«Si mides 6-5, 230, corres un tiempo determinado, hay como 35 tipos con los que te puedo comparar que han tenido éxito en esta liga. Si mides 5-11, hay dos, a menos que te remontes a Fran Tarkenton: Doug Flutie y Russell Wilson. Eso no es una buena probabilidad para mí. Todavía podrías lograrlo, pero la historia dice que no. Sólo porque tengas 5-11 no significa que no puedas tener éxito. Johnny tiene magia». – Bruce Arians, entrenador de los Arizona Cardinals
«Siento que juego como si midiera 3 metros». – Johnny Manziel
En la combinación de ojeadores de la NFL en febrero, el popularísimo quarterback Johnny Manziel, ganador del Trofeo Heisman, midió oficialmente 71¾ pulgadas y 207 libras. Su diminuta estatura fue un tema tan candente antes del draft de la NFL de 2014 que los medios no pudieron resistirse a los juegos de palabras: «Johnny Manziel se queda corto en el NFL Combine» (CBS Cleveland); «Lo largo y lo corto de Johnny Manziel» (ESPN Cleveland); «¿Estará Johnny Manziel a la altura de los Browns?» (CantonRep.com).
Al final, los Cleveland Browns seleccionaron a Manziel con la 22ª elección de la primera ronda. Con varios equipos hambrientos de QB cerca de la parte superior del draft (incluidos los Browns, que dejaron pasar dos oportunidades anteriores de reclutar a Manziel, primero al intercambiar la cuarta elección y luego al seleccionar a Justin Gilbert con la octava), la mayoría esperaba que fuera más alto.
No sabemos por qué Manziel fue donde lo hizo, pero sí sabemos que es de tamaño insuficiente para su posición. E históricamente el enfoque de los equipos de la NFL con respecto a los QBs de talla baja ha sido no draftearlos – si son bajos. Mi investigación sugiere que esta estrategia no está suficientemente matizada: Si la altura es importante, los equipos de la NFL ya la han tenido en cuenta y algo más. Ser demasiado ligero, por otra parte, parece ser un factor de predicción más fuerte de rendimiento (o falta de él), y los equipos de la NFL parecen no haber tenido en cuenta lo suficiente.
Para un QB de la altura de Manziel, ser reclutado incluso tarde en la primera ronda es increíblemente raro. Desde la fusión de 1967 hasta el 2013, los equipos de la NFL seleccionaron 209 mariscales de campo en las primeras tres rondas del draft, sin embargo, sólo cinco de ellos tenían 72 pulgadas (6 pies) o menos. De esos cinco, sólo Michael Vick (que figura con 6 pies) fue seleccionado en la primera ronda. A modo de comparación: Desde 1987, los equipos de la NBA han reclutado a cinco jugadores de 1,80 metros o menos en las 10 primeras selecciones de la primera ronda.
Si nos fijamos sólo en esos cinco mariscales de campo, reclutar a QBs de baja estatura parecería una apuesta bastante buena. Tienen un Valor Aproximado (AV)1 combinado de 260 – mayor que el AV combinado (210) de todos los 12 QBs listados como de 78 pulgadas (6 pies 6 pulgadas) y más altos.
Esta comparación es sólo para propósitos de diversión: es una muestra pequeña, y ambos grupos incluyen un número de jugadores activos con muchos años productivos por delante. Pero es un indicio de problemas más importantes en la forma en que la NFL tiene en cuenta la altura.
Muchos informes de ojeo de los medios de comunicación antes del draft no distinguen entre altura y peso, refiriéndose con frecuencia a la «talla» o «volumen» de un jugador. Pero cuando se trata de métricas de tamaño, la NFL parece ser mucho más indulgente con los quarterbacks ligeros que con los bajos. El peso promedio de un mariscal de campo de 71 a 72 pulgadas es de 202 libras, sin embargo, 27 mariscales de campo de este peso o menos han sido reclutados en las tres primeras rondas durante el mismo período de tiempo (1967-2013), que vio sólo cinco QBs de esa altura tomados.
Para examinar si esta particular reticencia a draftear QBs de baja estatura (mientras se está dispuesto a draftear a los de baja estatura) tiene algún sentido, clasifiqué el conjunto más amplio de quarterbacks drafteados (limitándome a los seleccionados en las siete primeras rondas) en función de su comparación con el peso y la estatura de Manziel. A partir de ahí, comparé el promedio de AV por temporada de cada grupo para ver si alguno de los grupos se desempeñaba mejor que los demás.
Mirando la columna de la derecha, vemos que a los QBs de baja estatura les ha ido ligeramente mejor en promedio que a los QBs que no son de baja estatura (3,0 AV promedio por temporada contra 2,4). Pero incluso con siete rondas de selecciones del draft esta cifra sigue siendo bastante pequeña: sólo 29 QBs cortos están incluidos en esta comparación (por lo que los resultados no son estadísticamente significativos).
Pero las columnas de peso muestran una marcada división entre los quarterbacks a cada lado de Manziel (2,7 AV promedio por temporada frente a 1,6 en general). También hay una muestra más amplia: 107 jugadores pesaban 207 libras o menos, en comparación con 311 que eran más pesados.
En base a eso, parece que reclutar a un mariscal de campo del peso de Manziel es una propuesta más peligrosa que reclutar a uno de su altura. Pero eso es un análisis binario bastante burdo. Dado que el mercado del draft de la NFL es bastante eficiente, si existiera una relación entre la altura o el peso y el potencial de la carrera, probablemente esperaríamos que se incluyera en el precio de la posición del draft de cada quarterback (o en el hecho de que un quarterback sea reclutado).
Así que ampliemos la investigación para incluir la posición del draft de cada quarterback. Luego, en lugar de dividir a los jugadores en grupos, observemos las correlaciones generales entre la altura, el peso y la elección2 y algunas métricas diferentes de los QB: valor aproximado, yardas por partido y yardas por intento.3 (Para esta comparación, he filtrado a los QBs reclutados después de 2008.)
Esa agrupación de barras de la izquierda nos muestra que la altura está al menos un poco correlacionada con el Valor Aproximado, las yardas por partido y las yardas por intento – pero se correlaciona mucho mejor con la posición del QB en el draft. El peso, por otro lado, se correlaciona mucho más con nuestras métricas de QB y, lo que es más importante, se correlaciona menos con la posición en el draft.
En otras palabras, la altura parece decirnos menos que el peso, y lo que nos dice es más probable que ya lo sepamos.
Si bien las correlaciones por sí solas no nos dicen qué es lo que causa qué, hasta ahora esta es una muestra bastante pobre para la altura como predictor del rendimiento del quarterback. Pero todavía hay muchas posibilidades, así que para tener una mejor idea de qué variables están haciendo qué trabajo, creé modelos de regresión que utilizan la altura, el peso y la elección del draft para predecir una variedad de métricas, y luego comparé la importancia de cada variable en cada modelo.
Estas regresiones produjeron «valores t», medidas básicas de la fiabilidad predictiva de cada variable.4 En este caso buscamos un valor mínimo de 2,0,5
La altura no sólo no es un buen predictor cuando se combina con el peso y la ubicación de la púa, sino que es ligeramente negativo (aunque para ser un predictor negativo estadísticamente significativo, querríamos ver valores por debajo de -2,0). Esto no significa que la altura sea mala, sólo significa que -cualquiera que sea su valor- los equipos de la NFL probablemente la están sobrevalorando.
El peso, sin embargo, es un predictor altamente significativo para estas métricas.6 Dado que la ubicación del draft se incluye como entrada para esta regresión, esto sugiere fuertemente que los equipos de la NFL no han estado valorando suficientemente el peso en sus selecciones.
Hay una serie de posibles razones para esto. Mi conjetura sería que tiene algo que ver con la fisicalidad del juego de la NFL, y que los equipos pueden enamorarse de la habilidad o precisión de un QB y subestimar su fuerza o durabilidad. Pero averiguar exactamente por qué el peso es tan predictivo es una investigación totalmente diferente, y una que puede ser demasiado complicada para la cantidad de datos disponibles.7 Así que en lugar de profundizar, vamos a simplificar.
Lo que realmente nos importa es si un QB tiene una carrera mínimamente exitosa. Para comprobarlo, he fijado el límite de la «carrera exitosa» en unos 32 AV, lo que separa más o menos a los 100 mejores QBs reclutados desde 1967.8 Básicamente, nuestro límite «exitoso» va a ser todos los buenos QBs de los que has oído hablar, hasta los de la talla de Joey Harrington, Rick Mirer, Vince Young, Byron Leftwich o (yendo más atrás) Steve Spurrier. Mientras que el peor de los mariscales de campo «exitosos» puede sonar bastante mal para usted (¿Tim Couch, fanáticos de los Browns?), casi dos tercios de los mariscales de campo seleccionados en el puesto 22 (la posición de Manziel en el draft) probablemente serán aún peores.
Podemos predecir la probabilidad de base de que un QB sea «exitoso» o no utilizando una regresión logística9 con sólo su posición en el draft.10 He agrupado a los QBs redondeando su peso al kilo más cercano, luego he calculado cuántos de ese grupo deberían haber tenido carreras «exitosas» basándome en cada una de sus posiciones en el draft, y luego he comparado eso con el número de ellos que realmente lo hicieron. Una vez hecho esto, tracé el éxito de cada grupo en relación con nuestras expectativas.
La línea roja muestra cuánto más o menos probable es que un QB de un peso determinado tenga éxito de lo que esperaríamos basándonos sólo en su posición en el draft.11 Manziel figura con 207 libras. Según el modelo, esperaríamos que un 19% menos de QBs de 207 libras tuvieran éxito de lo que esperaríamos basándonos en su posición en el draft.
Las probabilidades de ser «exitoso» para un QB tomado en el puesto 22 de la general son aproximadamente del 34%. Las probabilidades de que un mariscal de campo de 207 libras seleccionado en el puesto 22º tenga éxito son de alrededor del 27% (81% del 34%). En términos de selección en el draft, eso es más o menos lo mismo que un quarterback de peso medio seleccionado en el puesto 38º de la general, una caída sustancial pero ciertamente no condenatoria. Podemos hacer ese mismo tipo de cálculo para cada posición del draft.
Por otro lado, Manziel fue proyectado para ir más alto en el draft. Es posible que haya sido injustamente penalizado por su altura, pero no lo suficiente por su peso.
Si los Browns hubieran seleccionado a Manziel con la octava elección, el ajuste de tamaño-peso de mi modelo (que es básicamente un ajuste de peso, ya que la altura no cumplió con el umbral para su inclusión), lo haría tan probable de tener éxito como una elección número 16. Eso encajaría bastante bien con las decisiones reales de los Browns el día del draft: pasar de Manziel con la octava elección, pero luego hacer un cambio para llevárselo con la 22ª.
No estoy enamorado de esta métrica -o realmente de cualquier métrica de calificación de QB- pero suma bien, y para probar las hipótesis de toda la liga, prácticamente cualquier métrica razonable servirá.
No estoy enamorado de esta métrica -o realmente de cualquier métrica de calificación de QB- pero suma bien, y para probar hipótesis de toda la liga, prácticamente cualquier métrica razonable servirá.
Técnicamente, estas correlaciones utilizan el logaritmo de la elección de cada jugador, al igual que todas las regresiones de este artículo.
Técnicamente, estas correlaciones utilizan el logaritmo de la elección de cada jugador, al igual que todas las regresiones de este artículo.
Si te preguntas por qué no utilizo métricas de eficiencia más complicadas como el Passer Rating, el QBR de ESPN o el Win Percentage Added de Brian Burke, es porque creo que todas ellas se corresponden demasiado con el estilo y la calidad del equipo y la ofensiva de un QB, al menos para estos fines. Si estás haciendo comparaciones de grano fino, puedes estar dispuesto a aceptar ese coste a cambio de la mayor precisión de esas métricas, pero para evaluar el impacto a largo plazo de cientos de QBs, prefiero usar medidas más amplias. Principalmente, lo que quiero saber es la probabilidad de que estos jugadores tengan carreras largas y productivas.
No estoy enamorado de esta métrica – o realmente de cualquier métrica de calificación de QB – pero suma bien, y para probar las hipótesis de toda la liga, prácticamente cualquier métrica razonable servirá.
Técnicamente estas correlaciones utilizan el logaritmo del pick de cada jugador, al igual que todas las regresiones de este artículo.
Si te preguntas por qué no utilizo métricas de eficiencia más complicadas como el Passer Rating, el QBR de ESPN o el Win Percentage Added de Brian Burke, es porque creo que todas ellas se corresponden demasiado con el estilo y la calidad del equipo y la ofensiva de un QB, al menos para estos fines. Si estás haciendo comparaciones de grano fino, puedes estar dispuesto a aceptar ese coste a cambio de la mayor precisión de esas métricas, pero para evaluar el impacto a largo plazo de cientos de QBs, prefiero usar medidas más amplias. Principalmente, lo que quiero saber es la probabilidad de que estos jugadores tengan carreras largas y productivas.
Es el peso que deberías poner en la variable dividido por su error medio.
No estoy enamorado de esta métrica -o realmente de cualquier métrica de valoración de QB- pero suma bien, y para probar hipótesis de toda la liga, prácticamente cualquier métrica razonable servirá.
Técnicamente estas correlaciones utilizan el logaritmo del pick de cada jugador, al igual que todas las regresiones de este artículo.
Si te preguntas por qué no utilizo métricas de eficiencia más complicadas como el Passer Rating, el QBR de ESPN o el Win Percentage Added de Brian Burke, es porque creo que todas ellas se corresponden demasiado con el estilo y la calidad del equipo y la ofensiva de un QB, al menos para estos fines. Si estás haciendo comparaciones de grano fino, puedes estar dispuesto a aceptar ese coste a cambio de la mayor precisión de esas métricas, pero para evaluar el impacto a largo plazo de cientos de QBs, prefiero usar medidas más amplias. Principalmente, lo que quiero saber es la probabilidad de que estos jugadores tengan carreras largas y productivas.
Es el peso que debes poner en la variable dividido por su error medio.
Se trata del límite de «significación estadística», lo que significa que la correspondencia observada en los datos ocurriría menos del 5 por ciento de las veces por azar. Se trata de la cantidad mínima de confianza que se necesita en una variable para que valga la pena utilizarla.
No estoy enamorado de esta métrica -ni de ninguna métrica de valoración de QB-, pero suma bien, y para probar hipótesis de toda la liga, prácticamente cualquier métrica razonable servirá.
Técnicamente estas correlaciones utilizan el logaritmo del pick de cada jugador, al igual que todas las regresiones de este artículo.
Si te preguntas por qué no utilizo métricas de eficiencia más complicadas como el Passer Rating, el QBR de ESPN o el Win Percentage Added de Brian Burke, es porque creo que todas ellas se corresponden demasiado con el estilo y la calidad del equipo y la ofensiva de un QB, al menos para estos fines. Si estás haciendo comparaciones de grano fino, puedes estar dispuesto a aceptar ese costo a cambio de la mayor precisión de esas métricas, pero para evaluar los impactos a largo plazo de cientos de QBs, prefiero usar medidas más amplias. Principalmente, lo que quiero saber es la probabilidad de que estos jugadores tengan carreras largas y productivas.
Es el peso que debes poner en la variable dividido por su error medio.
Se trata del límite de «significación estadística», lo que significa que la correspondencia observada en los datos ocurriría menos del 5 por ciento de las veces por azar. Se trata de la cantidad mínima de confianza que se necesita en una variable para que su uso merezca la pena.
Como ocurre con la mayoría de las métricas en diversos grados, aunque tiende a ser mejor en bases por juego y por año.
No estoy enamorado de esta métrica – o realmente de cualquier métrica de calificación de QB – pero suma bien, y para probar las hipótesis de toda la liga, prácticamente cualquier métrica razonable servirá.
Técnicamente estas correlaciones utilizan el logaritmo del pick de cada jugador, al igual que todas las regresiones de este artículo.
Si te preguntas por qué no utilizo métricas de eficiencia más complicadas como el Passer Rating, el QBR de ESPN o el Win Percentage Added de Brian Burke, es porque creo que todas ellas se corresponden demasiado con el estilo y la calidad del equipo y la ofensiva de un QB, al menos para estos fines. Si estás haciendo comparaciones de grano fino, puedes estar dispuesto a aceptar ese coste a cambio de la mayor precisión de esas métricas, pero para evaluar el impacto a largo plazo de cientos de QBs, prefiero usar medidas más amplias. Principalmente, lo que quiero saber es la probabilidad de que estos jugadores tengan carreras largas y productivas.
Es el peso que debes poner en la variable dividido por su error medio.
Se trata del límite de «significación estadística», lo que significa que la correspondencia observada en los datos ocurriría menos del 5 por ciento de las veces por azar. Se trata de la cantidad mínima de confianza que se necesita en una variable para que su uso merezca la pena.
Como ocurre con la mayoría de las métricas en diversos grados, aunque tiende a ser mejor en bases por juego y por año.
Este es básicamente el principal desafío con cada problema relacionado con la NFL.
No estoy enamorado de esta métrica – o realmente de cualquier métrica de calificación de QB – pero suma bien, y para probar las hipótesis de toda la liga, prácticamente cualquier métrica razonable servirá.
Técnicamente estas correlaciones utilizan el logaritmo del pick de cada jugador, al igual que todas las regresiones de este artículo.
Si te preguntas por qué no utilizo métricas de eficiencia más complicadas como el Passer Rating, el QBR de ESPN o el Win Percentage Added de Brian Burke, es porque creo que todas ellas se corresponden demasiado con el estilo y la calidad del equipo y la ofensiva de un QB, al menos para estos fines. Si estás haciendo comparaciones de grano fino, puedes estar dispuesto a aceptar ese coste a cambio de la mayor precisión de esas métricas, pero para evaluar el impacto a largo plazo de cientos de QBs, prefiero usar medidas más amplias. Principalmente, lo que quiero saber es la probabilidad de que estos jugadores tengan carreras largas y productivas.
Es el peso que debes poner en la variable dividido por su error medio.
Se trata del límite de «significación estadística», lo que significa que la correspondencia observada en los datos ocurriría menos del 5 por ciento de las veces por azar. Se trata de la cantidad mínima de confianza que se necesita en una variable para que su uso merezca la pena.
Como ocurre con la mayoría de las métricas en diversos grados, aunque tiende a funcionar mejor en bases por juego y por año.
Este es básicamente el principal reto con cada problema relacionado con la NFL.
Nótese que realmente no importa exactamente dónde dibujamos la línea sino que dibujamos una línea: Cualquier cosa servirá como barómetro.
No estoy enamorado de esta métrica – o realmente de cualquier métrica de valoración de QB – pero suma bien, y para probar hipótesis a nivel de liga, prácticamente cualquier métrica razonable servirá.
Técnicamente estas correlaciones utilizan el logaritmo del pick de cada jugador, al igual que todas las regresiones de este artículo.
Si te preguntas por qué no utilizo métricas de eficiencia más complicadas como el Passer Rating, el QBR de ESPN o el Win Percentage Added de Brian Burke, es porque creo que todas ellas se corresponden demasiado con el estilo y la calidad del equipo y la ofensiva de un QB, al menos para estos fines. Si estás haciendo comparaciones de grano fino, puedes estar dispuesto a aceptar ese coste a cambio de la mayor precisión de esas métricas, pero para evaluar el impacto a largo plazo de cientos de QBs, prefiero usar medidas más amplias. Principalmente, lo que quiero saber es la probabilidad de que estos jugadores tengan carreras largas y productivas.
Es el peso que debes poner en la variable dividido por su error medio.
Se trata del límite de «significación estadística», lo que significa que la correspondencia observada en los datos ocurriría menos del 5 por ciento de las veces por azar. Se trata de la cantidad mínima de confianza que se necesita en una variable para que su uso merezca la pena.
Como ocurre con la mayoría de las métricas en diversos grados, aunque tiende a ser mejor en bases por juego y por año.
Este es básicamente el principal reto con cada problema relacionado con la NFL.
Nótese que realmente no importa exactamente dónde dibujamos la línea sino que dibujamos una línea: Cualquier cosa sirve para un barómetro.
Una regresión que predice resultados binarios como victorias/perdidas, bueno/malo, etc.
No estoy enamorado de esta métrica – o realmente de cualquier métrica de calificación de QB – pero suma bien, y para probar hipótesis de toda la liga, prácticamente cualquier métrica razonable servirá.
Técnicamente estas correlaciones utilizan el logaritmo del pick de cada jugador, al igual que todas las regresiones de este artículo.
Si te preguntas por qué no utilizo métricas de eficiencia más complicadas como el Passer Rating, el QBR de ESPN o el Win Percentage Added de Brian Burke, es porque creo que todas ellas se corresponden demasiado con el estilo y la calidad del equipo y la ofensiva de un QB, al menos para estos fines. Si estás haciendo comparaciones de grano fino, puedes estar dispuesto a aceptar ese coste a cambio de la mayor precisión de esas métricas, pero para evaluar el impacto a largo plazo de cientos de QBs, prefiero usar medidas más amplias. Principalmente, lo que quiero saber es la probabilidad de que estos jugadores tengan carreras largas y productivas.
Es el peso que debes poner en la variable dividido por su error medio.
Se trata del límite de «significación estadística», lo que significa que la correspondencia observada en los datos ocurriría menos del 5 por ciento de las veces por azar. Se trata de la cantidad mínima de confianza que se necesita en una variable para que su uso merezca la pena.
Como ocurre con la mayoría de las métricas en diversos grados, aunque tiende a funcionar mejor en bases por juego y por año.
Este es básicamente el principal reto con cada problema relacionado con la NFL.
Nótese que realmente no importa exactamente dónde dibujamos la línea sino que dibujamos una línea: Cualquier cosa sirve para un barómetro.
Una regresión que predice resultados binarios como victorias/pérdidas, bueno/malo, etc.
En caso de que esté interesado, la fórmula de Excel para esto es =1/(1+EXP(-(1.1536-0.40511*)), donde es el logaritmo de la posición en el draft del QB en base 2 (o log(,2)).
No estoy enamorado de esta métrica – o realmente de cualquier métrica de valoración de QB – pero suma bien, y para probar hipótesis a nivel de liga, prácticamente cualquier métrica razonable servirá.
Técnicamente estas correlaciones utilizan el logaritmo del pick de cada jugador, al igual que todas las regresiones de este artículo.
Si te preguntas por qué no utilizo métricas de eficiencia más complicadas como el Passer Rating, el QBR de ESPN o el Win Percentage Added de Brian Burke, es porque creo que todas ellas se corresponden demasiado con el estilo y la calidad del equipo y la ofensiva de un QB, al menos para estos fines. Si estás haciendo comparaciones de grano fino, puedes estar dispuesto a aceptar ese coste a cambio de la mayor precisión de esas métricas, pero para evaluar el impacto a largo plazo de cientos de QBs, prefiero usar medidas más amplias. Principalmente, lo que quiero saber es la probabilidad de que estos jugadores tengan carreras largas y productivas.
Es el peso que debes poner en la variable dividido por su error medio.
Se trata del límite de «significación estadística», lo que significa que la correspondencia observada en los datos ocurriría menos del 5 por ciento de las veces por azar. Se trata de la cantidad mínima de confianza que se necesita en una variable para que su uso merezca la pena.
Como ocurre con la mayoría de las métricas en diversos grados, aunque tiende a funcionar mejor en bases por juego y por año.
Este es básicamente el principal reto con cada problema relacionado con la NFL.
Nótese que realmente no importa exactamente dónde dibujamos la línea sino que dibujamos una línea: Cualquier cosa sirve para un barómetro.
Una regresión que predice resultados binarios como victorias/pérdidas, bueno/malo, etc.
En caso de que esté interesado, la fórmula de Excel para esto es =1/(1+EXP(-(1.1536-0.40511*)), donde es el logaritmo de la posición de draft del QB en base 2 (o log(,2)).
En Excel, esta fórmula es: =((1/(1+EXP(-(-7.814506+0,031653*))))-0,272723209)/0,272723209.
Lo mejor de FiveThirtyEight, entregado a usted.