“Se sei 6-5, 230, corri un certo tempo, ci sono come 35 ragazzi a cui posso paragonarti che hanno avuto successo in questa lega. Se sei 5-11, ce ne sono due, a meno che non torni a Fran Tarkenton: Doug Flutie e Russell Wilson. Per me non è una buona probabilità. Potresti ancora farcela, ma la storia dice di no. Solo perché sei 5-11 non significa che non puoi avere successo. Johnny ha la magia”. – Bruce Arians, capo allenatore degli Arizona Cardinals
“Mi sembra di giocare come se fossi alto 3 metri”. – Johnny Manziel
A febbraio, alla NFL scouting combine, il popolarissimo quarterback vincitore dell’Heisman Trophy Johnny Manziel misurava ufficialmente 71¾ pollici e 207 libbre. La sua bassa statura era un argomento così caldo prima del draft NFL 2014 che i media non potevano resistere ai giochi di parole: “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).
In definitiva, i Cleveland Browns hanno selezionato Manziel con la 22esima scelta del primo turno. Con diverse squadre affamate di QB vicino alla parte superiore del draft (compresi i Browns, che hanno rinunciato a due precedenti possibilità di scegliere Manziel, prima scambiando la quarta scelta e poi selezionando Justin Gilbert con l’ottava), molti si aspettavano che andasse più in alto.
Non sappiamo perché Manziel è andato dove è andato, ma sappiamo che è sottodimensionato per la sua posizione. E storicamente l’approccio delle squadre NFL ai QB sottodimensionati è stato quello di non draftarli – se sono corti. La mia ricerca suggerisce che questa strategia non è sufficientemente sfumata: Se l’altezza conta, le squadre NFL hanno già tenuto conto di questo e di altro. Essere troppo leggeri, d’altra parte, sembra essere un predittore più forte di prestazioni (o mancanza di esse), e le squadre NFL sembrano non averne tenuto conto abbastanza.
Per un QB dell’altezza di Manziel, essere draftato anche tardi nel primo turno è incredibilmente raro. Dalla fusione del 1967 fino al 2013, squadre NFL selezionato 209 quarterback nei primi tre turni del progetto, ancora solo cinque di loro erano 72 pollici (6 piedi) o più breve. Di quei cinque, solo Michael Vick (indicato come 6 piedi) è stato selezionato al primo turno. Per confronto: Dal 1987, le squadre NBA hanno scelto cinque giocatori di 6 piedi o più corti solo nelle prime 10 scelte del primo turno.
Se guardassimo solo questi cinque quarterback, scegliere QB corti sembrerebbe una scommessa piuttosto buona. Hanno un valore approssimativo di carriera combinato (AV)1 di 260 – maggiore dell’AV combinato (210) di tutti i 12 QB elencati come 78 pollici (6 piedi 6 pollici) e più alti.
Questo confronto è solo per scopi di divertimento: è un piccolo campione, ed entrambi questi gruppi includono un numero di giocatori attivi con un sacco di anni produttivi davanti a loro. Ma allude a problemi più grandi con il modo in cui i conti NFL per l’altezza.
Molti media pre-draft scouting report non distinguono tra altezza e peso, spesso riferendosi a “dimensioni” o “massa” di un giocatore invece. Ma quando si tratta di metriche di dimensioni, la NFL sembra essere molto più indulgente verso i quarterback leggeri rispetto a quelli corti. Il peso medio per un quarterback da 71 a 72 pollici è 202 libbre, eppure 27 quarterback di questo peso o inferiore sono stati redatti nei primi tre turni nello stesso periodo di tempo (1967-2013), che ha visto solo cinque QBs di quell’altezza preso.
Per esaminare se questa particolare riluttanza a redigere QB bassi (pur essendo disposti a redigere quelli leggeri) ha un senso, ho classificato il più ampio pool di quarterback redatti (limitandosi a quelli selezionati nei primi sette round) in base a come hanno confrontato il peso e l’altezza di Manziel. Da lì ho confrontato l’AV medio di ogni gruppo a stagione per vedere se qualcuno dei gruppi ha fatto meglio degli altri.
Guardando la colonna di destra, vediamo che i QB corti hanno fatto leggermente meglio in media dei QB non corti (3.0 AV medio a stagione contro 2.4). Ma anche con sette giri di scelte del draft questo numero è ancora piuttosto piccolo: solo 29 QB corti sono inclusi in questo confronto (quindi i risultati non sono statisticamente significativi).
Ma le colonne del peso mostrano una netta divisione tra i quarterback su entrambi i lati di Manziel (2.7 AV media a stagione contro 1.6 complessiva). C’è anche un campione più ampio: 107 giocatori pesavano 207 libbre o meno, rispetto a 311 che erano più pesanti.
Sulla base di questo, sembra che disegnare un quarterback del peso di Manziel è una proposta più pericolosa che disegnare uno della sua altezza. Ma questa è un’analisi binaria piuttosto rozza. Poiché il mercato del draft NFL è abbastanza efficiente, se ci fosse una relazione tra l’altezza o il peso e il potenziale di carriera, probabilmente ci aspetteremmo che sia prezzata nella posizione del draft di ogni quarterback (o se un quarterback viene draftato affatto).
Perciò espandiamo l’indagine per includere la posizione del draft di ogni quarterback. Poi, piuttosto che dividere i giocatori in gruppi, guardiamo le correlazioni complessive tra altezza, peso e scelta2 e alcune diverse metriche del QB – Valore approssimativo, yard per partita e yard per tentativo.3 (Per questo confronto, ho filtrato i QB arruolati dopo il 2008.)
Questo raggruppamento di barre sulla sinistra ci mostra che l’altezza è almeno un po’ correlata al valore approssimativo, alle yard per gioco e alle yard per tentativo – ma correla molto meglio con la posizione del draft del QB. Il peso, d’altra parte, si correla alle nostre metriche QB molto di più, e, cosa importante, si correla meno con la posizione di draft.
In altre parole, l’altezza sembra dirci meno di quanto faccia il peso, e quello che ci dice è più probabile che lo abbiamo già saputo.
Mentre le correlazioni da sole non ci dicono cosa sta causando cosa, finora questo è uno spettacolo piuttosto povero per l’altezza come un predittore delle prestazioni del quarterback. Ma ci sono ancora molte possibilità, quindi per ottenere un senso migliore di quali variabili stanno facendo quale lavoro, ho creato modelli di regressione che utilizzano l’altezza, il peso e la scelta del draft per prevedere una varietà di metriche, e poi confrontato quanto importante ogni variabile era per ogni modello.
Queste regressioni prodotto “t-valori,” misure di base dell’affidabilità predittiva di ogni variabile.4 In questo caso stiamo cercando un valore minimo di 2.0.5
Non solo l’altezza non è un buon predittore quando è combinata con il peso e la posizione del plettro, ma è leggermente negativa (anche se per essere un predittore negativo statisticamente significativo, vorremmo vedere valori inferiori a -2.0). Questo non significa che l’altezza è male, significa solo che – qualunque valore possa avere – le squadre NFL lo stanno probabilmente sopravvalutando.
Peso, tuttavia, è un predittore altamente significativo per queste metriche.6 Poiché la posizione del draft è inclusa come input per questa regressione, questo suggerisce fortemente che le squadre NFL non sono state sufficientemente il prezzo del peso nelle loro selezioni.
Ci sono una serie di possibili ragioni per questo. La mia ipotesi sarebbe che ha qualcosa a che fare con la fisicità del gioco NFL, e che le squadre possono innamorarsi dell’abilità o della precisione di un QB e sottovalutare la sua forza o la sua durata. Ma capire esattamente perché il peso è così predittivo è un’indagine completamente diversa, che potrebbe essere troppo complicata per la quantità di dati disponibili.7 Quindi, invece di andare più a fondo, semplifichiamo.
La cosa che ci interessa davvero è se un QB ha una carriera di minimo successo. Per testare questo, ho fissato la soglia di “carriera di successo” a circa 32 AV, che separa più o meno i primi 100 QB draftati dal 1967.8 Fondamentalmente, la nostra soglia di “successo” sarà costituita da tutti i buoni QB di cui avete sentito parlare, fino a quelli come Joey Harrington, Rick Mirer, Vince Young, Byron Leftwich o (andando più indietro) Steve Spurrier. Mentre il peggiore dei quarterback “di successo” può sembrarvi piuttosto brutto (Tim Couch, fan dei Browns?), quasi due terzi dei quarterback selezionati al 22° posto assoluto (la posizione di Manziel al draft) saranno probabilmente anche peggio.
Possiamo prevedere la probabilità di base che un QB abbia “successo” o meno usando una regressione logistica9 solo con la sua posizione al draft.10 Ho raggruppato i QB arrotondando il loro peso alle 5 libbre più vicine, poi ho calcolato quanti di quel gruppo avrebbero dovuto avere una carriera di “successo” in base a ciascuna delle loro posizioni nel draft, e poi l’ho confrontato con il numero di loro che lo hanno effettivamente fatto. Una volta fatto questo, ho tracciato come ogni gruppo ha avuto successo rispetto alle nostre aspettative.
La linea rossa mostra quanto è più o meno probabile che un QB di un dato peso abbia successo rispetto a quanto ci aspetteremmo basandoci solo sulla sua posizione al draft.11 Manziel è elencato come 207 libbre. Dal modello, ci aspetteremmo circa il 19 per cento in meno di QB da 207 libbre per avere successo rispetto a quello che ci aspetteremmo in base alla loro posizione al draft.
Le probabilità di avere “successo” per un QB preso 22° assoluto sono circa il 34 per cento. Le probabilità di successo di un quarterback di 207 libbre selezionato al 22° posto sono circa il 27% (81% del 34%). In termini di draft-pick, questo è circa lo stesso di un quarterback con peso medio scelto al 38esimo posto – un calo sostanziale ma certamente non dannoso. Possiamo fare lo stesso tipo di calcolo per ogni posizione del draft.
D’altra parte, Manziel è stato proiettato per andare più in alto nel draft. È possibile che sia stato ingiustamente dinged per la sua altezza, ma non dinged abbastanza per il suo peso.
Se i Browns avessero selezionato Manziel con l’ottava scelta, l’aggiustamento taglia-peso del mio modello (che è fondamentalmente un aggiustamento del peso, poiché l’altezza non ha soddisfatto la soglia per l’inclusione), lo renderebbe circa come probabile avere successo come un pick n. 16. Questo coinciderebbe abbastanza bene con le decisioni reali dei Browns il giorno del draft: passare su Manziel con l’ottava scelta, ma poi scambiare fino a prenderlo con la 22.
Non sono innamorato di questa metrica – o davvero qualsiasi metrica di QB rating – ma riassume bene, e per testare le ipotesi di tutta la lega, praticamente qualsiasi metrica ragionevole farà.
Non sono innamorato di questa metrica – o veramente di qualsiasi metrica di QB rating – ma riassume bene, e per testare ipotesi a livello di lega, praticamente qualsiasi metrica ragionevole andrà bene.
Tecnicamente queste correlazioni usano il logaritmo del pick di ogni giocatore, come fanno tutte le regressioni in questo articolo.
Non sono innamorato di questa metrica – o veramente di qualsiasi metrica di QB rating – ma riassume bene, e per testare ipotesi a livello di lega, praticamente qualsiasi metrica ragionevole andrà bene.
Tecnicamente queste correlazioni usano il logaritmo del pick di ogni giocatore, come fanno tutte le regressioni in questo articolo.
Se vi state chiedendo perché non sto usando metriche di efficienza più complicate come il Passer Rating, il QBR di ESPN, o la Win Percentage Added di Brian Burke, è perché penso che corrispondano tutte troppo fortemente allo stile e alla qualità della squadra e dell’attacco di un QB – almeno per questi scopi. Se state facendo confronti a grana fine, potreste essere disposti ad accettare quel costo in cambio della maggiore precisione di quelle metriche, ma per valutare gli impatti a lungo termine di centinaia di QB, preferisco usare misure più ampie. Principalmente quello che voglio sapere è quanto è probabile che questi giocatori abbiano carriere lunghe e produttive.
Non sono innamorato di questa metrica – o veramente di qualsiasi metrica di QB rating – ma riassume bene, e per testare le ipotesi di tutta la lega, praticamente qualsiasi metrica ragionevole andrà bene.
Tecnicamente queste correlazioni usano il logaritmo del pick di ogni giocatore, come fanno tutte le regressioni in questo articolo.
Se vi state chiedendo perché non sto usando metriche di efficienza più complicate come il Passer Rating, il QBR di ESPN, o la Win Percentage Added di Brian Burke, è perché penso che corrispondano tutte troppo fortemente allo stile e alla qualità della squadra e dell’attacco di un QB – almeno per questi scopi. Se state facendo confronti a grana fine, potreste essere disposti ad accettare quel costo in cambio della maggiore precisione di quelle metriche, ma per valutare gli impatti a lungo termine di centinaia di QB, preferisco usare misure più ampie. Principalmente quello che voglio sapere è quanto è probabile che questi giocatori abbiano avuto carriere lunghe e produttive.
È il peso che dovresti mettere sulla variabile diviso il suo errore medio.
Non sono innamorato di questa metrica – o veramente di qualsiasi metrica di QB rating – ma riassume bene, e per testare ipotesi a livello di lega, praticamente qualsiasi metrica ragionevole andrà bene.
Tecnicamente queste correlazioni usano il logaritmo del pick di ogni giocatore, come fanno tutte le regressioni in questo articolo.
Se vi state chiedendo perché non sto usando metriche di efficienza più complicate come il Passer Rating, il QBR di ESPN, o la Win Percentage Added di Brian Burke, è perché penso che corrispondano tutte troppo fortemente allo stile e alla qualità della squadra e dell’attacco di un QB – almeno per questi scopi. Se state facendo confronti a grana fine, potreste essere disposti ad accettare quel costo in cambio della maggiore precisione di quelle metriche, ma per valutare gli impatti a lungo termine di centinaia di QB, preferisco usare misure più ampie. Principalmente quello che voglio sapere è quanto è probabile che questi giocatori abbiano avuto una carriera lunga e produttiva.
È il peso che si dovrebbe mettere sulla variabile diviso per il suo errore medio.
Questo è circa il cutoff per la “significatività statistica”, che significa che la corrispondenza vista nei dati accadrebbe meno del 5% delle volte per caso. Questa è la quantità minima di fiducia di cui avete bisogno in una variabile per far sì che valga la pena usarla.
Non sono innamorato di questa metrica – o davvero di qualsiasi metrica di QB rating – ma riassume bene, e per testare ipotesi a livello di lega, praticamente qualsiasi metrica ragionevole andrà bene.
Tecnicamente queste correlazioni usano il logaritmo del pick di ogni giocatore, come fanno tutte le regressioni in questo articolo.
Se vi state chiedendo perché non sto usando metriche di efficienza più complicate come il Passer Rating, il QBR di ESPN, o la Win Percentage Added di Brian Burke, è perché penso che corrispondano tutte troppo fortemente allo stile e alla qualità della squadra e dell’attacco di un QB – almeno per questi scopi. Se stai facendo confronti a grana fine, potresti essere disposto ad accettare quel costo in cambio della maggiore precisione di quelle metriche, ma per valutare gli impatti a lungo termine di centinaia di QB, preferisco usare misure più ampie. Principalmente quello che voglio sapere è quanto è probabile che questi giocatori abbiano avuto una carriera lunga e produttiva.
È il peso che si dovrebbe mettere sulla variabile diviso per il suo errore medio.
Questo è circa il cutoff per la “significatività statistica”, che significa che la corrispondenza vista nei dati accadrebbe meno del 5% delle volte per caso. Questa è la quantità minima di fiducia di cui avete bisogno in una variabile per far sì che valga la pena usarla.
Così è per la maggior parte delle metriche in varia misura, anche se tende a fare meglio su basi per partita e per anno.
Non sono innamorato di questa metrica – o veramente di qualsiasi metrica di QB rating – ma riassume bene, e per testare ipotesi a livello di lega, praticamente qualsiasi metrica ragionevole andrà bene.
Tecnicamente queste correlazioni usano il logaritmo del pick di ogni giocatore, come fanno tutte le regressioni in questo articolo.
Se vi state chiedendo perché non sto usando metriche di efficienza più complicate come il Passer Rating, il QBR di ESPN, o la Win Percentage Added di Brian Burke, è perché penso che corrispondano tutte troppo fortemente allo stile e alla qualità della squadra e dell’attacco di un QB – almeno per questi scopi. Se state facendo confronti a grana fine, potreste essere disposti ad accettare quel costo in cambio della maggiore precisione di quelle metriche, ma per valutare gli impatti a lungo termine di centinaia di QB, preferisco usare misure più ampie. Principalmente quello che voglio sapere è quanto è probabile che questi giocatori abbiano avuto una carriera lunga e produttiva.
È il peso che si dovrebbe mettere sulla variabile diviso per il suo errore medio.
Questo è circa il cutoff per la “significatività statistica”, che significa che la corrispondenza vista nei dati accadrebbe meno del 5% delle volte per caso. Questa è la quantità minima di fiducia di cui avete bisogno in una variabile per far sì che valga la pena usarla.
Così è per la maggior parte delle metriche in varia misura, anche se tende a fare meglio su basi per partita e per anno.
Questa è fondamentalmente la sfida principale con ogni problema relativo alla NFL.
Non sono innamorato di questa metrica – o veramente di qualsiasi metrica di QB rating – ma riassume bene, e per testare ipotesi su tutta la lega, praticamente qualsiasi metrica ragionevole andrà bene.
Tecnicamente queste correlazioni usano il logaritmo del pick di ogni giocatore, come fanno tutte le regressioni in questo articolo.
Se vi state chiedendo perché non sto usando metriche di efficienza più complicate come il Passer Rating, il QBR di ESPN, o la Win Percentage Added di Brian Burke, è perché penso che corrispondano tutte troppo fortemente allo stile e alla qualità della squadra e dell’attacco di un QB – almeno per questi scopi. Se state facendo confronti a grana fine, potreste essere disposti ad accettare quel costo in cambio della maggiore precisione di quelle metriche, ma per valutare gli impatti a lungo termine di centinaia di QB, preferisco usare misure più ampie. Principalmente quello che voglio sapere è quanto è probabile che questi giocatori abbiano avuto una carriera lunga e produttiva.
È il peso che si dovrebbe mettere sulla variabile diviso per il suo errore medio.
Questo è circa il cutoff per la “significatività statistica”, che significa che la corrispondenza vista nei dati accadrebbe meno del 5% delle volte per caso. Questa è la quantità minima di fiducia di cui avete bisogno in una variabile per far sì che valga la pena usarla.
Così è per la maggior parte delle metriche in varia misura, anche se tende a fare meglio su basi per partita e per anno.
Questa è fondamentalmente la sfida principale con ogni problema relativo alla NFL.
Nota che non importa esattamente dove tracciamo la linea, quanto che tracciamo una linea: Qualsiasi cosa va bene come barometro.
Non sono innamorato di questa metrica – o veramente di qualsiasi metrica di QB rating – ma riassume bene, e per testare ipotesi a livello di lega, praticamente qualsiasi metrica ragionevole va bene.
Tecnicamente queste correlazioni usano il logaritmo del pick di ogni giocatore, come fanno tutte le regressioni in questo articolo.
Se vi state chiedendo perché non sto usando metriche di efficienza più complicate come il Passer Rating, il QBR di ESPN, o la Win Percentage Added di Brian Burke, è perché penso che corrispondano tutte troppo fortemente allo stile e alla qualità della squadra e dell’attacco di un QB – almeno per questi scopi. Se state facendo confronti a grana fine, potreste essere disposti ad accettare quel costo in cambio della maggiore precisione di quelle metriche, ma per valutare gli impatti a lungo termine di centinaia di QB, preferisco usare misure più ampie. Principalmente quello che voglio sapere è quanto è probabile che questi giocatori abbiano avuto una carriera lunga e produttiva.
È il peso che si dovrebbe mettere sulla variabile diviso per il suo errore medio.
Questo è circa il cutoff per la “significatività statistica”, che significa che la corrispondenza vista nei dati accadrebbe meno del 5% delle volte per caso. Questa è la quantità minima di fiducia di cui avete bisogno in una variabile per far sì che valga la pena usarla.
Così è per la maggior parte delle metriche in varia misura, anche se tende a fare meglio su basi per partita e per anno.
Questa è fondamentalmente la sfida principale con ogni problema relativo alla NFL.
Nota che non importa esattamente dove tracciamo la linea, quanto che tracciamo una linea: Qualsiasi cosa va bene per un barometro.
Una regressione che predice risultati binari come vittorie/perdite, buono/cattivo, ecc.
Non sono innamorato di questa metrica – o veramente qualsiasi metrica di QB rating – ma riassume bene, e per testare ipotesi a livello di lega, praticamente qualsiasi metrica ragionevole va bene.
Tecnicamente queste correlazioni usano il logaritmo del pick di ogni giocatore, come fanno tutte le regressioni in questo articolo.
Se vi state chiedendo perché non sto usando metriche di efficienza più complicate come il Passer Rating, il QBR di ESPN, o la Win Percentage Added di Brian Burke, è perché penso che corrispondano tutte troppo fortemente allo stile e alla qualità della squadra e dell’attacco di un QB – almeno per questi scopi. Se state facendo confronti a grana fine, potreste essere disposti ad accettare quel costo in cambio della maggiore precisione di quelle metriche, ma per valutare gli impatti a lungo termine di centinaia di QB, preferisco usare misure più ampie. Principalmente quello che voglio sapere è quanto è probabile che questi giocatori abbiano avuto una carriera lunga e produttiva.
È il peso che si dovrebbe mettere sulla variabile diviso per il suo errore medio.
Questo è circa il cutoff per la “significatività statistica”, che significa che la corrispondenza vista nei dati accadrebbe meno del 5% delle volte per caso. Questa è la quantità minima di fiducia di cui avete bisogno in una variabile per far sì che valga la pena usarla.
Così è per la maggior parte delle metriche in varia misura, anche se tende a fare meglio su basi per partita e per anno.
Questa è fondamentalmente la sfida principale con ogni problema relativo alla NFL.
Nota che non importa esattamente dove tracciamo la linea, quanto che tracciamo una linea: Qualsiasi cosa va bene per un barometro.
Una regressione che predice risultati binari come vittorie/perdite, buono/cattivo, ecc.
In caso tu sia interessato, la formula Excel per questo è =1/(1+EXP(-(1.1536-0.40511*))), dove è il logaritmo della posizione di draft del QB in base 2 (o log(,2)).
Non sono innamorato di questa metrica – o veramente di qualsiasi metrica di QB rating – ma riassume bene, e per testare ipotesi a livello di lega, praticamente qualsiasi metrica ragionevole farà.
Tecnicamente queste correlazioni usano il logaritmo del pick di ogni giocatore, come fanno tutte le regressioni in questo articolo.
Se vi state chiedendo perché non sto usando metriche di efficienza più complicate come il Passer Rating, il QBR di ESPN, o la Win Percentage Added di Brian Burke, è perché penso che corrispondano tutte troppo fortemente allo stile e alla qualità della squadra e dell’attacco di un QB – almeno per questi scopi. Se state facendo confronti a grana fine, potreste essere disposti ad accettare quel costo in cambio della maggiore precisione di quelle metriche, ma per valutare gli impatti a lungo termine di centinaia di QB, preferisco usare misure più ampie. Principalmente quello che voglio sapere è quanto è probabile che questi giocatori abbiano avuto una carriera lunga e produttiva.
È il peso che si dovrebbe mettere sulla variabile diviso per il suo errore medio.
Questo è circa il cutoff per la “significatività statistica”, che significa che la corrispondenza vista nei dati accadrebbe meno del 5% delle volte per caso. Questa è la quantità minima di fiducia di cui avete bisogno in una variabile per far sì che valga la pena usarla.
Così è per la maggior parte delle metriche in varia misura, anche se tende a fare meglio su basi per partita e per anno.
Questa è fondamentalmente la sfida principale con ogni problema relativo alla NFL.
Nota che non importa esattamente dove tracciamo la linea, quanto che tracciamo una linea: Qualsiasi cosa va bene per un barometro.
Una regressione che predice risultati binari come vittorie/perdite, buono/cattivo, ecc.
In caso tu sia interessato, la formula Excel per questo è =1/(1+EXP(-(1.1536-0.40511*))), dove è il logaritmo della posizione draft del QB in base 2 (o log(,2)).
In Excel, questa formula è: =((1/(1+EXP(-(-7.814506+0.031653*))))-0.272723209)/0.272723209.
Il meglio di FiveThirtyEight, consegnato a voi.