dc-docs/output/feishu-docs/CqeGd5XCpojrE3xoxQ2cNHbInLb.json

{
  "ok": true,
  "identity": "user",
  "data": {
    "document": {
      "content": "<title>2026.06.24-日报-夏莲</title><h2>一、今日内容概述</h2><ol><li seq=\"1\">参加财务对接会议</li><li>梳理 A/B/C/D 机制筛选流程与结果</li><li>针对现有结果完成第二轮重点机制复核</li><li>分析公平性、互动性、互补性等预期差异</li></ol><p></p><hr/><h2>二、 A/B/C/D 机制筛选</h2><p>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：</p><ol><li seq=\"1\"><b>变量数量多、机制归属复杂</b><br/>七个机制下变量数量不均衡，直接混跑容易只看到“变量强弱”，不容易判断“机制强弱”。</li><li><b>主变量、替代变量和代理变量混杂</b><br/>部分变量是理论主变量，部分是替代变量或代理变量，需要区分后再判断，避免把代理变量直接当作正式机制。</li><li><b>机制信号可能被背景因素吸收</b><br/>部分变量可能受玩家等级、VIP、战力、月份、阵营等因素影响，因此需要加控制变量检查信号是否仍然稳定。</li><li><b>机器学习排序与机制解释不完全一致</b><br/>XGBoost/SHAP 可以提供特征重要性，但不能直接替代论文中的机制解释，需要和 A/B/C 结果结合判断。</li></ol><p></p><h3>（一）进度报告中表达</h3><p>A/B/C/D 是我们当前阶段的<b>内部变量筛选流程</b>，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：</p><blockquote><p>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。</p></blockquote><sheet sheet-id=\"1diJbk\" token=\"C2MGsWCqfha0lItPAgOcSDREnnf\"></sheet><p></p><h3>（二）筛选流程说明</h3><h5><u>A轮：机制代表变量联合比较</u></h5><p><b>主要作用：</b></p><blockquote><p>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。</p></blockquote><p><b>解决问题：</b></p><ul><li>如果七个机制一起出现，哪些机制还有解释力？</li><li>哪些机制值得进入后续重点候选？</li></ul><h5><u>B轮：控制变量吸收检验</u></h5><p><b>主要作用：</b></p><blockquote><p>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。</p></blockquote><p><b>解决问题：</b></p><ul><li>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？</li><li>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。</li><li>识别机制信号是否稳定，是否有独立解释力</li></ul><h5><u>C轮：机制内部变量口径确认</u></h5><p><b>主要作用：</b></p><blockquote><p>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。</p></blockquote><p><b>解决问题：</b></p><ul><li>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？</li><li>变量口径是否选对，是否存在代理解释风险？</li></ul><h5><u>D轮：XGBoost/SHAP 机器学习验证</u></h5><p><b>主要作用：</b></p><blockquote><p>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。</p></blockquote><p><b>解决问题（全局重要性）：</b></p><ul><li>传统模型筛出来的机制，在机器学习里是否也重要？</li><li>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？</li><li>有没有变量虽然统计强，但其实只是代理或和 Y 太近？</li></ul><p>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。</p><h4><b>综合结果输出：</b></h4><sheet sheet-id=\"kWZZ4F\" token=\"C2MGsWCqfha0lItPAgOcSDREnnf\"></sheet><hr/><h2>三、预期差异</h2><h4 seq=\"auto\" seq-level=\"auto\"><b>公平性</b></h4><p><b>差异点：理论预期高，但目前直接数据支撑偏弱</b></p><p><b>预期较高的机制：</b></p><ul><li>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。</li><li>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。</li></ul><p><b>实际情况：</b></p><p>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。</p><blockquote><p><b>初步判断：</b></p><p>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。</p><p>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。</p></blockquote><p></p><h4 seq=\"auto\" seq-level=\"auto\"><b>互动性</b></h4><p><b>差异点：业务和理论预期较高，但当前统计强度不是最高</b></p><p><b>预期较高的机制：</b></p><ul><li>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。</li><li>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。</li></ul><p><b>实际情况：</b></p><p>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。</p><blockquote><p><b>初步判断：</b></p><p>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。</p><p><b>定位：</b> 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。</p></blockquote><p></p><h4 seq=\"auto\" seq-level=\"auto\"><b>互补性</b></h4><p><b>差异点：结果表现很强，但解释边界需要谨慎</b></p><p><b>结果较强的表现：</b></p><ul><li>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。</li><li>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。</li></ul><p><b>实际情况：</b></p><ul><li>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。</li></ul><blockquote><p><b>初步判断：</b></p><p>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。</p><p>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。</p><p>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。</p></blockquote><hr/><h2>四、复核候选排序</h2><p>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。</p><p><b>复核主要围绕：</b></p><ol><li seq=\"1\">检查 A/B/C/D 四轮结果是否一致，确认机制信号是否具有连续性</li><li>检查 XGBoost / SHAP 排名是否与机制层判断一致，避免只看单个变量排名</li><li>检查加入控制变量后，机制变量是否仍然稳定</li><li>检查 3月 / 5月跨月结果是否稳定</li><li>分别从 Y / K / L / K-L 结果变量角度复核机制表现，判断各机制主要影响综合投入、金钱投入、行为投入还是投入结构。</li></ol><p><b>复核结果：</b></p><ul><li><b>与当前机制筛选结果基本一致：</b><b><u>激励性、补偿性、互补性</u></b><b>仍是当前重点机制候选。</b></li></ul><p>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。</p><p></p>",
      "document_id": "CqeGd5XCpojrE3xoxQ2cNHbInLb",
      "revision_id": 444
    }
  }
}