« Si vous êtes 6-5, 230, courez un certain temps, il y a comme 35 gars auxquels je peux vous comparer qui ont réussi dans cette ligue. Si tu es 5-11, il y en a deux, à moins que tu ne remontes à Fran Tarkenton : Doug Flutie et Russell Wilson. Ce ne sont pas de très bonnes chances pour moi. Tu peux toujours y arriver, mais l’histoire dit non. Ce n’est pas parce que vous êtes 5-11 que vous ne pouvez pas réussir. Johnny a de la magie. » – Bruce Arians, entraîneur-chef des Arizona Cardinals
« J’ai l’impression de jouer comme si je mesurais 3 mètres. » – Johnny Manziel
Lors de la NFL scouting combine en février, le très populaire quarterback Johnny Manziel, lauréat du Heisman Trophy, mesurait officiellement 71¾ pouces et 207 livres. Sa petite taille était un tel sujet d’actualité avant la draft NFL 2014 que les médias n’ont pas pu résister aux jeux de mots : » 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). (CantonRep.com).
En définitive, les Browns de Cleveland ont sélectionné Manziel avec le 22e choix du premier tour. Avec plusieurs équipes en manque de QB près du sommet de la draft (y compris les Browns, qui ont laissé passer deux chances antérieures de drafter Manziel, d’abord en échangeant le quatrième choix, puis en sélectionnant Justin Gilbert avec le huitième), la plupart s’attendaient à ce qu’il aille plus haut.
Nous ne savons pas pourquoi Manziel est allé où il est allé, mais nous savons qu’il est sous-dimensionné pour sa position. Et historiquement, l’approche des équipes de la NFL à l’égard des QB sous-dimensionnés a été de ne pas les repêcher – s’ils sont courts. Mes recherches suggèrent que cette stratégie n’est pas suffisamment nuancée : Si la taille a une quelconque importance, les équipes de la NFL en ont déjà tenu compte, et même plus. En revanche, être trop léger semble être un facteur prédictif plus fort de la performance (ou de l’absence de performance), et les équipes de la NFL ne semblent pas en avoir suffisamment tenu compte.
Pour un QB de la taille de Manziel, être repêché même tard dans le premier tour est incroyablement rare. De la fusion de 1967 à 2013, les équipes de la NFL ont sélectionné 209 quarterbacks dans les trois premiers tours de la draft, et pourtant, seuls cinq d’entre eux mesuraient 72 pouces (6 pieds) ou moins. Sur ces cinq, seul Michael Vick (1,80 m) a été sélectionné au premier tour. À titre de comparaison : Depuis 1987, les équipes de la NBA ont drafté cinq joueurs de 6 pieds ou moins rien que dans les 10 premiers choix du premier tour.
Si nous regardions ces cinq quarterbacks seuls, drafter des QB courts semblerait être un pari plutôt bon. Ils ont une valeur approximative (VA)1 de carrière combinée de 260 – supérieure à la VA combinée (210) de tous les 12 QB répertoriés comme 78 pouces (6 pieds 6 pouces) et plus.
Cette comparaison n’est qu’un amusement : c’est un minuscule échantillon, et ces deux groupes comprennent un certain nombre de joueurs actifs avec beaucoup d’années productives devant eux. Mais elle laisse entrevoir des problèmes plus importants dans la façon dont la NFL prend en compte la taille.
De nombreux rapports de scouting pré-draft des médias ne font pas la distinction entre la taille et le poids, se référant fréquemment à la « taille » ou au « volume » d’un joueur à la place. Mais lorsqu’il s’agit de mesurer la taille, la NFL semble être beaucoup plus indulgente avec les quarterbacks légers qu’avec les petits. Le poids moyen d’un quarterback de 71 à 72 pouces est de 202 livres, pourtant 27 quarterbacks de ce poids ou moins ont été draftés dans les trois premiers tours sur la même période (1967-2013), qui n’a vu que cinq QB de cette taille pris.
Pour examiner si cette réticence particulière à repêcher des QB de petite taille (tout en étant prêt à repêcher des QB légers) a un sens, j’ai classé le pool plus large de quarterbacks repêchés (en me limitant à ceux sélectionnés dans les sept premiers tours) en fonction de leur comparaison avec le poids et la taille de Manziel. À partir de là, j’ai comparé l’AV moyenne par saison de chaque groupe pour voir si l’un d’entre eux s’est mieux comporté que les autres.
En regardant la colonne de droite, nous voyons que les QB courts ont fait légèrement mieux en moyenne que les QB non courts (3,0 AV moyenne par saison contre 2,4). Mais même avec sept tours de choix de draft, ce nombre est encore assez faible : seulement 29 QB courts sont inclus dans cette comparaison (les résultats ne sont donc pas statistiquement significatifs).
Mais les colonnes de poids montrent une division frappante entre les quarterbacks de chaque côté de Manziel (2,7 AV moyenne par saison contre 1,6 au total). Il y a un échantillon plus large, aussi : 107 joueurs pesaient 207 livres ou moins, contre 311 qui étaient plus lourds.
Sur cette base, il semble que le recrutement d’un quarterback du poids de Manziel est une proposition plus dangereuse que le recrutement d’un de sa taille. Mais c’est une analyse binaire assez grossière. Parce que le marché de la draft NFL est assez efficace, s’il y avait une relation entre la taille ou le poids et le potentiel de carrière, nous nous attendrions probablement à ce qu’elle soit tarifée dans la position de draft de chaque quarterback (ou si un quarterback est drafté du tout).
Détendons donc l’enquête pour inclure la position de draft de chaque quarterback. Ensuite, plutôt que de diviser les joueurs en groupes, examinons les corrélations globales entre la taille, le poids et le choix2 et quelques métriques de QB différentes – la valeur approximative, les verges par match et les verges par tentative3. (Pour cette comparaison, j’ai filtré les QB draftés après 2008.)
Ce regroupement de barres sur la gauche nous montre que la taille est au moins un peu corrélée à la valeur approximative, aux yards par jeu et aux yards par tentative – mais elle est beaucoup mieux corrélée à la position de draft du QB. En d’autres termes, la taille semble nous en dire moins que le poids, et ce qu’elle nous dit, nous sommes plus susceptibles de l’avoir déjà su.
Bien que les corrélations seules ne nous disent pas ce qui cause quoi, jusqu’à présent, c’est un résultat plutôt médiocre pour la taille en tant que prédicteur de la performance du quarterback. Mais il y a encore beaucoup de possibilités, donc pour avoir une meilleure idée de quelles variables font quel travail, j’ai créé des modèles de régression qui utilisent la taille, le poids et le choix de draft pour prédire une variété de métriques, puis j’ai comparé l’importance de chaque variable pour chaque modèle.
Ces régressions ont produit des « valeurs t », des mesures de base de la fiabilité prédictive de chaque variable4. Dans ce cas, nous recherchons une valeur minimale de 2,0,5
Non seulement la taille n’est pas un bon prédicteur lorsqu’elle est combinée au poids et à l’emplacement du pic, mais elle est légèrement négative (bien que pour être un prédicteur négatif statistiquement significatif, nous voudrions voir des valeurs inférieures à -2,0). Cela ne signifie pas que la taille est mauvaise, cela signifie simplement que – quelle que soit sa valeur – les équipes de la NFL la surévaluent probablement.
Le poids, cependant, est un prédicteur hautement significatif pour ces paramètres.6 Puisque l’emplacement de la draft est inclus comme entrée pour cette régression, cela suggère fortement que les équipes de la NFL n’ont pas suffisamment évalué le poids dans leurs sélections.
Il y a un certain nombre de raisons possibles pour cela. Ma supposition serait que cela a quelque chose à voir avec la physicalité du jeu NFL, et que les équipes peuvent s’enticher de l’habileté ou de la précision d’un QB et sous-évaluer sa force ou sa durabilité. Mais comprendre exactement pourquoi le poids est si prédictif est une toute autre enquête, et qui pourrait être trop compliquée pour la quantité de données disponibles.7 Donc, au lieu de plonger plus profondément, simplifions.
La chose qui nous intéresse vraiment est de savoir si un QB a une carrière minimalement réussie. Pour tester cela, j’ai fixé le seuil de » carrière réussie » à environ 32 AV, ce qui met à part plus ou moins les 100 premiers QB draftés depuis 1967.8 Fondamentalement, notre seuil de » réussite » va être tous les bons QB dont vous avez entendu parler, jusqu’à environ des personnes comme Joey Harrington, Rick Mirer, Vince Young, Byron Leftwich ou (en remontant plus loin) Steve Spurrier. Alors que le pire des quarterbacks » à succès » peut vous sembler assez mauvais (Tim Couch, fans des Browns ?), près des deux tiers des quarterbacks sélectionnés au 22e rang général (la position de draft de Manziel) seront probablement encore pires.
Nous pouvons prédire la probabilité de base qu’un QB soit » à succès » ou non en utilisant une régression logistique9 avec seulement sa position de draft10. J’ai regroupé les QB en arrondissant leur poids aux 5 livres les plus proches, puis j’ai calculé combien d’entre eux auraient dû avoir une carrière « réussie » en fonction de leur position de repêchage, et j’ai ensuite comparé ce chiffre au nombre d’entre eux qui l’ont réellement fait. Une fois que cela a été fait, j’ai tracé la façon dont chaque groupe a réussi par rapport à nos attentes.
La ligne rouge montre à quel point un QB d’un poids donné a plus ou moins de chances de réussir que ce que nous attendrions sur la base de sa seule position de draft.11 Manziel est répertorié comme pesant 207 livres. D’après le modèle, nous nous attendrions à ce qu’environ 19 pour cent moins de QB de 207 livres réussissent que ce à quoi nous nous attendrions en fonction de leur position de draft.
Les chances de « réussir » pour un QB pris 22e au total sont d’environ 34 pour cent. Les chances de réussite d’un quarterback de 207 livres sélectionné au 22e rang général sont d’environ 27 pour cent (81 pour cent de 34 pour cent). En termes de sélection, c’est à peu près la même chose qu’un quarterback de poids moyen sélectionné en 38ème position – une baisse substantielle mais certainement pas accablante. Nous pouvons faire le même genre de calcul pour chaque position de draft.
D’autre part, Manziel était projeté pour aller plus haut dans le draft. Il est possible qu’il ait été injustement pénalisé pour sa taille, mais pas assez pour son poids.
Si les Browns avaient sélectionné Manziel avec le huitième choix, l’ajustement taille-poids de mon modèle (qui est essentiellement un ajustement du poids, puisque la taille n’a pas atteint le seuil d’inclusion), le rendrait à peu près aussi susceptible de réussir qu’un choix n° 16. Cela correspondrait assez bien aux décisions réelles des Browns le jour de la draft : passer sur Manziel avec le huitième choix, mais ensuite échanger vers le haut pour le prendre avec le 22e.
Je ne suis pas en amour avec cette métrique – ou vraiment toutes les métriques d’évaluation QB – mais il résume bien, et pour tester des hypothèses à l’échelle de la ligue, pratiquement toute métrique raisonnable fera l’affaire.
Je ne suis pas amoureux de cette métrique – ou vraiment de toute métrique d’évaluation des QB – mais elle résume bien, et pour tester des hypothèses à l’échelle de la ligue, pratiquement toute métrique raisonnable fera l’affaire.
Techniquement, ces corrélations utilisent le logarithme du choix de chaque joueur, comme toutes les régressions de cet article.
Je ne suis pas amoureux de cette métrique – ou vraiment de toutes les métriques d’évaluation des QB – mais elle résume bien, et pour tester des hypothèses à l’échelle de la ligue, pratiquement n’importe quelle métrique raisonnable fera l’affaire.
Techniquement, ces corrélations utilisent le logarithme du choix de chaque joueur, comme toutes les régressions de cet article.
Si vous vous demandez pourquoi je n’utilise pas de mesures d’efficacité plus compliquées comme le Passer Rating, le QBR d’ESPN ou le Win Percentage Added de Brian Burke, c’est parce que je pense qu’elles correspondent toutes beaucoup trop fortement au style et à la qualité de l’équipe et de l’attaque d’un QB – du moins pour ces objectifs. Si vous effectuez des comparaisons très fines, vous êtes peut-être prêt à accepter ce coût en échange de la plus grande précision de ces mesures, mais pour évaluer l’impact à long terme de centaines de QB, je préfère utiliser des mesures plus larges. Ce que je veux surtout savoir, c’est la probabilité que ces joueurs aient des carrières longues et productives.
Je ne suis pas amoureux de cette métrique – ou vraiment de toutes les métriques d’évaluation des QB – mais elle additionne bien, et pour tester des hypothèses à l’échelle de la ligue, pratiquement toute métrique raisonnable fera l’affaire.
Techniquement, ces corrélations utilisent le logarithme du choix de chaque joueur, comme toutes les régressions de cet article.
Si vous vous demandez pourquoi je n’utilise pas de mesures d’efficacité plus compliquées comme le Passer Rating, le QBR d’ESPN ou le Win Percentage Added de Brian Burke, c’est parce que je pense qu’elles correspondent toutes beaucoup trop fortement au style et à la qualité de l’équipe et de l’attaque d’un QB – du moins pour ces objectifs. Si vous effectuez des comparaisons très fines, vous êtes peut-être prêt à accepter ce coût en échange de la plus grande précision de ces mesures, mais pour évaluer l’impact à long terme de centaines de QB, je préfère utiliser des mesures plus larges. Ce que je veux surtout savoir, c’est la probabilité que ces joueurs aient des carrières longues et productives.
C’est le poids que vous devriez mettre sur la variable divisé par son erreur moyenne.
Je ne suis pas amoureux de cette métrique – ou vraiment de toutes les métriques de QB rating – mais elle résume bien, et pour tester des hypothèses à l’échelle de la ligue, pratiquement toute métrique raisonnable fera l’affaire.
Techniquement, ces corrélations utilisent le logarithme du choix de chaque joueur, comme toutes les régressions de cet article.
Si vous vous demandez pourquoi je n’utilise pas de mesures d’efficacité plus compliquées comme le Passer Rating, le QBR d’ESPN ou le Win Percentage Added de Brian Burke, c’est parce que je pense qu’elles correspondent toutes beaucoup trop fortement au style et à la qualité de l’équipe et de l’attaque d’un QB – du moins pour ces objectifs. Si vous faites des comparaisons très fines, vous pouvez être prêt à accepter ce coût en échange de la plus grande précision de ces mesures, mais pour évaluer l’impact à long terme de centaines de QBs, je préfère utiliser des mesures plus larges. Ce que je veux surtout savoir, c’est la probabilité que ces joueurs aient des carrières longues et productives.
C’est le poids que vous devriez mettre sur la variable divisée par son erreur moyenne.
C’est à peu près le seuil de la » signification statistique « , ce qui signifie que la correspondance observée dans les données se produirait moins de 5 % du temps par hasard. Il s’agit de la quantité minimale de confiance dont vous avez besoin dans une variable pour que son utilisation vaille la peine.
Je ne suis pas amoureux de cette métrique – ou vraiment de toutes les métriques de QB rating – mais elle additionne bien, et pour tester des hypothèses à l’échelle de la ligue, pratiquement toute métrique raisonnable fera l’affaire.
Techniquement, ces corrélations utilisent le logarithme du choix de chaque joueur, comme toutes les régressions de cet article.
Si vous vous demandez pourquoi je n’utilise pas de mesures d’efficacité plus compliquées comme le Passer Rating, le QBR d’ESPN ou le Win Percentage Added de Brian Burke, c’est parce que je pense qu’elles correspondent toutes beaucoup trop fortement au style et à la qualité de l’équipe et de l’attaque d’un QB – du moins pour ces objectifs. Si vous faites des comparaisons à grain fin, vous pouvez être prêt à accepter ce coût en échange de la plus grande précision de ces métriques, mais pour évaluer les impacts à long terme de centaines de QB, je préfère utiliser des mesures plus larges. Ce que je veux surtout savoir, c’est la probabilité que ces joueurs aient des carrières longues et productives.
C’est le poids que vous devriez mettre sur la variable divisée par son erreur moyenne.
C’est à peu près le seuil de la » signification statistique « , ce qui signifie que la correspondance observée dans les données se produirait moins de 5 % du temps par hasard. Il s’agit de la quantité minimale de confiance dont vous avez besoin dans une variable pour que son utilisation vaille la peine.
Comme c’est le cas pour la plupart des métriques à des degrés divers, bien qu’il ait tendance à faire mieux sur des bases par jeu et par année.
Je ne suis pas amoureux de cette métrique – ou vraiment de toutes les métriques de QB rating – mais elle somme bien, et pour tester des hypothèses à l’échelle de la ligue, pratiquement toute métrique raisonnable fera l’affaire.
Techniquement, ces corrélations utilisent le logarithme du choix de chaque joueur, comme toutes les régressions de cet article.
Si vous vous demandez pourquoi je n’utilise pas de mesures d’efficacité plus compliquées comme le Passer Rating, le QBR d’ESPN ou le Win Percentage Added de Brian Burke, c’est parce que je pense qu’elles correspondent toutes beaucoup trop fortement au style et à la qualité de l’équipe et de l’attaque d’un QB – du moins pour ces objectifs. Si vous effectuez des comparaisons très fines, vous êtes peut-être prêt à accepter ce coût en échange de la plus grande précision de ces mesures, mais pour évaluer l’impact à long terme de centaines de QB, je préfère utiliser des mesures plus larges. Ce que je veux surtout savoir, c’est la probabilité que ces joueurs aient des carrières longues et productives.
C’est le poids que vous devriez mettre sur la variable divisée par son erreur moyenne.
C’est à peu près le seuil de la » signification statistique « , ce qui signifie que la correspondance observée dans les données se produirait moins de 5 % du temps par hasard. Il s’agit de la quantité minimale de confiance dont vous avez besoin dans une variable pour que son utilisation vaille la peine.
Comme c’est le cas pour la plupart des métriques à des degrés divers, bien qu’il ait tendance à faire mieux sur des bases par jeu et par année.
C’est fondamentalement le principal défi de chaque problème lié à la NFL.
Je ne suis pas amoureux de cette métrique – ou vraiment de toutes les métriques de QB rating – mais elle somme bien, et pour tester des hypothèses à l’échelle de la ligue, pratiquement toute métrique raisonnable fera l’affaire.
Techniquement, ces corrélations utilisent le logarithme du choix de chaque joueur, comme toutes les régressions de cet article.
Si vous vous demandez pourquoi je n’utilise pas de mesures d’efficacité plus compliquées comme le Passer Rating, le QBR d’ESPN ou le Win Percentage Added de Brian Burke, c’est parce que je pense qu’elles correspondent toutes beaucoup trop fortement au style et à la qualité de l’équipe et de l’attaque d’un QB – du moins pour ces objectifs. Si vous effectuez des comparaisons très fines, vous êtes peut-être prêt à accepter ce coût en échange de la plus grande précision de ces mesures, mais pour évaluer l’impact à long terme de centaines de QB, je préfère utiliser des mesures plus larges. Ce que je veux surtout savoir, c’est la probabilité que ces joueurs aient des carrières longues et productives.
C’est le poids que vous devriez mettre sur la variable divisée par son erreur moyenne.
C’est à peu près le seuil de la » signification statistique « , ce qui signifie que la correspondance observée dans les données se produirait moins de 5 % du temps par hasard. Il s’agit de la quantité minimale de confiance dont vous avez besoin dans une variable pour que son utilisation vaille la peine.
Comme c’est le cas pour la plupart des métriques à des degrés divers, bien qu’il ait tendance à faire mieux sur des bases par jeu et par année.
C’est en fait le principal défi de tout problème lié à la NFL.
Notez que l’endroit exact où nous traçons la ligne n’a pas vraiment d’importance, mais plutôt le fait que nous tracions une ligne : Tout fera l’affaire pour un baromètre.
Je ne suis pas amoureux de cette métrique – ou vraiment de toutes les métriques d’évaluation des QB – mais elle somme bien, et pour tester des hypothèses à l’échelle de la ligue, pratiquement toute métrique raisonnable fera l’affaire.
Techniquement, ces corrélations utilisent le logarithme du choix de chaque joueur, comme toutes les régressions de cet article.
Si vous vous demandez pourquoi je n’utilise pas de mesures d’efficacité plus compliquées comme le Passer Rating, le QBR d’ESPN ou le Win Percentage Added de Brian Burke, c’est parce que je pense qu’elles correspondent toutes beaucoup trop fortement au style et à la qualité de l’équipe et de l’attaque d’un QB – du moins pour ces objectifs. Si vous effectuez des comparaisons très fines, vous êtes peut-être prêt à accepter ce coût en échange de la plus grande précision de ces mesures, mais pour évaluer l’impact à long terme de centaines de QB, je préfère utiliser des mesures plus larges. Ce que je veux surtout savoir, c’est la probabilité que ces joueurs aient des carrières longues et productives.
C’est le poids que vous devriez mettre sur la variable divisée par son erreur moyenne.
C’est à peu près le seuil de la » signification statistique « , ce qui signifie que la correspondance observée dans les données se produirait moins de 5 % du temps par hasard. Il s’agit de la quantité minimale de confiance dont vous avez besoin dans une variable pour que son utilisation vaille la peine.
Comme c’est le cas pour la plupart des métriques à des degrés divers, bien qu’il ait tendance à faire mieux sur des bases par jeu et par année.
C’est en fait le principal défi de tout problème lié à la NFL.
Notez que l’endroit exact où nous traçons la ligne n’a pas vraiment d’importance, mais plutôt le fait que nous tracions une ligne : N’importe quoi fera l’affaire pour un baromètre.
Une régression qui prédit des résultats binaires comme des victoires/pertes, bon/mauvais, etc.
Je ne suis pas amoureux de cette métrique – ou vraiment de toutes les métriques de QB rating – mais elle additionne bien, et pour tester des hypothèses à l’échelle de la ligue, pratiquement n’importe quelle métrique raisonnable fera l’affaire.
Techniquement, ces corrélations utilisent le logarithme du choix de chaque joueur, comme toutes les régressions de cet article.
Si vous vous demandez pourquoi je n’utilise pas de mesures d’efficacité plus compliquées comme le Passer Rating, le QBR d’ESPN ou le Win Percentage Added de Brian Burke, c’est parce que je pense qu’elles correspondent toutes beaucoup trop fortement au style et à la qualité de l’équipe et de l’attaque d’un QB – du moins pour ces objectifs. Si vous effectuez des comparaisons très fines, vous êtes peut-être prêt à accepter ce coût en échange de la plus grande précision de ces mesures, mais pour évaluer l’impact à long terme de centaines de QB, je préfère utiliser des mesures plus larges. Ce que je veux surtout savoir, c’est la probabilité que ces joueurs aient des carrières longues et productives.
C’est le poids que vous devriez mettre sur la variable divisée par son erreur moyenne.
C’est à peu près le seuil de la » signification statistique « , ce qui signifie que la correspondance observée dans les données se produirait moins de 5 % du temps par hasard. Il s’agit de la quantité minimale de confiance dont vous avez besoin dans une variable pour que son utilisation vaille la peine.
Comme c’est le cas pour la plupart des métriques à des degrés divers, bien qu’il ait tendance à faire mieux sur des bases par jeu et par année.
C’est en fait le principal défi de tout problème lié à la NFL.
Notez que l’endroit exact où nous traçons la ligne n’a pas vraiment d’importance, mais plutôt le fait que nous tracions une ligne : N’importe quoi fera l’affaire pour un baromètre.
Une régression qui prédit des résultats binaires comme des gains/pertes, bon/mauvais, etc.
Au cas où cela vous intéresserait, la formule Excel pour cela est =1/(1+EXP(-(1,1536-0.40511*))), où est le logarithme de la position de draft du QB en base 2 (ou log(,2)).
Je ne suis pas amoureux de cette métrique – ou vraiment de toutes les métriques de QB rating – mais elle somme bien, et pour tester des hypothèses à l’échelle de la ligue, pratiquement toute métrique raisonnable fera l’affaire.
Techniquement, ces corrélations utilisent le logarithme du choix de chaque joueur, comme toutes les régressions de cet article.
Si vous vous demandez pourquoi je n’utilise pas de mesures d’efficacité plus compliquées comme le Passer Rating, le QBR d’ESPN ou le Win Percentage Added de Brian Burke, c’est parce que je pense qu’elles correspondent toutes beaucoup trop fortement au style et à la qualité de l’équipe et de l’attaque d’un QB – du moins pour ces objectifs. Si vous effectuez des comparaisons très fines, vous êtes peut-être prêt à accepter ce coût en échange de la plus grande précision de ces mesures, mais pour évaluer l’impact à long terme de centaines de QB, je préfère utiliser des mesures plus larges. Ce que je veux surtout savoir, c’est la probabilité que ces joueurs aient des carrières longues et productives.
C’est le poids que vous devriez mettre sur la variable divisée par son erreur moyenne.
C’est à peu près le seuil de la » signification statistique « , ce qui signifie que la correspondance observée dans les données se produirait moins de 5 % du temps par hasard. Il s’agit de la quantité minimale de confiance dont vous avez besoin dans une variable pour que son utilisation vaille la peine.
Comme c’est le cas pour la plupart des métriques à des degrés divers, bien qu’il ait tendance à faire mieux sur des bases par jeu et par année.
C’est en fait le principal défi de tout problème lié à la NFL.
Notez que l’endroit exact où nous traçons la ligne n’a pas vraiment d’importance, mais plutôt le fait que nous tracions une ligne : N’importe quoi fera l’affaire pour un baromètre.
Une régression qui prédit des résultats binaires comme des gains/pertes, bon/mauvais, etc.
Au cas où cela vous intéresserait, la formule Excel pour cela est =1/(1+EXP(-(1,1536-0.40511*))), où est le logarithme de la position de draft du QB en base 2 (ou log(,2)).
En Excel, cette formule est : =((1/(1+EXP(-(-7.814506+0,031653*))))-0,272723209)/0,272723209.
Le meilleur de FiveThirtyEight, livré à vous.
.