Phase 2 完整技术报告：US ATUS 复现、社会分层与方法稳健性

项目：Yucheng_Project
阶段：Phase 2（US-first replication & expansion）
数据：ATUS 2024（quick）+ ATUS pooled 2003–2024（full）
核心通道：activity + location
核心口径：accuracy / macro-F1 / persistence baseline / delta vs persistence
可视化：10 张
更新时间：2026-04-03
状态：Phase 2 完整长报告（Advisor Review Version） 实验足迹：49 个 Phase 2 原始实验 JSON（其中 41 个完成结果 + 8 个 skipped_small_group 占位）+ 2 个 tracker JSON + results/phase2_summary/ 统一 summary 层 + 10 张最终主图

目录

1. 执行摘要
2. Phase 2 在全项目中的角色：它究竟回答什么问题
3. 数据、通道、分组与可比性边界
4. 实验矩阵与完成度：哪些已经完整，哪些必须诚实交代
5. A1 基准实验：US 的惯性上限与模型可学习空间
6. B1 分组实验：社会分层在 US 中如何出现
7. pooled 复核：为什么 quick 阶段的负 delta 不能被直接当成结论
8. 稳健性实验：粒度、时间尺度与样本选择的机制含义
9. 与 Phase 1 的统一对表：相同机制，不同幅度
10. 可视化完备度评估：现在的 Phase 2 是否已经“像一份完整报告”
11. 方法论贡献、局限与风险控制
12. 结论：Phase 2 给 Phase 3 留下了什么
13. 附录：图表索引与关键文件

1) 执行摘要

Phase 2 的目标不是把 US 分数“卷到最高”，而是回答一个更关键的问题：Phase 1 在 UK 上识别出的那套机制，到 US 这样一个不同制度与编码环境中，是否仍然成立。

这一阶段最终给出了四个最重要的结论：

1. 短期惯性具有跨国普遍性。US activity 的 persistence baseline 为 88.76%，与 UK Phase 1 的 88.76% 几乎完全一致。这说明“下一时隙大概率延续上一时隙”的基本事实，并不是 UK 独有现象。
2. US activity 上 Transformer 在 quick 阶段几乎追平 persistence，但不稳定超越它。ATUS 2024 quick 数据中，Transformer 为 88.56%，仅低于 persistence 0.20pp；SGD 则低 2.28pp。这表明在更异质的 US 环境里，线性模型明显更脆弱，而深度序列模型已经逼近惯性上限。
3. 一旦进入 pooled 分组复核，很多 quick 阶段的“负 delta”会显著收敛甚至转正。以 income_mid 为例，delta 从 -3.68pp 修正到 +0.41pp；weekday 从 -1.53pp 修正到 +0.49pp。这意味着 quick 阶段不能被当成“机制盖棺定论”，它首先是一个样本条件下的近似观测。
4. US 不推翻 Phase 1，而是把 Phase 1 的叙事从“高可预测性”推进到“样本充分性决定可学习增益能否显形”。也就是说，惯性依然强，但模型额外能学到的那部分规律，在 US 中更依赖样本量、分组规模、变量可用性与编码异质性。

从全项目角度看，Phase 2 的价值非常明确：

• 它把 Phase 1 从“单国成立”推进到“跨制度环境具有可迁移性”；
• 它逼出了一个关键的方法论修正：不能把 quick 阶段的负 delta 直接解释成 persistence 不可超越；
• 它为 Phase 3 提前筛掉了一批不稳的主线设定，最终把 activity + persistence + delta + sex/age_bin 这套口径推成了多国验证的默认主线。

2) Phase 2 在全项目中的角色：它究竟回答什么问题

2.1 三阶段逻辑中的中间桥梁

如果把整个项目看成一个递进式论证，那么三阶段分工非常清楚：

• Phase 1（UK）：证明这个框架本身成立，并在一个高质量、多通道、分层充分的数据环境里提炼出理论主叙事。
• Phase 2（US）：检验 Phase 1 识别出来的核心机制，在另一个国家、另一种调查结构、另一套变量约束下是否还能成立。
• Phase 3（MTUS）：把这一套机制推向多国并行验证，建立更强的外部效度。

因此，Phase 2 不是“再做一个小号的 Phase 1”，而是整个项目中最关键的迁移检验环节。

2.2 Phase 2 需要回答的三个核心问题

Phase 2 实际上集中回答三个问题：

1. 惯性是否普适：如果 UK 的高可预测性主要来自短期惯性，那么 US 是否也一样？
2. 模型增益是否可迁移：在新的制度环境与编码体系下，Transformer 相对 persistence 的额外增益是否依然存在？
3. 社会分层是否方向一致：收入、性别、经济状态等因素在 US 中会不会改变“谁更可预测”的排序与幅度？

这三个问题决定了 Phase 2 的评价标准不应仅仅是一个单点准确率，而应同时看：

• baseline 是否对齐；
• delta 是否稳定；
• 分组差异是否具有方向上的一致性；
• 结论是否经得起 pooled 大样本复核。

2.3 为什么 Phase 2 比看上去更难

表面上看，ATUS 只是“把 UK 框架搬到 US”；但实际难点不少：

• US ATUS 缺失 enjoyment 与 with_whom 两个通道，天然削弱了多通道叙事的完整性；
• 原始数据是事件流，不是天然的 10 分钟面板，需要额外对齐；
• income、econstat 这类变量的可用性与稳定性并不如 UK 一致；
• pooled 与 quick 的结论差异很容易把人带到过度解释的陷阱里。

也正因为如此，Phase 2 不能写成一份“跑完脚本的流水账”，而必须写成一份机制辨析报告。这也是本次增强版 Markdown 的核心改动方向。

3) 数据、通道、分组与可比性边界

3.1 数据来源与时间对齐

Phase 2 使用两层 US 数据：

• quick 层：ATUS 2024，用于快速验证主线方向；
• pooled 层：ATUS 2003–2024，用于检验分组结果是否受样本量强影响。

数据处理口径与 Phase 1 保持一致：

• 事件流展开为 10min 时间槽；
• 每天固定为 144 槽；
• 采用按人或按人-天分层的切分思路，尽量避免泄漏；
• 结果解释统一使用 accuracy、macro-F1、persistence baseline 与 delta vs persistence。

3.2 通道可用性边界

Phase 2 最大的结构性边界，是 US 数据并不具备 UK 那种完整的四通道条件。

这意味着一个很重要的方法论态度：Phase 2 的任务不是伪造与 UK 完全对称的故事，而是在真实数据边界内把可比较的部分做扎实。

3.3 分组变量与优先级

Phase 2 主要使用以下分组维度：

• income_bin
• sex
• econstat
• age_bin（主要在 pooled）
• is_weekend（主要在 pooled）
• survey_period（主要在 pooled）

就后续项目价值而言，它们的优先级并不相同：

• 高优先级：income_bin, sex, age_bin
• 中优先级：is_weekend, survey_period
• 谨慎使用：econstat，因为 pooled 场景中一些组样本过小，不能轻率上升为主结论

3.4 质量控制与 bug 修复

Phase 2 的一个重要价值，在于它逼出了几处如果不修正就会污染结论的关键问题。

这部分内容必须写进正式报告，因为它直接关系到导师对数据质量和实验可信度的判断。Phase 2 的“数据完整性”不仅是“有多少表”，也是“有没有把不该信的结果及时剔除掉”。

4) 实验矩阵与完成度：哪些已经完整，哪些必须诚实交代

4.1 当前 Phase 2 的完整交付板块

4.1.1 为什么最终主文只放 10 张图，但工作量并不薄

Phase 2 的最终交付故意采用“少而强”的图链策略，而不是把所有中间运行结果逐张堆入正文。换句话说，10 张图是经过筛选后的最终证据层，不是全部实验层。

如果只看导师包中的主文与图链，容易低估实际工作量；但从 results/ 目录回看，Phase 2 直接相关的 US 结果产物至少包括：

因此，Phase 2 呈现为 10 张图，并不意味着 Phase 2 只做了 10 组实验；更准确的说法是：Phase 2 把 49 个原始实验 JSON、2 个 tracker JSON 与一层新的 phase2_summary 汇总表，压缩成了一条可供导师快速判断的 10 图证据链。

4.2 为什么这份完成度已经具备正式汇报条件

如果要判断 Phase 2 是否已经从“实验执行阶段”进入“正式汇报阶段”，主要看三件事：

1. 有没有一个清晰的 baseline；
2. 有没有一组可信的 grouped evidence；
3. 有没有对 negative result、样本量效应与可比性边界做充分解释。

当前版本已经同时具备这三点：

• baseline 有；
• grouped evidence 有，而且 quick 与 pooled 两层都有；
• 负 delta 的解释与样本校正证据也有。

也就是说，Phase 2 已不再是“结果碎片堆积”，而是一个有机制、有反证、有边界意识的阶段性正式报告。

4.3 哪些地方仍然不应过度承诺

为了让这份报告更像 Phase 1，而不是更像“宣传稿”，这里必须把边界说清楚：

• US 不能做完整四通道叙事，所以不要把缺失的 enjoyment / with_whom 强行写成“只是还没展开”；
• econstat 在 pooled 下不够稳，所以它不应成为 Phase 2 的中心发现；
• A1 full 全量 US 并非所有模型都能无代价跑完，所以 pooled 证据在 Phase 2 中主要体现为 grouped 复核与 sample-size correction，而不是完全对称的“大一统全样本总表”。

这种诚实并不会削弱 Phase 2，反而会让它在导师那里显得更成熟。

5) A1 基准实验：US 的惯性上限与模型可学习空间

5.1 US baseline 总览

Phase 2 的第一张主图直接回答最基础的问题：US 的两个可用通道上，模型相对 persistence 的位置分别在哪里。

5.2 Activity：US 中“惯性仍然强，但额外增益更难显形”

发现 5.2.1

activity 的 persistence 仍然高达 88.76%，这与 UK Phase 1 的水平几乎一致。这一结果非常重要，因为它说明：

• 日常行为在 10 分钟尺度上的延续性，并不是 UK 样本特有；
• 高可预测性的第一来源依旧是惯性，而不是某个特定国家的制度结构；
• Phase 1 中“高准确率首先是高 stay-rate 的反映”这一逻辑，在 US 并没有被推翻。

发现 5.2.2

Transformer 在 activity 上只比 persistence 低 0.20pp，但 SGD 低 2.28pp。这说明：

• 线性模型在 US 环境下更容易被异质性拖垮；
• 深度序列模型并没有轻松“碾压惯性”，但已经非常接近它；
• Phase 2 里最值得关注的，不是“Transformer 有没有立刻大幅超越”，而是它相对 SGD 明显更接近上限。

5.3 Location：US 中最清晰的“可学习增益”

location 的情况与 activity 不同：无论 SGD 还是 Transformer，都稳定高于 persistence。

这意味着 location 不是单纯靠“延续上一时隙”就能解释完的；模型确实学到了额外结构。换句话说：

• 在 US 中，位置变化虽然稀少，但其转移模式更规则、更低噪；
• location 是 Phase 2 中最适合作为“模型额外可学习性”展示的机制通道；
• 这也解释了为什么后续 Phase 3 虽然仍以 activity 为主轴，但 location 在 Phase 2 扮演了方法论证明的关键角色。

5.4 仅看 accuracy 远远不够

这一图是本次增强版报告专门加进去的，因为它能弥补“只看 accuracy 会显得过于乐观”的问题。

发现 5.4.1

在 activity 上，Transformer 的 accuracy 几乎追平 persistence，但 macro-F1 仍显著低于 persistence。这说明：

• 它更擅长保持总体预测正确率，而未必同样擅长把小类活动预测好；
• “接近 persistence”不意味着“全面学会了转移结构”；
• Phase 2 的叙事必须同时写 accuracy 与 macro-F1，否则容易把“总体接近”误写成“机制等价”。

发现 5.4.2

在 location 上，SGD 和 Transformer 的 accuracy 已经高于 persistence，但 macro-F1 并没有同步更高。这进一步说明：

• US 中模型可以在主类和常见转移上获得优势；
• 但少数位置类别的平衡表现仍未必足够理想；
• 因此，Phase 2 的“模型有效”应该被写成对主流结构有增益、对尾部类别仍需谨慎，而不是简单的“全面超越”。

6) B1 分组实验：社会分层在 US 中如何出现

6.1 quick 分组结果首先告诉了我们什么

先看 quick 阶段（ATUS 2024）的 grouped evidence：

income_bin（Transformer, quick）

sex（Transformer, quick）

econstat（Transformer, quick）

6.2 quick 阶段最直观的图像

这张图的关键价值在于，它把 quick 与 pooled 放在一张图里，让我们不至于把 quick 的点估计误当成最后答案。

发现 6.2.1

如果只看 quick，会很容易得出一个夸张的结论：低收入群体比高收入群体“难预测得多”。但这种差距过大，恰恰提示了样本量效应和组内异质性可能在放大结果。

发现 6.2.2

性别差异在 US 中存在，但幅度明显小于收入切片。这与 UK Phase 1 的方向是一致的：性别不是零效应，但也不是最强解释维度。

发现 6.2.3

年龄在 pooled 中才开始变得清楚，这提醒我们：有些分层不是不存在，而是在 quick 阶段还没有足够样本把它“稳定显影”出来。

6.3 为什么 Phase 2 不应把 quick 分组直接写成结论

Phase 2 的成熟度恰恰体现在这里：我们没有把 quick 的负 delta 直接写成“US 中模型就是学不到任何额外规律”，而是继续做了 pooled 复核。

这一步非常关键，因为如果跳过它，Phase 2 会变成一份“看上去结论很鲜明、实际上受样本条件严重约束”的文档。导师如果认真看，很容易马上追问：

• 这是不是样本太少导致的？
• 为什么 low income 会比 high income 低这么多？
• 为什么 weekday-only 反而更差？

本报告后面的 pooled 章节，就是专门回答这些追问的。

7) pooled 复核：为什么 quick 阶段的负 delta 不能被直接当成结论

7.1 pooled grouped 是 Phase 2 最重要的“修正层”

如果说 quick 用来回答“方向大致如何”，那么 pooled grouped 用来回答“这个方向经不经得起更多样本与更多切片”。

先看 pooled grouped 的总体分布：

再看一张更浓缩的 heatmap：

7.2 pooled 的核心结论可以浓缩成一句话

在 pooled 大样本条件下，US 中许多原本在 quick 中为负的 delta 会显著上移，location 更是对所有分组都呈现稳定正增益。

7.3 pooled 分组的总体统计

按通道汇总的平均 delta

按维度与通道汇总的 mean delta

这张表本身就说明了两个重要事实：

1. location 的 learnable regularity 明显强于 activity；
2. activity 虽然增益不大，但 pooled 下已经不再是“全面负值”。

7.4 income 维度是最值得谨慎解读的例子

income_bin 在 Phase 2 中特别重要，因为它既是最有社会科学吸引力的维度，也是最容易被样本量误导的维度。

quick 到 pooled 的变化

发现 7.4.1

如果只看 quick，会以为低收入群体几乎“不可能学到额外结构”；但 pooled 后，low 已经从 -8.06pp 修正到 -0.27pp。这说明 quick 中的巨大负值，至少有很大一部分来自样本不足和不稳定切片，而不是机制本身。

发现 7.4.2

mid 组从 -3.68pp 到 +0.41pp 的转变更具方法论意义，因为它告诉我们：

• negative delta 可以被样本量“修正”；
• persistence 并不是一个绝对不可超越的天花板；
• 如果训练样本足够、分组不至于过碎，Transformer 对 activity 的确可以学到少量但稳定的额外规律。

7.5 sex、age、weekday 与 survey_period 提供了“更稳的正值证据”

相比 income，sex、age_bin、is_weekend 与 survey_period 在 pooled 下更稳定。

其中几个有代表性的结果如下：

• sex-female activity: +0.49pp
• sex-male activity: +0.39pp
• age-middle activity: +0.49pp
• survey_period-pre_covid activity: +0.52pp

这几组的共同意义是：在 US 中，Transformer 的 activity 增益虽然不大，但在若干较稳定的 pooled 切片里，已经可以持续为正。

7.6 sample-size correction 是 Phase 2 最关键的反证证据

这张图比单纯的 grouped bar 更重要，因为它把“small sample bias”画成了可以一眼看懂的轨迹。

发现 7.6.1

income_mid 从 -3.68pp 到 +0.41pp，weekday 从 -1.53pp 到 +0.49pp，这已经不是“轻微波动”，而是结论层级的修正。

发现 7.6.2

这意味着 Phase 2 最应该写进方法论部分的一句话是：

在高异质分组任务中，negative delta 首先应被视为一个待复核现象，而不是立即上升为 persistence 的绝对不可超越性。

这句话的重要性甚至超过某个单独的准确率数值，因为它决定了整个项目后续如何读 quick results。

7.7 pooled support-width 告诉我们：哪些正值只是刚冒头，哪些已经有更强支撑

在这一步里，我们不再只画 pooled mean delta，而是把每个 grouped slice 的 n_test 也转译成一个保守的支持宽度区间。它不是严格的 paired significance test，而是一个非常实用的判断标准：当前这个切片的正负方向，到底已经站得多稳。

发现 7.7.1

income_low activity 的 pooled mean 只有 -0.27pp，其保守支持宽度约为 ±0.60pp。这意味着它现在更应该被读成“贴近零、仍待谨慎”而不是“US 低收入组存在巨大负增益”。也就是说，quick 阶段那个 -8.06pp 的视觉冲击，在 pooled 后已经被压缩回了一个接近零附近的小残差。

发现 7.7.2

与此相对，survey_period-pre_covid activity 的 pooled mean 为 +0.52pp，支持宽度约 ±0.20pp；sex-female activity 为 +0.49pp，支持宽度约 ±0.28pp。这说明 Phase 2 的正值证据并不只是“偶然浮出零线”，而是在若干更大样本切片上已经形成了更可信的正向支持。

发现 7.7.3

location 通道的 pooled 结果更稳：各组 mean delta 落在 +1.26pp ~ +1.70pp 之间，而支持宽度大多只有 ±0.15pp ~ ±0.47pp。因此，Phase 2 中最强的“模型确实学到惯性之外结构”的证据，依然首先来自 location，而不是 activity。

7.8 把所有 pooled 切片一起摆出来后，support-size pattern 就更清楚

这张图把全部 pooled grouped slices 一起放到 n_test 的对数尺度上，目的是回答一个比“有没有正值”更成熟的问题：正值出现在哪些支持规模上，它们是零散的，还是已经形成结构性的分布模式。

发现 7.8.1

在这张 support-size map 里，location 的所有点都稳稳落在零线上方，而且随着样本规模扩大并没有回落到零附近。这说明 location 的 learnable gain 不是某个单独分组的巧合，而是一个横跨 income / sex / age / weekday / survey period 的稳定现象。

发现 7.8.2

activity 的 pooled 点云则明显更贴近零线，但模式并不混乱：除了 income_low 仍略低于零之外，其余切片基本都集中在 +0.2pp ~ +0.52pp 之间。换句话说，Phase 2 现在已经不是“activity 普遍为负”，而是“activity 的额外增益很小、但在足够样本条件下会系统性地靠近或越过零线”。这正是 Phase 2 最值得保留下来的方法论结论。

8) 稳健性实验：粒度、时间尺度与样本选择的机制含义

除了 baseline 与 grouped evidence，Phase 2 还必须回答一个问题：这些结论是不是只是在某个偶然设定下才成立？

为此，我们保留了三组稳健性实验。

8.1 C1：fine vs coarse

发现 8.1.1

coarse label 明显更容易，但这并不等于更有科学价值。恰恰相反：

• coarse 把许多真正有意义的细粒度差异压平了；
• coarse 下 persistence 自己就更接近上限；
• 如果论文主线想讨论“行为复杂性”，就必须继续以 fine 作为主轴。

8.2 D1：10min vs 30min

发现 8.2.1

30min 会让总体准确率大幅下降。这是一个很重要的技术与理论双重信息：

• 技术上，说明原始 10min 粒度确实包含更强的预测信号；
• 理论上，说明行为组织的关键结构在更细尺度上已经存在，过度聚合反而把它抹掉了。

8.3 E1：weekday-only vs full sample

发现 8.3.1

“工作日更规律，所以更好预测”这个直觉在 quick 阶段并没有自动成立。相反，weekday-only 反而更差。

这进一步支持了 Phase 2 的方法论主张：不能把社会学直觉直接当成统计结果，样本量与样本构成往往先于直觉解释。

8.4 稳健性实验的总体意义

这三组实验合在一起，给 Phase 2 带来了比单纯 baseline 更深的价值：

• 它说明 fine 粒度保留了真正困难也真正有价值的行为复杂性；
• 它说明 10min 并不是一个随便选的参数，而是实证上更有信息量的尺度；
• 它说明样本选择（如 weekday-only）并不会天然简化问题，反而可能带来额外偏差。

9) 与 Phase 1 的统一对表：相同机制，不同幅度

9.1 Activity 主线对表

9.2 这张对表应该怎么读

这张表最容易被误读成“UK 成功、US 失败”。这是不对的。

更准确的读法是：

发现 9.2.1

两国的惯性底盘几乎一样。 这说明短期行为延续是跨国普遍机制，而不是某个国家的偶然现象。

发现 9.2.2

UK 中 Transformer 的额外增益更容易显形，US 中则更依赖样本条件与分组规模。 这不意味着 US 没有结构，而是意味着它的结构更难在 quick 条件下一次性看清。

发现 9.2.3

Phase 2 的真正贡献不是复制出一个和 Phase 1 一样高的 uplift，而是证明：即使 uplift 变小，框架的基本逻辑仍然成立。

也就是说：

• persistence 仍然必须保留；
• delta 仍然是必要的第二口径；
• 只是 Phase 2 把“delta 的稳定性条件”这个问题真正推到了台前。

9.3 从社会科学叙事上，Phase 2 是对 Phase 1 的补强而不是削弱

Phase 1 讲的是：

日常生活高度可预测，但不同群体的可预测性程度不同。

Phase 2 则把这句话扩展成：

日常生活的高惯性具有跨国普适性，但模型想要从惯性之外再多学到一点规律，取决于样本规模、变量口径和制度异质性。

这不是退步，而是更成熟的表述。

10) 可视化完备度评估：现在的 Phase 2 是否已经“像一份完整报告”

10.1 这次补齐后的图链

本报告现在对应的 Phase 2 专属图组共 10 张：

1. phase2_fig1_us_baseline_activity_location.png
2. phase2_fig2_us_stratified_activity.png
3. phase2_fig3_us_pooled_group_delta.png
4. phase2_fig4_uk_vs_us_activity_baseline.png
5. phase2_fig5_us_baseline_macrof1_delta.png
6. phase2_fig6_us_pooled_delta_heatmap.png
7. phase2_fig7_us_methodology_sensitivity.png
8. phase2_fig8_us_sample_size_delta_shift.png
9. phase2_fig9_us_pooled_delta_uncertainty.png
10. phase2_fig10_us_pooled_support_vs_delta.png

10.2 图链增强后的证据结构

相较于早期版本仅以结果摘要为主的组织方式，当前版本已经把 Phase 2 的核心证据整合为一条结构清晰的图链：

• Fig.1 + Fig.5：A1 baseline、Macro-F1 与 delta 的误差结构；
• Fig.2：quick 与 pooled 的分组现象对照；
• Fig.3 + Fig.6 + Fig.8 + Fig.9 + Fig.10：pooled 修正、热力图证据、样本量机制、支持宽度与 support-size map；
• Fig.7：粒度、时间尺度与样本边界的稳健性检查；
• Fig.4：与 Phase 1 的统一对表。

这使 Phase 2 首次具备了与 Phase 1 相同层级的“章节 - 图像 - 解释”闭环，也让 negative delta、sample-size correction、support-width judgement 与 cross-phase comparison 不再依赖文字孤立支撑，而拥有可直接审阅的视觉证据。

10.3 当前版本的证据完备性

就导师审阅与阶段性交付而言，当前版本已经满足三个关键标准：

• 图链结构完整，能够覆盖 baseline、grouped analysis、sample-size correction 与 cross-phase comparison；
• results/phase2_summary/ 已经把 quick / pooled / methodology / support 汇总成统一 summary 层，形成 报告 -> 图 -> CSV/JSON 闭环；
• 证据类型平衡，既包含支持性结果，也保留了对负 delta 与不稳定分组的谨慎解释；
• 每张图都对应一个明确研究问题，而非仅作为装饰性补图存在。

如果再用这次全项目 closure audit 的口径往回检验，Phase 2 的关键判断也已经能被逐条钉在 summary 层上：ATUS-2024 quick A1 activity 的 Transformer delta 现在锁定在 +0.02pp 的近零区间；pooled activity grouped slices 中已有 10/11 为正，均值约 +0.33pp；10min 相对 30min 仍保留 +14.25pp 的清晰优势。也就是说，Phase 2 当前真正需要解决的已经不是“还有没有证据”，而是“如何把现有证据组织得更成熟”。

若进入论文投稿版式阶段，后续只剩表达层精修：

• transition-specific diagnostics / confusion breakdown；
• 更长、更可直接贴入论文 Results 的 caption；
• 若期刊要求，再补 paired prediction trace 层面的严格统计检验。

这些内容属于版式与附录层优化，不构成当前主报告的未完成事项。

11) 方法论贡献、局限与风险控制

11.1 Phase 2 的方法论贡献

贡献 1：把 persistence 正式制度化为必报基线

Phase 2 进一步证明，任何不与 persistence 对照的 US 结果都几乎无法解释。因为如果只看模型 accuracy，很容易误把“高惯性环境中的自然高分”当成“模型真学到了额外结构”。

贡献 2：把 negative delta 重新定义为“待复核现象”

这是本阶段最关键的方法论改进。quick 阶段的负值不是没价值，而是：

• 不能直接当终局结论；
• 必须与 pooled 或 sample-size correction 一起解释；
• 必须区分“真不可学习”与“样本条件不足”。

贡献 3：把跨国比较从“谁更高分”转成“机制是否同向”

Phase 2 最终告诉我们，跨国比较不应只看 UK 是不是比 US 高，而应看：

• persistence 是否同样强；
• grouped direction 是否一致；
• delta 是否在更大样本下开始显形。

这套视角直接影响了 Phase 3 的设计。

11.2 局限

1. US 缺少 enjoyment 与 with_whom，因此无法像 Phase 1 那样做真正完整的多通道叙事。
2. pooled 下不是所有维度都同样稳定，尤其 econstat 仍不适合作为主结论支柱。
3. US 的事件流转槽化过程本身会引入额外异质性，这使得 US 结果更容易受编码与边界定义影响。
4. full A1 并非在所有模型上都能无代价对称跑完，因此 Phase 2 的 pooled 主证据更多体现为 grouped 复核与 sample-size correction。

11.3 风险控制

目前已经采取的控制包括：

• 剔除了 US 中不该存在的伪通道高分；
• 用 pooled grouped 对 quick 结果做二次检验；
• 把 coarse/fine、10/30min、weekday/full 纳入统一稳健性检查；
• 在最终叙事中主动避免把 econstat 小组结果写成主结论。

这意味着当前 Phase 2 的强项并不是“结果全都很漂亮”，而是“知道哪些结果漂亮，哪些结果还不能夸”。

12) 结论：Phase 2 给 Phase 3 留下了什么

Phase 2 的最终结论，可以浓缩成下面四句话：

1. US 没有推翻 Phase 1 的核心机制。短期惯性依然强，persistence 依然是主基线。
2. US 把样本量条件的重要性暴露得非常充分。negative delta 如果不经 pooled 复核，往往容易被过度解释。
3. location 是 US 中最稳的“模型有额外增益”证据，activity 则是最有理论价值也最需要样本支持的主通道。
4. Phase 3 的默认主线应该保留 activity + persistence + delta，同时优先使用更稳的分组维度而不是盲目扩大切片。

如果从 Phase 1 到 Phase 3 看一条连续主线，那么 Phase 2 的作用就是：

把“在一个国家里成立”的故事，转化为“在不同数据条件下仍然能成立、但解释方式需要更严谨”的故事。

这一步其实非常关键，因为它让最终论文不只是“高分故事”，而是“高惯性、弱增益、样本条件、跨国迁移”四者之间真正有张力的科学叙事。

13) 附录：图表索引与关键文件

13.1 图表索引

13.2 核心数据文件

• results/phase2_summary/phase2_b1_quick_summary.csv
• results/phase2_summary/phase2_methodology_summary.csv
• results/phase2_summary/phase2_pooled_grouped_summary.csv
• results/phase2_summary/phase2_master_table.csv
• results/phase2_summary/phase2_json_manifest.csv
• results/phase3_cross_country/uk_us_mtus_master_table.csv

13.3 相关支撑文档

• PHASE2_VISUALIZATION_REPORT.md
• results/phase2_summary/phase2_summary_overview.md
• results/PHASE2_EXECUTION_REPORT.md
• results/us_phase2_final_report.md

文档版本：v3.0
生成日期：2026-04-03
状态：Phase 2 Markdown Enhanced — Advisor Ready
图表：10 张已嵌入主文