基于博弈论结构估计的申请人策略性行为建模

# 朱雀·火·第一性原理分析

## 四因定位：从种子到结构的因果链

### 事实层（质料因）
可观测现象：
- 现有4个种子均基于短面板数据（2-3期）设计
- S1和S2被标记为高优先级，S3和S4为中优先级
- 所有种子都依赖代理变量（如材料复杂度、地理密度）而非直接观测
- 无种子被丢弃，但存在“理论热情需冷却”的克制信号

关键数据约束：
- 面板期数≤3期
- 网络拓扑信息缺失
- 群体标签（首次/重复、地理）可用
- 准实验设计仅适用于S3

### 结构层（形式因）
现象背后的结构关系：

核心结构1：信息不对称的梯度结构
```
透明度水平 → 信息获取成本 → 策略性行为强度
↑ ↑ ↑
可观测 代理变量 矩条件估计
```
- S1直接建模此结构：透明度梯度作为外生变量，信息成本作为中介，策略行为作为结果
- 关键识别问题：透明度与策略行为之间可能存在反向因果（策略性申请人选择高透明度项目）

核心结构2：学习过程的记忆衰减结构
```
历史经验 → 记忆衰减函数(λ) → 当前策略
↑ ↑ ↑
面板数据 异质性参数 静态矩匹配
```
- S2假设记忆衰减是静态可识别的（跨期矩条件不变）
- 关键识别问题：衰减率λ与群体异质性可能混淆（高社会资本群体可能同时有更长的记忆和不同的策略集）

核心结构3：干预的合法性边界结构
```
微扰类型 → 信息结构变化 → 支付函数变化 → 策略调整
↑ ↑ ↑ ↑
准实验 可观测 可检验 因果效应
```
- S3区分“纯信息”与“规则改变”两类微扰
- 关键识别问题：信息提示可能同时改变信念和支付函数（如公布通过率可能改变申请人对竞争强度的认知）

核心结构4：群体聚集的溢出结构
```
地理/机构聚集 → 局部信息溢出 → 群体内策略相关性 → 结果不平等
↑ ↑ ↑ ↑
代理变量 不可观测 可估计 可检验
```
- S4试图在无网络数据下估计溢出效应
- 关键识别问题：群体内策略相关性可能源于共同冲击（如政策变化）而非信息溢出

### 动力层（动力因）
推动变化的力量与机制：

动力1：识别困境的张力
- 部分识别（S1）vs 点识别（S2）：S1承认边界，S2追求精确
- 这种张力推动方法论选择：S1的矩条件更稳健但信息量小，S2的GMM更精确但假设更强

动力2：数据约束的筛选力
- 短面板（2-3期）排除了长期动态模型（如无限期学习）
- 无网络数据迫使使用地理/机构代理
- 这些约束不是缺陷，而是结构识别的自然边界——它们决定了什么可以被估计，什么必须被假设

动力3：公平性关注的导向力
- S4的“效率-公平可行域”将技术问题转化为政策问题
- 这种导向推动从“估计参数”到“评估政策空间”的转变

动力4：克制信号的冷却力
- 相克约束要求“更少但更可检验的假说”
- 这推动从理论完备性向数据对话能力的收敛

### 目的层（目的因）
最终指向的目标与价值：

直接目的： 在短面板和有限信息下，构建可检验的策略性行为假说

中间目的： 建立从信息结构到申请人行为的可识别映射

最终目的： 为政策设计提供“在不确定性下仍可操作的边界”——不是精确预测，而是可行区间

价值判断： 结构估计的首要美德不是深刻，而是与现实数据的对话能力

---

## 结构化因果链

### 从事实到目的的完整路径

```
[事实层]
短面板(2-3期) + 代理变量 + 无网络数据
↓
[结构层]
信息不对称梯度结构 + 记忆衰减结构 + 干预合法性结构 + 群体溢出结构
↓
[动力层]
识别困境张力 → 数据约束筛选 → 公平性导向 → 克制信号冷却
↓
[目的层]
可检验假说 → 可识别映射 → 可行政策边界
```

### 关键因果节点（需检验的假说）

节点1：透明度梯度与策略行为的因果关系
- 假说：透明度每提高一级，策略性行为（材料修改幅度）下降δ%，但存在临界阈值（超过该阈值后效应消失）
- 可检验性：通过S1的敏感性分析（改变代理变量权重）检验边界稳健性

节点2：记忆衰减率的群体异质性
- 假说：首次申请者的λ显著高于重复申请者（记忆更短），高社会资本群体的λ显著低于低社会资本群体（记忆更长）
- 可检验性：通过S2的GMM估计组间差异显著性

节点3：信息提示与规则改变的因果效应差异
- 假说：纯信息提示仅改变策略分布（方差缩小），规则改变同时改变策略均值和方差
- 可检验性：通过S3的准实验设计检验效应方向

节点4：群体聚集与结果不平等的关联
- 假说：群体内策略相关性每增加0.1，群体间通过率差异扩大β%，但存在效率补偿（总体通过率上升γ%）
- 可检验性：通过S4的可行域图检验帕累托改进方向

---

## 四层证据评估

### 事实层证据
| 证据类型 | 可用性 | 局限性 |
|---------|--------|--------|
| 短面板数据 | 可用（2-3期） | 无法识别长期趋势 |
| 代理变量 | 可构建 | 测量误差可能放大边界 |
| 准实验设计 | 仅S3可用 | 其他种子需依赖自然变异 |

### 结构层证据
| 结构 | 识别强度 | 关键假设 |
|------|---------|---------|
| 透明度梯度 | 中等 | 代理变量无测量误差 |
| 记忆衰减 | 弱 | 静态矩条件成立 |
| 干预合法性 | 强 | 准实验分组随机 |
| 群体溢出 | 弱 | 代理变量捕捉真实溢出 |

### 动力层证据
| 动力 | 可观测性 | 可检验性 |
|------|---------|---------|
| 识别困境 | 不可直接观测 | 通过边界宽度间接检验 |
| 数据约束 | 可观测 | 通过模拟数据检验敏感性 |
| 公平性导向 | 可观测 | 通过可行域图检验 |
| 克制信号 | 可观测 | 通过假说数量检验 |

### 目的层证据
此层证据不足——目的因是价值判断，无法直接观测，只能通过政策效果间接推断。

---

## 收敛建议：从4个种子到2个可检验假说

### 假说1：透明度梯度的部分识别边界（S1+S3融合）
核心问题： 在短面板下，透明度梯度对策略性行为的因果效应边界是什么？

可检验假说：
- 当透明度从低到高变化时，策略性行为的可行区间先缩小后稳定（存在临界阈值）
- 纯信息提示（S3类型）的效应边界比规则改变更窄（更可预测）

检验程序：
1. 构建透明度梯度（3级：低/中/高）
2. 估计每级下策略性行为的上下界（S1方法）
3. 比较纯信息提示与规则改变的边界宽度（S3方法）
4. 输出：透明度-策略行为边界图，标注临界阈值

数据需求： 短面板（3期）+ 透明度分级 + 微扰类型标签

### 假说2：群体异质性记忆衰减的静态识别（S2+S4融合）
核心问题： 在无网络数据下，不同群体的记忆衰减率是否显著不同？

可检验假说：
- 首次申请者的记忆衰减率λ₁ > 重复申请者的λ₂
- 高社会资本群体的λ₃ < 低社会资本群体的λ₄
- 群体内策略相关性（S4）与记忆衰减率负相关

检验程序：
1. 将样本分为4组（首次/重复 × 高/低社会资本）
2. 估计各组λ（S2的GMM方法）
3. 检验组间差异显著性
4. 检验群体内策略相关性与λ的相关性（S4方法）
5. 输出：各组λ估计值及置信区间，相关性检验结果

数据需求： 面板数据（至少2期）+ 群体标签 + 策略行为指标

---

## 最终输出：结构化的因果链

```
[事实] 短面板(2-3期) + 代理变量 + 无网络数据
↓
[结构1] 透明度梯度 → 信息成本 → 策略行为边界
[结构2] 历史经验 → 记忆衰减(λ) → 当前策略
↓
[动力] 识别困境 + 数据约束 + 公平性导向 + 克制信号
↓
[目的] 可检验假说 → 可行政策边界
↓
[检验]
假说1: 透明度临界阈值存在且可识别
假说2: 群体记忆衰减率异质性显著
```

核心洞见： 在短面板和有限信息下，结构估计的边界不是缺陷，而是可操作的政策空间。与其追求精确点估计，不如接受部分识别，并利用边界宽度作为政策稳健性的度量。