研究任务与可信的数据切分
研究问题：如果要在某一天预测未来 12 个月的离职，哪些人、哪些字段和哪些记录可以进入分析？先把边界说清楚，再考虑模型。
选择你的入口
- 零代码入门：先做实验 01 时点、02 切分、05 泄漏排查，再填写实验 06 设计卡。不会 Python 或 R 也能完成。
- 继续探索：补做实验 03 拟合与 04 数据职责。重点观察“训练表现变好”和“评价更可信”为什么是两回事。
- 有 Python / R 基础：完成网页后，到学生代码包核对训练与验证角色、数据字典和标准化来源。代码包是另一组固定开发数据，不是本页员工面板的代码复现。
实验 A：同一个人，移动时点会改变什么？
先预测：这名员工在 2025 年 6 月 15 日提交辞呈、7 月 10 日离职。7 月初仍在职，是否就应该进入“提前预警”的样本？
- 步骤：在实验 01 先选预测，把 t₀ 从 4 月移到 2 月，再移到 7 月和 8 月；最后回到 4 月。
- 观察：分别记录可用历史特征、样本是否纳入、排除原因和标签。不要只抄最后的 0 或 1。
- 受控比较：员工及其真实经历不变，只改变预测时点。区分“字段不可用”“不属于风险集”“结果尚未完整观察”。
- 思考：一项绩效虽然描述去年，但今年 3 月才发布，能否用于今年 2 月的预测？已提交辞呈与已离职，为什么可能有不同排除原因？
标签窗口严格为 (t₀, t₀ + 12 个月]。信息描述过去，不代表过去就能拿到；已知进入离职流程的人是否纳入，要由预先定义的研究用途决定。
实验 B：测试集究竟代表谁？
先预测：随机按行、按员工分组、按未来时间，哪一种能让两侧员工完全不重叠？哪一种回应“预测未来”？
- 步骤：在实验 02 依次切换三种方案；记录训练数、测试数及两侧共有员工数，并追踪员工 E 的四条记录。
- 观察：同一个人是否跨越两侧？训练记录是否来自测试时点之后？
- 受控比较：固定 6 人 × 4 年的示意数据，只换切分方案。本实验计算分配与重叠，不训练分类器，也不生成 AUC。
- 思考：按员工隔离是否已经证明未来有效？若目标是“未见过员工的未来”，还缺哪一道时间约束？
按行、按人、按时间回答不同推广问题。真实纵向数据还要检查：训练标签在验证或测试的预测时点之前是否已经成熟。
实验 C：训练更贴合，证据会更强吗？
- 步骤：在实验 03 记录 α=0、0.5、1 的训练 MSE 与未见样本 MSE，再重置确认数值能复现。在实验 04 切换验证折，指出每轮谁拟合预处理、谁选择模型。
- 观察：训练误差与未见误差是否同向？一个黄色验证折退出训练后，填补、标准化与特征筛选是否也要重做？
- 受控比较：α 实验只改变固定合成拟合的混合程度；五折图只改变数据职责，两者都不能提供现实组织的效果证据。
- 思考：若你看了未见点误差再选择 α，这些点已经承担什么角色？根据最终测试调阈值后，为什么不能继续称它为独立测试？
训练用于拟合，验证用于选择，最终测试用于冻结后的独立评估。换一个数据集名称，不能恢复已失去的独立性。
留下什么，怎样迁移到研究？
完成实验 05 的一个泄漏修复，再完成一张六字段设计卡：研究问题与用途、分析单位与风险集、t₀ 与标签窗口、特征可得边界、推广对象与切分、训练/验证/测试职责。
可选加练约 10–15 分钟：让同伴任选一条记录和一个字段，只凭设计卡判断“是否入样、何时可用、进入哪一侧”。若答案仍要靠口头解释，就把缺失的边界补进卡片。
关联阅读：管理学文献导读。按第 1 课的阅读路线选文献，把实验观察与论文的研究主张作对照。