入玩家收益函数，也无法说明机制为什么会改变最优投入 - 理论形式更复杂，但会显著提高推导难度，偏离本文以实证机制筛选和规则解释为主的研究目标。 - 尤其当前 XGBoost + SHAP 的主要作用是识别重点机制变量，而非支撑复杂动态均衡求解，过度复杂的博弈模型反而可能削弱论文主线
🔎 因此，本文采用机制解释型非合作博弈模型：不追求复杂动态均衡的完整闭式求解 而是通过基础收益函数、一阶最优条件、简化均衡和比较静态分析，解释三类重点机制如何影响玩家综合投入。