„Wenn du 6-5, 230 bist, eine bestimmte Zeit läufst, gibt es ungefähr 35 Typen, mit denen ich dich vergleichen kann, die in dieser Liga erfolgreich waren. Wenn du 5-11 bist, gibt es nur zwei, es sei denn, du gehst zurück zu Fran Tarkenton: Doug Flutie und Russell Wilson. Das sind für mich keine wirklich guten Chancen. Du könntest es immer noch schaffen, aber die Geschichte sagt nein. Nur weil man 5-11 ist, heißt das nicht, dass man nicht erfolgreich sein kann. Johnny hat Magie.“ – Bruce Arians, Cheftrainer der Arizona Cardinals
„Ich habe das Gefühl, ich spiele, als wäre ich drei Meter groß.“ – Johnny Manziel
Auf dem NFL Scouting Combine im Februar maß der beliebte Heisman-Trophy-Gewinner und Quarterback Johnny Manziel offiziell 71¾ Zoll und 207 Pfund. Seine zierliche Statur war vor dem NFL-Draft 2014 ein so heißes Thema, dass die Medien sich die Wortspiele nicht verkneifen konnten: „Johnny Manziel Comes Up Short At NFL Combine“ (CBS Cleveland); „The Long and Short of Johnny Manziel“ (ESPN Cleveland); „Will Johnny Manziel Measure Up for the Browns?“ (CantonRep.com).
Schließlich wählten die Cleveland Browns Manziel als 22. der ersten Runde aus. Runde ausgewählt. Da mehrere QB-hungrige Teams in der Nähe der Spitze des Drafts standen (einschließlich der Browns, die zwei frühere Chancen, Manziel zu daten, verpassten, indem sie zunächst den vierten Pick abgaben und dann Justin Gilbert mit dem achten Pick auswählten), erwarteten die meisten, dass er weiter oben landen würde.
Wir wissen nicht, warum Manziel dort landete, wo er landete, aber wir wissen, dass er für seine Position zu klein ist. Und in der Vergangenheit haben NFL-Teams unterdimensionierte QBs nicht gedraftet – wenn sie zu klein sind. Meine Nachforschungen haben ergeben, dass diese Strategie nicht ausreichend nuanciert ist: Wenn die Körpergröße überhaupt eine Rolle spielt, dann haben die NFL-Teams dies bereits berücksichtigt und noch einiges mehr. Zu geringes Gewicht hingegen scheint ein stärkerer Prädiktor für die Leistung (oder deren Fehlen) zu sein, und die NFL-Teams scheinen dies nicht ausreichend berücksichtigt zu haben.
Für einen QB von Manziels Größe ist es unglaublich selten, dass er noch spät in der ersten Runde gedraftet wird. Von der Fusion 1967 bis 2013 wählten die NFL-Teams 209 Quarterbacks in den ersten drei Runden des Drafts aus, aber nur fünf von ihnen waren 72 Zoll (6 Fuß) oder kleiner. Von diesen fünf wurde nur Michael Vick (als 6 Fuß aufgeführt) in der ersten Runde ausgewählt. Zum Vergleich: Seit 1987 haben NBA-Teams fünf Spieler mit einer Körpergröße von 1,80 m oder weniger in den ersten 10 Auswahlrunden gedraftet.
Wenn wir nur diese fünf Quarterbacks betrachten würden, wäre der Draft von kurzen QBs eine ziemlich gute Wette. Sie haben einen kombinierten Karriere-Näherungswert (AV)1 von 260 – mehr als der kombinierte AV (210) aller 12 QBs, die als 78 Inches (6 Fuß 6 Inches) und größer gelistet sind.
Dieser Vergleich dient nur der Unterhaltung: Es ist eine winzige Stichprobe, und beide Gruppen enthalten eine Reihe aktiver Spieler, die noch viele produktive Jahre vor sich haben. Aber er deutet auf größere Probleme mit der Art und Weise hin, wie die NFL die Körpergröße berücksichtigt.
Viele Medien unterscheiden in ihren Scouting-Berichten vor dem Draft nicht zwischen Körpergröße und Gewicht und beziehen sich stattdessen häufig auf die „Größe“ oder „Masse“ eines Spielers. Aber wenn es um Größenmetriken geht, scheint die NFL leichten Quarterbacks viel mehr zu verzeihen als kleinen. Das Durchschnittsgewicht eines 71- bis 72-Zoll-Quarterbacks liegt bei 202 Pfund, doch wurden im gleichen Zeitraum (1967-2013) 27 Quarterbacks mit diesem Gewicht oder weniger in den ersten drei Runden gedraftet, während nur fünf QBs dieser Größe gewählt wurden.
Um zu untersuchen, ob diese besondere Zurückhaltung bei der Auswahl kleiner Quarterbacks (bei gleichzeitiger Bereitschaft, leichte Quarterbacks auszuwählen) einen Sinn ergibt, habe ich den breiteren Pool der gedrafteten Quarterbacks (unter Beschränkung auf die in den ersten sieben Runden ausgewählten) danach klassifiziert, wie sie im Vergleich zu Manziels Gewicht und Größe abschneiden. Von dort aus habe ich die durchschnittlichen AV pro Saison jeder Gruppe verglichen, um zu sehen, ob eine der Gruppen besser abschneidet als die anderen.
Bei Betrachtung der rechten Spalte sehen wir, dass kurze QBs im Durchschnitt etwas besser abgeschnitten haben als nicht kurze QBs (3,0 durchschnittliche AV pro Saison gegenüber 2,4). Aber selbst bei sieben Runden Draft Picks ist diese Zahl immer noch ziemlich klein: Nur 29 kurze QBs sind in diesem Vergleich enthalten (daher sind die Ergebnisse statistisch nicht signifikant).
Die Gewichtsspalten zeigen jedoch eine deutliche Kluft zwischen Quarterbacks auf beiden Seiten von Manziel (2,7 durchschnittliche AV pro Saison gegenüber 1,6 insgesamt). Es gibt auch eine breitere Stichprobe: 107 Spieler wogen 207 Pfund oder weniger, verglichen mit 311, die schwerer waren.
Auf dieser Grundlage scheint es, dass es gefährlicher ist, einen Quarterback mit Manziels Gewicht zu daten als einen mit seiner Größe. Aber das ist eine ziemlich grobe binäre Analyse. Da der Draft-Markt in der NFL ziemlich effizient ist, würden wir, wenn es eine Beziehung zwischen Größe oder Gewicht und Karrierepotenzial gäbe, wahrscheinlich erwarten, dass diese in die Draft-Position eines jeden Quarterbacks eingepreist wird (oder ob ein Quarterback überhaupt gedraftet wird).
Werden wir also die Untersuchung auf die Draft-Position eines jeden Quarterbacks ausweiten. Anstatt die Spieler in Gruppen aufzuteilen, betrachten wir dann die Gesamtkorrelationen zwischen Größe, Gewicht und Draft-Position2 und ein paar verschiedenen QB-Kennzahlen – Approximate Value, Yards pro Spiel und Yards pro Versuch.3 (Für diesen Vergleich habe ich QBs herausgefiltert, die später als 2008 gedraftet wurden.)
Die Gruppierung der Balken auf der linken Seite zeigt uns, dass die Größe zumindest ein wenig mit dem Approximate Value, den Yards pro Spiel und den Yards pro Versuch korreliert – aber sie korreliert viel besser mit der Draft-Position des QBs. Das Gewicht hingegen korreliert viel stärker mit unseren QB-Metriken, und, was wichtig ist, es korreliert weniger mit der Draft-Position.
Mit anderen Worten, die Größe scheint uns weniger zu sagen als das Gewicht, und was sie uns sagt, haben wir wahrscheinlich schon gewusst.
Während Korrelationen allein uns nicht sagen, was was verursacht, ist dies bisher ein ziemlich schlechtes Ergebnis für die Größe als Prädiktor für die Quarterback-Leistung. Um einen besseren Eindruck davon zu bekommen, welche Variablen welchen Beitrag leisten, habe ich Regressionsmodelle erstellt, die Größe, Gewicht und Draft Pick zur Vorhersage einer Reihe von Kennzahlen verwenden, und dann verglichen, wie wichtig jede Variable für jedes Modell war.
Diese Regressionen ergaben „t-Werte“, grundlegende Maße für die Vorhersagezuverlässigkeit jeder Variable.4 In diesem Fall suchen wir nach einem Mindestwert von 2,0,5
Die Körpergröße ist nicht nur kein guter Prädiktor, wenn sie mit dem Gewicht und dem Ort der Auswahl kombiniert wird, sondern auch ein leicht negativer Prädiktor (um jedoch ein statistisch signifikanter negativer Prädiktor zu sein, müssten die Werte unter -2,0 liegen). Das bedeutet nicht, dass die Größe schlecht ist, sondern nur, dass die NFL-Teams sie – unabhängig von ihrem Wert – wahrscheinlich überbewerten.
Das Gewicht ist jedoch ein hochsignifikanter Prädiktor für diese Kennzahlen.6 Da der Draft-Standort als Input in diese Regression einbezogen wird, deutet dies stark darauf hin, dass die NFL-Teams das Gewicht nicht ausreichend in ihre Auswahl einbeziehen.
Dafür gibt es eine Reihe von möglichen Gründen. Meine Vermutung wäre, dass es etwas mit der Körperlichkeit des NFL-Spiels zu tun hat und dass Teams sich in die Fähigkeiten oder die Genauigkeit eines QBs verlieben und seine Stärke oder Haltbarkeit unterbewerten. Aber herauszufinden, warum das Gewicht so aussagekräftig ist, ist eine ganz andere Untersuchung, die für die Menge der verfügbaren Daten zu kompliziert sein könnte.7 Anstatt also tiefer einzutauchen, sollten wir es vereinfachen.
Das, was uns wirklich interessiert, ist, ob ein QB eine minimal erfolgreiche Karriere hat. Um dies zu testen, habe ich den Grenzwert für eine „erfolgreiche Karriere“ auf etwa 32 AV festgelegt, was mehr oder weniger die 100 besten gedrafteten QBs seit 1967 abgrenzt.8 Im Grunde genommen umfasst unser „erfolgreicher“ Grenzwert alle guten QBs, von denen Sie gehört haben, bis hin zu solchen wie Joey Harrington, Rick Mirer, Vince Young, Byron Leftwich oder (noch weiter zurück) Steve Spurrier. Während die schlechtesten der „erfolgreichen“ Quarterbacks für Sie ziemlich schlecht klingen mögen (Tim Couch, Browns-Fans?), werden fast zwei Drittel der Quarterbacks, die als 22. insgesamt ausgewählt wurden (Manziels Draft-Position), wahrscheinlich noch schlechter sein.
Wir können die grundlegende Wahrscheinlichkeit, dass ein QB „erfolgreich“ ist oder nicht, vorhersagen, indem wir eine logistische Regression9 mit nur seiner Draft-Position verwenden.10 Ich habe die QBs in Gruppen eingeteilt, indem ich ihr Gewicht auf die nächsten 5 Pfund gerundet habe, dann berechnet, wie viele aus dieser Gruppe auf der Grundlage ihrer Draft-Positionen eine „erfolgreiche“ Karriere hätten haben sollen, und dies dann mit der Anzahl derer verglichen, die tatsächlich erfolgreich waren. Danach habe ich aufgezeichnet, wie erfolgreich jede Gruppe im Vergleich zu unseren Erwartungen war.
Die rote Linie zeigt, wie viel wahrscheinlicher oder unwahrscheinlicher es ist, dass ein QB mit einem bestimmten Gewicht erfolgreich ist, als wir allein aufgrund seiner Draft-Position erwarten würden.11 Manziel ist mit 207 Pfund angegeben. Nach dem Modell würden wir erwarten, dass etwa 19 Prozent weniger QBs mit 207 Pfund erfolgreich sind, als wir aufgrund ihrer Draft-Position erwarten würden.
Die Wahrscheinlichkeit, dass ein QB, der auf Platz 22 der Gesamtwertung gewählt wurde, „erfolgreich“ ist, beträgt etwa 34 Prozent. Die Wahrscheinlichkeit, dass ein 207 Pfund schwerer Quarterback, der als 22. ausgewählt wurde, erfolgreich ist, liegt bei 27 Prozent (81 Prozent von 34 Prozent). In Draft-Pick-Begriffen ist das ungefähr dasselbe wie ein durchschnittlich gewichteter Quarterback, der auf Platz 38 gewählt wird – ein erheblicher, aber sicherlich nicht vernichtender Rückgang. Wir können dieselbe Art von Berechnung für jede Draft-Position durchführen.
Andererseits wurde Manziel in der Draft höher eingestuft. Es ist möglich, dass er unfairerweise wegen seiner Größe benachteiligt wurde, aber nicht genug wegen seines Gewichts.
Wenn die Browns Manziel mit der achten Wahl ausgewählt hätten, würde die Größen-Gewichts-Anpassung meines Modells (die im Grunde eine Gewichtsanpassung ist, da die Größe nicht den Schwellenwert für die Einbeziehung erreicht hat) ihn ungefähr so wahrscheinlich machen, erfolgreich zu sein wie eine Wahl mit der Nummer 16. Das würde ziemlich gut mit den tatsächlichen Entscheidungen der Browns am Draft-Tag übereinstimmen: Manziel mit der achten Wahl abzulehnen, aber dann zu traden, um ihn mit der 22. Wahl zu nehmen.
Ich bin nicht in diese Metrik verliebt – oder wirklich in jede QB-Bewertungsmetrik – aber sie ist gut zusammengefasst, und zum Testen von ligaweiten Hypothesen ist praktisch jede vernünftige Metrik geeignet.
Ich bin kein Freund dieser Metrik – oder wirklich jeder QB-Rating-Metrik – aber sie summiert gut, und zum Testen von ligaweiten Hypothesen ist praktisch jede vernünftige Metrik geeignet.
Technisch gesehen verwenden diese Korrelationen den Logarithmus des Pick eines jeden Spielers, wie alle Regressionen in diesem Artikel.
Ich bin nicht begeistert von dieser Metrik – oder eigentlich von jeder QB-Rating-Metrik – aber sie passt gut, und zum Testen von ligaweiten Hypothesen ist praktisch jede vernünftige Metrik geeignet.
Technisch gesehen verwenden diese Korrelationen den Logarithmus des Pick jedes Spielers, wie auch alle Regressionen in diesem Artikel.
Wenn Sie sich fragen, warum ich keine komplizierteren Effizienzmetriken wie Passer Rating, ESPNs QBR oder Brian Burkes Win Percentage Added verwende, liegt das daran, dass ich glaube, dass sie alle viel zu stark mit dem Stil und der Qualität des Teams und der Offensive eines QBs korrespondieren – zumindest für diese Zwecke. Wenn Sie feinkörnige Vergleiche anstellen, sind Sie vielleicht bereit, diese Kosten im Austausch für die höhere Präzision dieser Metriken in Kauf zu nehmen, aber für die Bewertung der langfristigen Auswirkungen von Hunderten von QBs ziehe ich breitere Maße vor. Hauptsächlich möchte ich wissen, wie wahrscheinlich es ist, dass diese Spieler eine lange, produktive Karriere haben.
Ich bin nicht in diese Metrik verliebt – oder in irgendeine andere QB-Rating-Metrik – aber sie lässt sich gut zusammenfassen, und zum Testen ligaweiter Hypothesen ist praktisch jede vernünftige Metrik geeignet.
Technisch gesehen wird bei diesen Korrelationen der Logarithmus des Pick eines jeden Spielers verwendet, wie bei allen Regressionen in diesem Artikel.
Wenn Sie sich fragen, warum ich keine komplizierteren Effizienzmetriken wie Passer Rating, ESPNs QBR oder Brian Burkes Win Percentage Added verwende, liegt das daran, dass ich glaube, dass sie alle viel zu stark mit dem Stil und der Qualität des Teams und der Offensive eines QBs korrespondieren – zumindest für diese Zwecke. Wenn Sie feinkörnige Vergleiche anstellen, sind Sie vielleicht bereit, diese Kosten im Austausch für die höhere Präzision dieser Metriken in Kauf zu nehmen, aber für die Bewertung der langfristigen Auswirkungen von Hunderten von QBs ziehe ich breitere Maße vor. Ich möchte vor allem wissen, wie wahrscheinlich es ist, dass diese Spieler eine lange, produktive Karriere haben.
Das ist das Gewicht, das man auf die Variable legen sollte, geteilt durch ihren durchschnittlichen Fehler.
Ich bin nicht begeistert von dieser Metrik – oder eigentlich von jeder QB-Rating-Metrik -, aber sie lässt sich gut zusammenfassen, und zum Testen ligaweiter Hypothesen ist praktisch jede vernünftige Metrik geeignet.
Technisch gesehen wird bei diesen Korrelationen der Logarithmus des Pick eines jeden Spielers verwendet, wie bei allen Regressionen in diesem Artikel.
Wenn Sie sich fragen, warum ich keine komplizierteren Effizienzmetriken wie Passer Rating, ESPNs QBR oder Brian Burkes Win Percentage Added verwende, liegt das daran, dass ich glaube, dass sie alle viel zu stark mit dem Stil und der Qualität des Teams und der Offensive eines QBs korrespondieren – zumindest für diese Zwecke. Wenn Sie feinkörnige Vergleiche anstellen, sind Sie vielleicht bereit, diese Kosten im Austausch für die höhere Präzision dieser Metriken in Kauf zu nehmen, aber für die Bewertung der langfristigen Auswirkungen von Hunderten von QBs ziehe ich breitere Maße vor. Hauptsächlich möchte ich wissen, wie wahrscheinlich es ist, dass diese Spieler eine lange, produktive Karriere haben.
Das ist das Gewicht, das man der Variable beimessen sollte, geteilt durch ihren durchschnittlichen Fehler.
Dies ist ungefähr der Grenzwert für „statistische Signifikanz“, was bedeutet, dass die in den Daten beobachtete Übereinstimmung weniger als 5 Prozent der Zeit zufällig auftreten würde. Es geht um das Mindestmaß an Vertrauen, das man in eine Variable haben muss, damit es sich lohnt, sie zu verwenden.
Ich bin nicht begeistert von dieser Metrik – oder eigentlich von jeder QB-Rating-Metrik -, aber sie lässt sich gut zusammenfassen, und zum Testen ligaweiter Hypothesen ist praktisch jede vernünftige Metrik geeignet.
Technisch gesehen wird bei diesen Korrelationen der Logarithmus des Pick eines jeden Spielers verwendet, wie bei allen Regressionen in diesem Artikel.
Wenn Sie sich fragen, warum ich keine komplizierteren Effizienzmetriken wie Passer Rating, ESPN’s QBR oder Brian Burke’s Win Percentage Added verwende, dann deshalb, weil ich glaube, dass sie alle viel zu stark mit dem Stil und der Qualität des Teams und der Offensive eines QBs korrespondieren – zumindest für diese Zwecke. Wenn Sie feinkörnige Vergleiche anstellen, sind Sie vielleicht bereit, diese Kosten im Austausch für die höhere Präzision dieser Metriken in Kauf zu nehmen, aber für die Bewertung der langfristigen Auswirkungen von Hunderten von QBs ziehe ich breitere Maße vor. Hauptsächlich möchte ich wissen, wie wahrscheinlich es ist, dass diese Spieler eine lange, produktive Karriere haben.
Das ist das Gewicht, das man der Variable beimessen sollte, geteilt durch ihren durchschnittlichen Fehler.
Dies ist ungefähr der Grenzwert für „statistische Signifikanz“, was bedeutet, dass die in den Daten beobachtete Übereinstimmung weniger als 5 Prozent der Zeit zufällig auftreten würde. Das ist ungefähr das Minimum an Vertrauen, das man in eine Variable haben muss, damit sich ihre Verwendung lohnt.
Wie bei den meisten Kennzahlen in unterschiedlichem Maße, obwohl sie am besten auf der Basis von Spielen und Jahren funktionieren.
Ich bin nicht begeistert von dieser Metrik – oder eigentlich von jeder QB-Rating-Metrik -, aber sie lässt sich gut zusammenfassen, und um ligaweite Hypothesen zu testen, ist praktisch jede vernünftige Metrik geeignet.
Technisch gesehen wird bei diesen Korrelationen der Logarithmus des Pick eines jeden Spielers verwendet, wie bei allen Regressionen in diesem Artikel.
Wenn Sie sich fragen, warum ich keine komplizierteren Effizienzmetriken wie Passer Rating, ESPNs QBR oder Brian Burkes Win Percentage Added verwende, liegt das daran, dass ich glaube, dass sie alle viel zu stark mit dem Stil und der Qualität des Teams und der Offensive eines QBs korrespondieren – zumindest für diese Zwecke. Wenn Sie feinkörnige Vergleiche anstellen, sind Sie vielleicht bereit, diese Kosten im Austausch für die höhere Präzision dieser Metriken in Kauf zu nehmen, aber für die Bewertung der langfristigen Auswirkungen von Hunderten von QBs ziehe ich breitere Maße vor. Hauptsächlich möchte ich wissen, wie wahrscheinlich es ist, dass diese Spieler eine lange, produktive Karriere haben.
Das ist das Gewicht, das man der Variable beimessen sollte, geteilt durch ihren durchschnittlichen Fehler.
Das ist ungefähr der Grenzwert für „statistische Signifikanz“, was bedeutet, dass die in den Daten beobachtete Übereinstimmung weniger als 5 Prozent der Zeit zufällig auftreten würde. Das ist ungefähr das Minimum an Vertrauen, das man in eine Variable haben muss, damit sich ihre Verwendung lohnt.
Wie bei den meisten Kennzahlen in unterschiedlichem Maße, obwohl sie am besten auf der Basis von Spielen und Jahren funktionieren.
Das ist im Grunde die Hauptschwierigkeit bei jedem NFL-bezogenen Problem.
Ich bin nicht begeistert von dieser Metrik – oder wirklich jeder QB-Rating-Metrik – aber sie lässt sich gut zusammenfassen, und um ligaweite Hypothesen zu testen, ist praktisch jede vernünftige Metrik geeignet.
Technisch gesehen wird bei diesen Korrelationen der Logarithmus des Pick eines jeden Spielers verwendet, wie bei allen Regressionen in diesem Artikel.
Wenn Sie sich fragen, warum ich keine komplizierteren Effizienzmetriken wie Passer Rating, ESPNs QBR oder Brian Burkes Win Percentage Added verwende, liegt das daran, dass ich glaube, dass sie alle viel zu stark mit dem Stil und der Qualität des Teams und der Offensive eines QBs korrespondieren – zumindest für diese Zwecke. Wenn Sie feinkörnige Vergleiche anstellen, sind Sie vielleicht bereit, diese Kosten im Austausch für die höhere Präzision dieser Metriken in Kauf zu nehmen, aber für die Bewertung der langfristigen Auswirkungen von Hunderten von QBs ziehe ich breitere Maße vor. Hauptsächlich möchte ich wissen, wie wahrscheinlich es ist, dass diese Spieler eine lange, produktive Karriere haben.
Das ist das Gewicht, das man der Variable beimessen sollte, geteilt durch ihren durchschnittlichen Fehler.
Dies ist ungefähr der Grenzwert für „statistische Signifikanz“, was bedeutet, dass die in den Daten beobachtete Übereinstimmung weniger als 5 Prozent der Zeit zufällig auftreten würde. Dies ist das Minimum an Vertrauen, das man in eine Variable haben muss, damit sich ihre Verwendung lohnt.
Wie bei den meisten Kennzahlen in unterschiedlichem Ausmaß, obwohl sie am besten auf Spiel- und Jahresbasis funktionieren.
Das ist im Grunde das Hauptproblem bei jedem Problem im Zusammenhang mit der NFL.
Es ist nicht so wichtig, wo genau wir die Linie ziehen, sondern dass wir überhaupt eine Linie ziehen: Als Barometer taugt alles.
Ich bin nicht begeistert von dieser Metrik – oder eigentlich von jeder QB-Rating-Metrik -, aber sie lässt sich gut zusammenfassen, und um ligaweite Hypothesen zu testen, taugt praktisch jede vernünftige Metrik.
Technisch gesehen wird bei diesen Korrelationen der Logarithmus des Pick eines jeden Spielers verwendet, wie bei allen Regressionen in diesem Artikel.
Wenn Sie sich fragen, warum ich keine komplizierteren Effizienzmetriken wie Passer Rating, ESPNs QBR oder Brian Burkes Win Percentage Added verwende, liegt das daran, dass ich glaube, dass sie alle viel zu stark mit dem Stil und der Qualität des Teams und der Offensive eines QBs korrespondieren – zumindest für diese Zwecke. Wenn Sie feinkörnige Vergleiche anstellen, sind Sie vielleicht bereit, diese Kosten im Austausch für die höhere Präzision dieser Metriken in Kauf zu nehmen, aber für die Bewertung der langfristigen Auswirkungen von Hunderten von QBs ziehe ich breitere Maße vor. Hauptsächlich möchte ich wissen, wie wahrscheinlich es ist, dass diese Spieler eine lange, produktive Karriere haben.
Das ist das Gewicht, das man der Variable beimessen sollte, geteilt durch ihren durchschnittlichen Fehler.
Dies ist ungefähr der Grenzwert für „statistische Signifikanz“, was bedeutet, dass die in den Daten beobachtete Übereinstimmung weniger als 5 Prozent der Zeit zufällig auftreten würde. Das ist ungefähr das Minimum an Vertrauen, das man in eine Variable haben muss, damit sich ihre Verwendung lohnt.
Wie bei den meisten Kennzahlen in unterschiedlichem Maße, obwohl sie am besten auf der Basis von Spielen und Jahren funktionieren.
Das ist im Grunde das Hauptproblem bei jedem Problem im Zusammenhang mit der NFL.
Es ist nicht so wichtig, wo genau wir die Linie ziehen, sondern dass wir überhaupt eine Linie ziehen: Für ein Barometer ist alles geeignet.
Eine Regression, die binäre Ergebnisse wie Siege/Verluste, gut/schlecht usw. vorhersagt.
Ich bin nicht begeistert von dieser Metrik – oder wirklich von jeder QB-Rating-Metrik -, aber sie lässt sich gut zusammenfassen, und zum Testen ligaweiter Hypothesen ist praktisch jede vernünftige Metrik geeignet.
Technisch gesehen wird bei diesen Korrelationen der Logarithmus des Pick eines jeden Spielers verwendet, wie bei allen Regressionen in diesem Artikel.
Wenn Sie sich fragen, warum ich keine komplizierteren Effizienzmetriken wie Passer Rating, ESPNs QBR oder Brian Burkes Win Percentage Added verwende, liegt das daran, dass ich glaube, dass sie alle viel zu stark mit dem Stil und der Qualität des Teams und der Offensive eines QBs korrespondieren – zumindest für diese Zwecke. Wenn Sie feinkörnige Vergleiche anstellen, sind Sie vielleicht bereit, diese Kosten im Austausch für die höhere Präzision dieser Metriken in Kauf zu nehmen, aber für die Bewertung der langfristigen Auswirkungen von Hunderten von QBs ziehe ich breitere Maße vor. Hauptsächlich möchte ich wissen, wie wahrscheinlich es ist, dass diese Spieler eine lange, produktive Karriere haben.
Das ist das Gewicht, das man der Variable beimessen sollte, geteilt durch ihren durchschnittlichen Fehler.
Dies ist ungefähr der Grenzwert für „statistische Signifikanz“, was bedeutet, dass die in den Daten beobachtete Übereinstimmung weniger als 5 Prozent der Zeit zufällig auftreten würde. Das ist ungefähr das Minimum an Vertrauen, das man in eine Variable haben muss, damit sich ihre Verwendung lohnt.
Wie bei den meisten Kennzahlen in unterschiedlichem Maße, obwohl sie am besten auf der Basis von Spielen und Jahren funktionieren.
Das ist im Grunde das Hauptproblem bei jedem Problem im Zusammenhang mit der NFL.
Es ist nicht so wichtig, wo genau wir die Linie ziehen, sondern dass wir überhaupt eine Linie ziehen: Für ein Barometer ist alles möglich.
Eine Regression, die binäre Ergebnisse wie Gewinne/Verluste, gut/schlecht usw. vorhersagt.
Für den Fall, dass es Sie interessiert, lautet die Excel-Formel hierfür =1/(1+EXP(-(1,1536-0.40511*))), wobei der Logarithmus der Draft-Position des QB zur Basis 2 (oder log(,2)) ist.
Ich bin nicht begeistert von dieser Metrik – oder eigentlich von jeder QB-Rating-Metrik -, aber sie lässt sich gut zusammenfassen, und zum Testen ligaweiter Hypothesen ist praktisch jede vernünftige Metrik geeignet.
Technisch gesehen wird bei diesen Korrelationen der Logarithmus des Pick eines jeden Spielers verwendet, wie bei allen Regressionen in diesem Artikel.
Wenn Sie sich fragen, warum ich keine komplizierteren Effizienzmetriken wie Passer Rating, ESPNs QBR oder Brian Burkes Win Percentage Added verwende, liegt das daran, dass ich glaube, dass sie alle viel zu stark mit dem Stil und der Qualität des Teams und der Offensive eines QBs korrespondieren – zumindest für diese Zwecke. Wenn Sie feinkörnige Vergleiche anstellen, sind Sie vielleicht bereit, diese Kosten im Austausch für die höhere Präzision dieser Metriken in Kauf zu nehmen, aber für die Bewertung der langfristigen Auswirkungen von Hunderten von QBs ziehe ich breitere Maße vor. Hauptsächlich möchte ich wissen, wie wahrscheinlich es ist, dass diese Spieler eine lange, produktive Karriere haben.
Das ist das Gewicht, das man der Variable beimessen sollte, geteilt durch ihren durchschnittlichen Fehler.
Das ist ungefähr der Grenzwert für „statistische Signifikanz“, was bedeutet, dass die in den Daten beobachtete Übereinstimmung weniger als 5 Prozent der Zeit zufällig auftreten würde. Dies ist das Minimum an Vertrauen, das man in eine Variable haben muss, damit sich ihre Verwendung lohnt.
Wie bei den meisten Kennzahlen in unterschiedlichem Ausmaß, obwohl sie am besten auf Spiel- und Jahresbasis funktionieren.
Das ist im Grunde das Hauptproblem bei jedem Problem im Zusammenhang mit der NFL.
Es ist nicht so wichtig, wo genau wir die Linie ziehen, sondern dass wir überhaupt eine Linie ziehen: Für ein Barometer ist alles möglich.
Eine Regression, die binäre Ergebnisse wie Gewinne/Verluste, gut/schlecht usw. vorhersagt.
Für den Fall, dass es Sie interessiert, lautet die Excel-Formel hierfür =1/(1+EXP(-(1,1536-0.40511*))), wobei der Logarithmus der Draftposition des QB zur Basis 2 (oder log(,2)) ist.
In Excel lautet diese Formel: =((1/(1+EXP(-(-7.814506+0.031653*))))-0.272723209)/0.272723209.
Das Beste von FiveThirtyEight, für Sie bereitgestellt.