本文介绍了夏普利-欧文-肖罗克分解方法，该方法用于将经验或经济现象分解为不同投入的贡献，特别适用于处理非线性聚合结果的情况。文章的核心观点是，该方法通过扩展Shapley值，提供了一种总和为1的可加分解，并能直观地解释不同投入（或其组成的群体）对总结果的贡献。
核心观点与关键数据：
- 分解目的：衡量多个输入对总体结果的贡献，适用于非线性聚合结果（如经济决策模型）。
- 方法特点：
- 可加性：分解结果总和为1。
- 对称性：输入移除顺序不影响分解结果。
- 零效应归一化：对无效应因素分配零贡献。
- 线性闭包：对线性函数的分解具有线性性质。
- 算法概述：通过遍历所有可能的子模型组合，计算每个输入的贡献，公式涉及组合权重（n-1-k)!/k!）。
研究结论与示例：
- 线性示例：在3变量线性模型中，分解结果与回归系数直接对应，验证了方法的有效性。
- 非线性示例：通过包含非线性项的模型（如βX₁ + βX₂X₃），展示了分解如何处理交互效应，结果符合预期。
- R²分解示例：将R²分解为各变量的贡献，与偏R²不同，但能恢复完整模型的R²值，说明方法适用于复杂模型。
- 应用领域：该方法已应用于多个经济学领域，包括：
- 回归分析（R²分解）。
- 结构模型（如劳动力市场动态、财富积累）。
- 企业动态（如产出波动性）。
- 福利分解（如消费与闲暇分布变化）。
研究结论：Shapley-Owen-Shorrocks分解为经济现象的分解提供了一种直观且有效的工具，尤其适用于存在复杂交互作用的情况。尽管计算成本随因素数量增加而增长，但通过合理分组输入可降低成本。此外，该方法在反事实分析中也能提升福利分解的可解释性。
