“Ha 6-5, 230 éves vagy, futsz egy bizonyos időt, van vagy 35 olyan ember, akivel össze tudlak hasonlítani, aki sikeres volt ebben a ligában. Ha 5-11 éves vagy, akkor kettő, kivéve, ha visszamész Fran Tarkentonhoz: Doug Flutie és Russell Wilson. Ez nem túl jó esély számomra. Még mindig lehet, hogy sikerül, de a történelem szerint nem. Csak azért, mert 5-11-es vagy, még nem jelenti azt, hogy nem lehetsz sikeres. Johnnynak varázsereje van.” – Bruce Arians, az Arizona Cardinals vezetőedzője
“Úgy érzem, úgy játszom, mintha 3 méter magas lennék”. – Johnny Manziel
A februári NFL scouting combine-on a rendkívül népszerű, Heisman Trophy-győztes irányító, Johnny Manziel hivatalosan 71¾ hüvelyk és 207 font volt. Alacsony termete olyannyira téma volt a 2014-es NFL-draft előtt, hogy a média nem tudott ellenállni a szóvicceknek: “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?” (CBS Cleveland). (CantonRep.com).
A Cleveland Browns végül az első kör 22. helyén választotta ki Manzielt. Mivel több QB-éhes csapat is a draft élmezőnyének közelében volt (köztük a Browns, amely két korábbi esélyt is elszalasztott Manziel draftolására, először a negyedik választási helyről való cserével, majd Justin Gilbert nyolcadik választásával), a legtöbben arra számítottak, hogy magasabbra kerül.
Nem tudjuk, miért került Manziel oda, ahova, de azt tudjuk, hogy alulméretezett a pozíciójához képest. És történelmileg az NFL csapatok megközelítése az alulméretezett QB-kkel szemben az volt, hogy nem draftolják őket – ha alacsonyak. A kutatásaim szerint ez a stratégia nem eléggé árnyalt: Ha a magasság egyáltalán számít, az NFL-csapatok már figyelembe vették, és még többet is. A túl alacsony testsúly viszont erősebb előrejelzője a teljesítménynek (vagy annak hiányának), és úgy tűnik, hogy az NFL-csapatok ezt nem vették eléggé figyelembe.
Egy Manziel magasságú QB esetében hihetetlenül ritka, hogy még az első kör végén is draftolják. Az 1967-es egyesüléstől 2013-ig az NFL-csapatok 209 irányítót választottak ki a draft első három körében, de közülük mindössze öten voltak 72 hüvelyk (6 láb) vagy annál alacsonyabbak. Ebből az ötből csak Michael Vicket (aki 6 lábasnak van feltüntetve) választották ki az első körben. Összehasonlításképpen: 1987 óta az NBA-csapatok csak az első kör első 10 választása során öt 6 láb magas vagy annál alacsonyabb játékost draftoltak.
Ha csak ezt az öt irányítót néznénk, az alacsony QB-k draftolása elég jó fogadásnak tűnne. Az ő összesített karrierjük hozzávetőleges értéke (AV)1 260 – nagyobb, mint a 78 hüvelykes (6 láb 6 hüvelyk) vagy annál magasabbként felsorolt 12 QB együttes AV-je (210).
Az összehasonlítás csak szórakoztatásra szolgál: ez egy apró minta, és mindkét csoportban számos aktív játékos van, akik előtt még sok produktív év áll. De nagyobb problémákra utal azzal kapcsolatban, hogy az NFL hogyan veszi figyelembe a magasságot.
A média számos, a draft előtti scouting jelentésében nem tesz különbséget a magasság és a súly között, gyakran a játékosok “méretét” vagy “tömegét” említi. De amikor a méretmutatókról van szó, úgy tűnik, hogy az NFL sokkal elnézőbb a könnyű hátvédekkel szemben, mint az alacsonyakkal. Egy 71-72 centis irányító átlagos súlya 202 font, mégis 27 ilyen vagy annál kisebb súlyú irányítót draftoltak az első három körben ugyanebben az időszakban (1967-2013), amikor csak öt ilyen magas irányítót vettek fel.
Azért, hogy megvizsgáljam, van-e értelme ennek a bizonyos vonakodásnak az alacsony QB-k draftolásától (miközben a könnyű QB-ket szívesen draftolják), osztályoztam a draftolt irányítók szélesebb körét (az első hét fordulóban kiválasztott irányítókra korlátozva) az alapján, hogy hogyan viszonyultak Manziel súlyához és magasságához. Innen összehasonlítottam az egyes csoportok szezononkénti átlagos AV-ját, hogy lássam, valamelyik csoport jobban teljesített-e a többinél.
A jobb oldali oszlopot nézve azt látjuk, hogy az alacsony QB-k átlagosan valamivel jobban teljesítettek, mint a nem alacsony QB-k (3,0 átlagos AV szezononként, szemben a 2,4-gyel). De ez a szám még hét körös draftválasztás mellett is elég kicsi: mindössze 29 rövid QB szerepel ebben az összehasonlításban (így az eredmények statisztikailag nem szignifikánsak).
A súlyoszlopok azonban erős különbséget mutatnak a Manziel két oldalán álló irányítók között (2,7 átlagos AV szezononként vs. 1,6 összességében). A minta is szélesebb: 107 játékos 207 fontot vagy annál kevesebbet nyomott, szemben a 311 nehezebbel.
Ez alapján úgy tűnik, hogy Manziel súlyú irányítót draftolni sokkal veszélyesebb vállalkozás, mint a magasságához hasonlót. De ez egy elég durva bináris elemzés. Mivel az NFL draftpiaca meglehetősen hatékony, ha lenne kapcsolat a magasság vagy a súly és a karrierpotenciál között, akkor valószínűleg azt várnánk, hogy ez be van árazva az egyes irányítók draftpozíciójába (vagy abba, hogy egy irányítót egyáltalán draftolnak-e).
Tágítsuk ki tehát a vizsgálatot az egyes irányítók draftpozíciójára. Ezután ahelyett, hogy csoportokra bontanánk a játékosokat, nézzük meg a magasság, a súly és a pick2 és néhány különböző QB-mérőszám – Approximate Value, yards per game és yards per attempt – közötti általános összefüggéseket.3 (Ehhez az összehasonlításhoz kiszűrtem a 2008-nál később draftolt QB-ket.)
A bal oldali sávok csoportosítása azt mutatja, hogy a magasság legalább egy kicsit korrelál a hozzávetőleges értékkel, a meccsenkénti yardokkal és a kísérletenkénti yardokkal – de sokkal jobban korrelál a QB draftpozíciójával. A súly viszont sokkal jobban korrelál a QB-mérőinkkel, és ami fontos, kevésbé korrelál a draftpozícióval.
Más szóval, úgy tűnik, a magasság kevesebbet mond, mint a súly, és amit mond, azt nagyobb valószínűséggel már tudtuk.
Míg a korrelációk önmagukban nem mondják meg, hogy mi mit okoz, addig ez egy elég gyenge eredmény a magasság mint az irányító teljesítményének előrejelzője szempontjából. De még mindig rengeteg lehetőség van, ezért, hogy jobban megértsük, mely változók milyen munkát végeznek, regressziós modelleket hoztam létre, amelyek a magasságot, a súlyt és a draftjogot használják különböző mérőszámok előrejelzésére, majd összehasonlítottam, hogy az egyes változók mennyire fontosak az egyes modellekben.
Ezek a regressziók “t-értékeket” eredményeztek, az egyes változók előrejelzési megbízhatóságának alapvető mérőszámait.4 Ebben az esetben legalább 2,0,5
A magasság nem csak, hogy nem jó előrejelző, ha a súlyával és a szedés helyével kombináljuk, hanem enyhén negatív (bár ahhoz, hogy statisztikailag szignifikáns negatív előrejelző legyen, -2,0 alatti értékeket szeretnénk látni). Ez nem azt jelenti, hogy a magasság rossz, csak azt, hogy – bármilyen értéke is van – az NFL-csapatok valószínűleg túlértékelik azt.
A súly viszont nagyon szignifikáns előrejelzője ezeknek a mérőszámoknak.6 Mivel a draft helye is szerepel a regresszió bemeneteként, ez erősen arra utal, hogy az NFL-csapatok nem értékelik eléggé a súlyt a kiválasztásuk során.
Ennek számos lehetséges oka van. Az én tippem az lenne, hogy ennek köze van az NFL-játék fizikalitásához, és hogy a csapatok beleszerethetnek egy QB képességébe vagy pontosságába, és alábecsülik az erejét vagy a tartósságát. De annak kiderítése, hogy pontosan miért jósolja meg a súly ilyen mértékben az előrejelzést, egy teljesen más vizsgálat, amely talán túl bonyolult a rendelkezésre álló adatmennyiséghez képest.7 Ahelyett tehát, hogy mélyebbre merülnénk, egyszerűsítsük le.
Az, ami minket igazán érdekel, az az, hogy egy QB-nek van-e minimálisan sikeres karrierje. Hogy ezt teszteljük, a “sikeres karrier” határát körülbelül 32 AV-nél állapítottam meg, ami nagyjából a legjobb 100 draftolt QB-t különbözteti meg 1967 óta.8 Alapvetően a mi “sikeres” határunk az összes jó QB lesz, akiről hallottál, körülbelül Joey Harrington, Rick Mirer, Vince Young, Byron Leftwich vagy (még régebbre visszamenőleg) Steve Spurrierig. Míg a “sikeres” irányítók közül a legrosszabbak elég rosszul hangozhatnak (Tim Couch, Browns-szurkolók?), a 22. helyen (Manziel draftpozíciója) kiválasztott irányítók közel kétharmada valószínűleg még rosszabb lesz.
Megjósolhatjuk annak alapvalószínűségét, hogy egy QB “sikeres” lesz-e vagy sem, ha logisztikus regressziót9 használunk csak a draftpozíciójával.10 A QB-ket úgy csoportosítottam, hogy a súlyukat a legközelebbi 5 fontra kerekítettem, majd kiszámoltam, hogy ebből a csoportból hánynak kellett volna “sikeres” karriert futnia az egyes draftpozíciók alapján, majd ezt összehasonlítottam a ténylegesen sikeres pályafutásukkal. Miután ez megtörtént, ábrázoltam, hogy az egyes csoportok mennyire voltak sikeresek az elvárásainkhoz képest.
A piros vonal azt mutatja, hogy egy adott súlyú QB mennyivel nagyobb vagy kisebb valószínűséggel lesz sikeres, mint amennyit csak a draftpozíciója alapján várnánk.11 Manziel 207 fontként van feltüntetve. A modell alapján körülbelül 19 százalékkal kevesebb 207 kilós QB-nek kellene sikeresnek lennie, mint amennyit a draftpozíciója alapján várnánk.
A 22. helyen kiválasztott QB “sikerének” esélye körülbelül 34 százalék. Annak az esélye, hogy a 22. helyen kiválasztott 207 kilós irányító sikeres lesz, körülbelül 27 százalék (a 34 százalék 81 százaléka). Draft-pick szempontjából ez nagyjából ugyanannyi, mint egy átlagosan 38. helyen draftolt irányítóé – ez jelentős, de semmiképpen sem elmarasztaló csökkenés. Ugyanezt a fajta számítást elvégezhetjük az egyes draftpozíciók esetében is.
Másrészt Manziel a drafton magasabbra volt tervezve. Lehetséges, hogy a magassága miatt igazságtalanul bántották, de a súlya miatt nem bántották eléggé.
Ha a Browns a nyolcadik helyen választotta volna Manziel-t, akkor a modellem méret-súly kiigazítása (ami gyakorlatilag egy súly kiigazítás, mivel a magasság nem érte el a felvételi küszöböt) körülbelül olyan valószínűvé tenné, hogy sikeres lesz, mint egy 16. helyen kiválasztott játékos. Ez elég jól egyezne a Browns tényleges draftnapi döntéseivel: a nyolcadik választással kihagyni Manziel-t, de aztán feljebb cserélni, hogy a 22. választással megvegyék őt.
Nem vagyok szerelmes ebbe a metrikába – vagy igazából bármilyen QB-értékelési metrikába -, de jól összegez, és a liga egészére vonatkozó hipotézisek teszteléséhez gyakorlatilag bármilyen ésszerű metrika megfelel.
Nem vagyok szerelmes ebbe a metrikába – vagy igazából bármilyen QB rating metrikába -, de jól összegez, és a liga szintű hipotézisek tesztelésére gyakorlatilag bármilyen ésszerű metrika megfelel.
Technikailag ezek a korrelációk az egyes játékosok pickjének logaritmusát használják, ahogyan a cikk összes regressziója is.
Nem vagyok szerelmes ebbe a metrikába – vagy igazából semmilyen QB rating metrikába -, de jól összegez, és a liga egészére vonatkozó hipotézisek tesztelésére gyakorlatilag bármilyen ésszerű metrika megfelel.
Technikailag ezek a korrelációk az egyes játékosok pickjének logaritmusát használják, ahogyan a cikk összes regressziója is.
Ha azon tűnődsz, hogy miért nem használok bonyolultabb hatékonysági mérőszámokat, mint a Passer Rating, az ESPN QBR vagy Brian Burke Win Percentage Added, akkor azért, mert szerintem ezek mind túlságosan erősen megfelelnek egy QB csapatának és támadásának stílusának és minőségének – legalábbis ezekhez a célokhoz. Ha finomszemcsés összehasonlításokat végzel, talán hajlandó vagy elfogadni ezt a költséget az említett mérőszámok nagyobb pontosságáért cserébe, de QB-k százainak hosszú távú hatásainak értékeléséhez inkább szélesebb körű mérőszámokat használok. Leginkább arra vagyok kíváncsi, hogy ezeknek a játékosoknak milyen valószínűséggel volt hosszú, produktív karrierjük.
Nem vagyok szerelmes ebbe a metrikába – vagy igazából semmilyen QB-értékelési metrikába -, de jól összegez, és a liga egészére vonatkozó hipotézisek tesztelésére gyakorlatilag bármilyen ésszerű metrika megfelel.
Technikailag ezek a korrelációk az egyes játékosok választásának logaritmusát használják, ahogyan a cikk összes regressziója is.
Ha azon tűnődsz, hogy miért nem használok bonyolultabb hatékonysági mérőszámokat, mint a Passer Rating, az ESPN QBR vagy Brian Burke Win Percentage Added, akkor azért, mert szerintem ezek mind túlságosan erősen megfelelnek egy QB csapatának és támadásának stílusának és minőségének – legalábbis ezekhez a célokhoz. Ha finomszemcsés összehasonlításokat végzel, talán hajlandó vagy elfogadni ezt a költséget az említett mérőszámok nagyobb pontosságáért cserébe, de QB-k százainak hosszú távú hatásainak értékeléséhez inkább szélesebb körű mérőszámokat használok. Leginkább arra vagyok kíváncsi, hogy ezeknek a játékosoknak milyen valószínűséggel volt hosszú, eredményes pályafutásuk.
Ez az a súly, amit a változóra kell helyezned, osztva az átlagos hibájával.
Nem vagyok szerelmes ebbe a metrikába – vagy igazából semmilyen QB rating metrikába -, de jól összegez, és a liga egészére vonatkozó hipotézisek tesztelésére gyakorlatilag bármilyen ésszerű metrika megfelel.
Technikailag ezek a korrelációk az egyes játékosok választásának logaritmusát használják, ahogyan a cikk összes regressziója is.
Ha azon tűnődsz, hogy miért nem használok bonyolultabb hatékonysági mérőszámokat, mint a Passer Rating, az ESPN QBR vagy Brian Burke Win Percentage Added, akkor azért, mert szerintem ezek mind túlságosan erősen megfelelnek egy QB csapatának és támadásának stílusának és minőségének – legalábbis ezekhez a célokhoz. Ha finomszemcsés összehasonlításokat végzel, talán hajlandó vagy elfogadni ezt a költséget az említett mérőszámok nagyobb pontosságáért cserébe, de QB-k százainak hosszú távú hatásainak értékeléséhez inkább szélesebb körű mérőszámokat használok. Leginkább arra vagyok kíváncsi, hogy ezeknek a játékosoknak milyen valószínűséggel volt hosszú, eredményes pályafutásuk.
Ez az a súly, amit a változóra kell helyezned, osztva az átlagos hibájával.
Ez körülbelül a “statisztikai szignifikancia” határértéke, ami azt jelenti, hogy az adatokban látható megfelelés véletlenszerűen az esetek kevesebb mint 5 százalékában fordulna elő. Ez körülbelül az a minimális bizalom, amire szükséged van egy változóval kapcsolatban ahhoz, hogy érdemes legyen használni.
Nem vagyok szerelmes ebbe a metrikába – vagy igazából semmilyen QB rating metrikába -, de jól összegez, és a liga egészére vonatkozó hipotézisek teszteléséhez gyakorlatilag bármilyen ésszerű metrika megfelel.
Technikailag ezek a korrelációk az egyes játékosok választásának logaritmusát használják, ahogyan a cikk összes regressziója is.
Ha azon tűnődsz, hogy miért nem használok bonyolultabb hatékonysági mérőszámokat, mint a Passer Rating, az ESPN QBR vagy Brian Burke Win Percentage Added, akkor azért, mert szerintem ezek mind túlságosan erősen megfelelnek egy QB csapatának és támadásának stílusának és minőségének – legalábbis ezekhez a célokhoz. Ha finomszemcsés összehasonlításokat készítesz, akkor hajlandó lehetsz elfogadni ezt a költséget az ilyen mérőszámok nagyobb pontosságáért cserébe, de több száz QB hosszú távú hatásának értékeléséhez inkább szélesebb körű méréseket használok. Leginkább arra vagyok kíváncsi, hogy ezeknek a játékosoknak milyen valószínűséggel volt hosszú, produktív pályafutásuk.
Ez az a súly, amit a változóra kell helyezned, osztva az átlagos hibájával.
Ez körülbelül a “statisztikai szignifikancia” határértéke, ami azt jelenti, hogy az adatokban látható megfelelés véletlenszerűen az esetek kevesebb mint 5 százalékában fordulna elő. Körülbelül ez az a minimális bizalom, amire szükséged van egy változóval kapcsolatban ahhoz, hogy érdemes legyen használni.”
A legtöbb mérőszám esetében ez változó mértékben igaz, bár általában a játékonkénti és évenkénti alapokon teljesít a legjobban.
Nem vagyok szerelmes ebbe a metrikába – vagy igazából semmilyen QB rating metrikába -, de jól összegez, és a liga egészére vonatkozó hipotézisek tesztelésére gyakorlatilag bármilyen ésszerű metrika megfelel.
Technikailag ezek a korrelációk az egyes játékosok választásának logaritmusát használják, ahogyan a cikk összes regressziója is.
Ha azon tűnődsz, hogy miért nem használok bonyolultabb hatékonysági mérőszámokat, mint a Passer Rating, az ESPN QBR vagy Brian Burke Win Percentage Added, akkor azért, mert szerintem ezek mind túlságosan erősen megfelelnek egy QB csapatának és támadásának stílusának és minőségének – legalábbis ezekhez a célokhoz. Ha finomszemcsés összehasonlításokat végzel, talán hajlandó vagy elfogadni ezt a költséget az említett mérőszámok nagyobb pontosságáért cserébe, de QB-k százainak hosszú távú hatásainak értékeléséhez inkább szélesebb körű mérőszámokat használok. Leginkább arra vagyok kíváncsi, hogy ezeknek a játékosoknak milyen valószínűséggel volt hosszú, eredményes pályafutásuk.
Ez az a súly, amit a változóra kell helyezned, osztva az átlagos hibájával.
Ez körülbelül a “statisztikai szignifikancia” határértéke, ami azt jelenti, hogy az adatokban látható megfelelés véletlenszerűen az esetek kevesebb mint 5 százalékában fordulna elő. Körülbelül ez az a minimális bizalom, amire szükséged van egy változóval kapcsolatban ahhoz, hogy érdemes legyen használni.”
A legtöbb mérőszám esetében ez változó mértékben igaz, bár általában a játékonkénti és évenkénti bázisokon teljesít a legjobban.
Ez alapvetően a fő kihívás minden NFL-lel kapcsolatos problémánál.
Nem vagyok szerelmes ebbe a metrikába – vagy igazából bármilyen QB rating metrikába -, de jól összegez, és a liga egészére vonatkozó hipotézisek tesztelésére gyakorlatilag bármilyen ésszerű metrika megfelel.
Technikailag ezek a korrelációk az egyes játékosok választásának logaritmusát használják, ahogyan a cikk összes regressziója is.
Ha azon tűnődsz, hogy miért nem használok bonyolultabb hatékonysági mérőszámokat, mint a Passer Rating, az ESPN QBR vagy Brian Burke Win Percentage Added, akkor azért, mert szerintem ezek mind túlságosan erősen megfelelnek egy QB csapatának és támadásának stílusának és minőségének – legalábbis ezekhez a célokhoz. Ha finomszemcsés összehasonlításokat végzel, talán hajlandó vagy elfogadni ezt a költséget az említett mérőszámok nagyobb pontosságáért cserébe, de QB-k százainak hosszú távú hatásainak értékeléséhez inkább szélesebb körű mérőszámokat használok. Leginkább arra vagyok kíváncsi, hogy ezeknek a játékosoknak milyen valószínűséggel volt hosszú, eredményes pályafutásuk.
Ez az a súly, amit a változóra kell helyezned, osztva az átlagos hibájával.
Ez körülbelül a “statisztikai szignifikancia” határértéke, ami azt jelenti, hogy az adatokban látható megfelelés véletlenszerűen az esetek kevesebb mint 5 százalékában fordulna elő. Körülbelül ez az a minimális bizalom, amire szükséged van egy változóval kapcsolatban ahhoz, hogy érdemes legyen használni.”
A legtöbb mérőszám esetében ez változó mértékben igaz, bár általában a játékonkénti és évenkénti alapokon teljesít a legjobban.
Ez alapvetően a fő kihívás minden NFL-lel kapcsolatos problémánál.
Megjegyzendő, hogy nem annyira az számít, hogy pontosan hol húzzuk meg a határt, mint az, hogy egyáltalán meghúzunk egy határt: Bármi megteszi barométernek.
Nem vagyok szerelmes ebbe a metrikába – vagy igazából bármilyen QB rating metrikába -, de jól összegez, és a liga egészére vonatkozó hipotézisek tesztelésére gyakorlatilag bármilyen ésszerű metrika megfelel.
Technikailag ezek a korrelációk az egyes játékosok választásának logaritmusát használják, ahogyan a cikk összes regressziója is.
Ha azon tűnődsz, hogy miért nem használok bonyolultabb hatékonysági mérőszámokat, mint a Passer Rating, az ESPN QBR vagy Brian Burke Win Percentage Added, akkor azért, mert szerintem ezek mind túlságosan erősen megfelelnek egy QB csapatának és támadásának stílusának és minőségének – legalábbis ezekhez a célokhoz. Ha finomszemcsés összehasonlításokat végzel, talán hajlandó vagy elfogadni ezt a költséget az említett mérőszámok nagyobb pontosságáért cserébe, de QB-k százainak hosszú távú hatásainak értékeléséhez inkább szélesebb körű mérőszámokat használok. Leginkább arra vagyok kíváncsi, hogy ezeknek a játékosoknak milyen valószínűséggel volt hosszú, eredményes pályafutásuk.
Ez az a súly, amit a változóra kell helyezned, osztva az átlagos hibájával.
Ez körülbelül a “statisztikai szignifikancia” határértéke, ami azt jelenti, hogy az adatokban látható megfelelés véletlenszerűen az esetek kevesebb mint 5 százalékában fordulna elő. Körülbelül ez az a minimális bizalom, amire szükséged van egy változóval kapcsolatban ahhoz, hogy érdemes legyen használni.”
A legtöbb mérőszám esetében ez változó mértékben igaz, bár általában a játékonkénti és évenkénti alapokon teljesít a legjobban.
Ez alapvetően a fő kihívás minden NFL-lel kapcsolatos problémánál.
Megjegyzendő, hogy nem annyira az számít, hogy pontosan hol húzzuk meg a határt, mint az, hogy egyáltalán meghúzunk egy határt: Bármi megteszi egy barométerhez.
Egy regresszió, amely bináris eredményeket jósol meg, mint győzelem/vereség, jó/rossz stb.
Nem vagyok szerelmes ebbe a metrikába – vagy igazából bármilyen QB rating metrikába -, de jól összegez, és a liga egészére vonatkozó hipotézisek tesztelésére gyakorlatilag bármilyen ésszerű metrika megfelel.
Technikailag ezek a korrelációk az egyes játékosok választásának logaritmusát használják, ahogyan a cikk összes regressziója is.
Ha azon tűnődsz, hogy miért nem használok bonyolultabb hatékonysági mérőszámokat, mint a Passer Rating, az ESPN QBR vagy Brian Burke Win Percentage Added, akkor azért, mert szerintem ezek mind túlságosan erősen megfelelnek egy QB csapatának és támadásának stílusának és minőségének – legalábbis ezekhez a célokhoz. Ha finomszemcsés összehasonlításokat végzel, talán hajlandó vagy elfogadni ezt a költséget az említett mérőszámok nagyobb pontosságáért cserébe, de QB-k százainak hosszú távú hatásainak értékeléséhez inkább szélesebb körű mérőszámokat használok. Leginkább arra vagyok kíváncsi, hogy ezeknek a játékosoknak milyen valószínűséggel volt hosszú, eredményes pályafutásuk.
Ez az a súly, amit a változóra kell helyezned, osztva az átlagos hibájával.
Ez körülbelül a “statisztikai szignifikancia” határértéke, ami azt jelenti, hogy az adatokban látható megfelelés véletlenszerűen az esetek kevesebb mint 5 százalékában fordulna elő. Körülbelül ez az a minimális bizalom, amire szükséged van egy változóval kapcsolatban ahhoz, hogy érdemes legyen használni.”
A legtöbb mérőszám esetében ez változó mértékben igaz, bár általában a játékonkénti és évenkénti bázisokon teljesít a legjobban.
Ez alapvetően a fő kihívás minden NFL-lel kapcsolatos problémánál.
Megjegyzendő, hogy nem annyira az számít, hogy pontosan hol húzzuk meg a határt, mint az, hogy egyáltalán meghúzunk egy határt: Bármi megteszi egy barométerhez.
Egy regresszió, amely bináris eredményeket jósol, például győzelem/vereség, jó/rossz stb.
Ha érdekli, az Excel képlet erre a következő: =1/(1+EXP(-(1.1536-0.40511*)))), ahol a QB draftpozíciójának logaritmusa 2-es bázison (vagy log(,2)).
Nem vagyok szerelmes ebbe a metrikába – vagy igazából bármilyen QB rating metrikába -, de jól összegez, és a liga szintű hipotézisek tesztelésére gyakorlatilag bármilyen ésszerű metrika megfelel.
Technikailag ezek a korrelációk az egyes játékosok választásának logaritmusát használják, ahogyan a cikk összes regressziója is.
Ha azon tűnődsz, hogy miért nem használok bonyolultabb hatékonysági mérőszámokat, mint a Passer Rating, az ESPN QBR vagy Brian Burke Win Percentage Added, akkor azért, mert szerintem ezek mind túlságosan erősen megfelelnek egy QB csapatának és támadásának stílusának és minőségének – legalábbis ezekhez a célokhoz. Ha finomszemcsés összehasonlításokat végzel, talán hajlandó vagy elfogadni ezt a költséget az említett mérőszámok nagyobb pontosságáért cserébe, de QB-k százainak hosszú távú hatásainak értékeléséhez inkább szélesebb körű mérőszámokat használok. Leginkább arra vagyok kíváncsi, hogy ezeknek a játékosoknak milyen valószínűséggel volt hosszú, eredményes pályafutásuk.
Ez az a súly, amit a változóra kell helyezned, osztva az átlagos hibájával.
Ez körülbelül a “statisztikai szignifikancia” határértéke, ami azt jelenti, hogy az adatokban látható megfelelés véletlenszerűen az esetek kevesebb mint 5 százalékában fordulna elő. Körülbelül ez az a minimális bizalom, amire szükséged van egy változóval kapcsolatban ahhoz, hogy érdemes legyen használni.”
A legtöbb mérőszám esetében ez változó mértékben igaz, bár általában a meccsenkénti és évenkénti bázisokon teljesít a legjobban.
Ez alapvetően a fő kihívás minden NFL-lel kapcsolatos problémánál.
Megjegyzendő, hogy nem annyira az számít, hogy pontosan hol húzzuk meg a határt, mint az, hogy egyáltalán meghúzunk egy határt: Bármi megteszi egy barométerhez.
Egy regresszió, amely bináris eredményeket jósol, például győzelem/vereség, jó/rossz stb.
Ha érdekli, az Excel képlet erre a következő: =1/(1+EXP(-(1.1536-0.40511*)))), ahol a QB draftpozíciójának logaritmusa 2-es bázison (vagy log(,2)).
Az Excelben ez a képlet: =((1/(1+EXP(-(-7.814506+0.031653*))))-0.272723209)/0.272723209.
The best of FiveThirtyEight, delivered to you.