“Als je 6-5, 230 bent en een bepaalde tijd loopt, zijn er zo’n 35 jongens met wie ik je kan vergelijken die succesvol zijn geweest in deze competitie. Als je 5-11 bent, zijn er twee, tenzij je teruggaat naar Fran Tarkenton: Doug Flutie en Russell Wilson. Dat zijn niet echt goede kansen voor mij. Je zou het nog kunnen halen, maar de geschiedenis zegt van niet. Het is niet omdat je 5-11 bent dat je niet succesvol kan zijn. Johnny heeft magie.” – Bruce Arians, hoofdcoach van de Arizona Cardinals
“Ik heb het gevoel dat ik speel alsof ik anderhalve meter lang ben.” – Johnny Manziel
Tijdens de NFL scouting combine in februari mat de razend populaire Heisman Trophy-winnende quarterback Johnny Manziel zich officieel op tot 1,75 m en woog hij slechts 780 kg. Zijn kleine gestalte was zo’n hot topic voorafgaand aan de 2014 NFL draft dat de media de woordspelingen niet konden weerstaan: “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).
Ultimately, de Cleveland Browns selecteerden Manziel met de 22e keus in de eerste ronde. Met verschillende QB-hongerige teams in de buurt van de top van de draft (inclusief de Browns, die twee eerdere kansen om Manziel te werven voorbij lieten gaan, eerst door uit de vierde pick te handelen en vervolgens door Justin Gilbert met de achtste te selecteren), verwachtten de meesten dat hij hoger zou gaan.
We weten niet waarom Manziel ging waar hij deed, maar we weten wel dat hij ondermaats is voor zijn positie. En historisch gezien is de aanpak van NFL teams om ondermaatse QBs niet op te stellen – als ze klein zijn. Mijn onderzoek suggereert dat deze strategie onvoldoende genuanceerd is: Als lengte er al toe doet, dan hebben NFL teams daar al rekening mee gehouden. Te licht zijn, aan de andere kant, lijkt een sterkere voorspeller van prestaties (of het gebrek daaraan), en NFL-teams lijken daar niet genoeg rekening mee te hebben gehouden.
Voor een QB van Manziel’s lengte, is zelfs laat in de eerste ronde opgesteld worden ongelooflijk zeldzaam. Vanaf de fusie in 1967 tot 2013 selecteerden NFL-teams 209 quarterbacks in de eerste drie rondes van de draft, maar slechts vijf van hen waren 72 inch (6 feet) of korter. Van die vijf werd alleen Michael Vick (6 voet) geselecteerd in de eerste ronde. Ter vergelijking: Sinds 1987 hebben NBA-teams vijf spelers van 6 voet of korter opgesteld in slechts de eerste 10 picks van de eerste ronde.
Als we alleen naar die vijf quarterbacks zouden kijken, zou het opstellen van korte QB’s een vrij goede gok lijken. Ze hebben een gecombineerde Approximate Value (AV)1 van 260 – groter dan de gecombineerde AV (210) van alle 12 QB’s met een lengte van 78 inch (6 feet 6 inch) en groter.
Deze vergelijking dient alleen ter vermaak: het is een kleine steekproef, en beide groepen bevatten een aantal actieve spelers met nog heel wat productieve jaren voor de boeg. Maar het wijst op grotere problemen met de manier waarop de NFL rekent met lengte.
In veel pre-draft scoutingrapporten in de media wordt geen onderscheid gemaakt tussen lengte en gewicht, in plaats daarvan wordt vaak verwezen naar de “omvang” of “bulk” van een speler. Maar als het op lengte aankomt, lijkt de NFL veel vergevingsgezinder te zijn voor lichte quarterbacks dan voor korte. Het gemiddelde gewicht voor een 71- tot 72-inch quarterback is 202 pond, maar 27 quarterbacks met dit gewicht of minder zijn in de eerste drie rondes opgesteld in dezelfde periode (1967-2013), waarin slechts vijf QB’s van die lengte werden gehaald.
Om te onderzoeken of deze specifieke terughoudendheid om korte QB’s op te stellen (terwijl ze bereid zijn om lichte op te stellen) enige zin heeft, classificeerde ik de bredere pool van opgestelde quarterbacks (beperkt tot degenen die in de top zeven rondes zijn geselecteerd) op basis van hoe ze zich verhouden tot Manziel’s gewicht en lengte. Van daaruit heb ik de gemiddelde AV per seizoen van elke groep vergeleken om te zien of een van de groepen beter presteerde dan de anderen.
Kijkend naar de rechterkolom, zien we dat korte QB’s het gemiddeld iets beter hebben gedaan dan niet-korte QB’s (3,0 gemiddelde AV per seizoen versus 2,4). Maar zelfs met zeven ronden draft picks is dit aantal nog steeds vrij klein: slechts 29 korte QB’s zijn opgenomen in deze vergelijking (dus de resultaten zijn niet statistisch significant).
Maar de gewichtskolommen tonen een sterke kloof tussen quarterbacks aan weerszijden van Manziel (2,7 gemiddelde AV per seizoen versus 1,6 overall). Er is ook een bredere steekproef: 107 spelers wogen in op 207 pond of minder, vergeleken met 311 die zwaarder waren.
Op basis daarvan lijkt het erop dat het opstellen van een quarterback met het gewicht van Manziel een gevaarlijker voorstel is dan het opstellen van een met zijn lengte. Maar dat is een vrij ruwe binaire analyse. Omdat de NFL draft markt vrij efficiënt is, als er een verband zou zijn tussen lengte of gewicht en carrièrepotentieel, zouden we waarschijnlijk verwachten dat het wordt ingeprijsd in de draft positie van elke quarterback (of of dat een quarterback überhaupt wordt draft).
Dus laten we het onderzoek uitbreiden en de draft positie van elke quarterback meenemen in het onderzoek. Laten we dan, in plaats van de spelers in groepen te verdelen, kijken naar de correlaties tussen lengte, gewicht en keuze2 en een paar verschillende QB-metrieken – benaderde waarde, yards per wedstrijd en yards per poging.3 (Voor deze vergelijking heb ik QB’s die later dan 2008 werden opgesteld eruit gefilterd.)
Die groepering van balken links toont ons dat lengte op zijn minst een beetje correleert met Approximate Value, yards per game en yards per attempt – maar het correleert veel beter met de ontwerp-positie van de QB. Gewicht daarentegen correleert veel meer met onze QB-metriek, en, belangrijk, het correleert minder met de ontwerp-positie.
Met andere woorden, lengte lijkt ons minder te vertellen dan gewicht doet, en wat het ons vertelt hebben we waarschijnlijk al geweten.
Hoewel correlaties alleen ons niet vertellen wat wat veroorzaakt, is dit tot nu toe een vrij slechte vertoning voor lengte als een voorspeller van quarterback prestaties. Maar er zijn nog veel mogelijkheden, dus om een beter idee te krijgen van welke variabelen welk werk doen, heb ik regressiemodellen gemaakt die lengte, gewicht en draft pick gebruiken om een verscheidenheid van metriek te voorspellen, en vervolgens vergeleken hoe belangrijk elke variabele was voor elk model.
Die regressies leverden “t-waarden” op, fundamentele maten voor de voorspellende betrouwbaarheid van elke variabele.4 In dit geval zijn we op zoek naar een minimumwaarde van 2,0.5
Niet alleen is lengte geen goede voorspeller in combinatie met gewicht en plaats van keuze, het is zelfs een licht negatieve voorspeller (hoewel we, om een statistisch significante negatieve voorspeller te zijn, waarden onder -2,0 zouden willen zien). Dit betekent niet dat lengte slecht is, het betekent alleen dat – welke waarde het ook heeft – NFL teams het waarschijnlijk overwaarderen.
Gewicht, echter, is een zeer significante voorspeller voor deze metriek.6 Omdat draft locatie is opgenomen als input voor deze regressie, suggereert dit sterk dat NFL teams gewicht niet voldoende hebben meegenomen in hun selecties.
Er zijn een aantal mogelijke redenen voor dit. Mijn gok zou zijn dat het iets te maken heeft met de fysieke aard van het NFL spel, en dat teams gecharmeerd raken van de vaardigheid of nauwkeurigheid van een QB en zijn kracht of duurzaamheid onderwaarderen. Maar uitzoeken waarom gewicht zo voorspellend is, is een heel ander onderzoek, dat misschien te ingewikkeld is voor de hoeveelheid beschikbare gegevens.7 Dus in plaats van dieper te duiken, laten we het vereenvoudigen.
Waar het ons echt om gaat is of een QB een minimaal succesvolle carrière heeft. Om dit te testen, heb ik de “succesvolle carrière” cutoff op ongeveer 32 AV gezet, wat min of meer de top 100 drafted QBs sinds 1967 apart zet.8 In principe gaat onze “succesvolle” cutoff alle goede QBs zijn waar je van gehoord hebt, tot ongeveer Joey Harrington, Rick Mirer, Vince Young, Byron Leftwich of (verder teruggaand) Steve Spurrier. Terwijl de slechtste van de “succesvolle” quarterbacks u misschien behoorlijk slecht in de oren klinkt (Tim Couch, Browns-fans?), zal bijna tweederde van de quarterbacks die als 22e zijn geselecteerd (Manziel’s draft-positie) waarschijnlijk nog slechter zijn.
We kunnen de basislijnwaarschijnlijkheid van een QB die al dan niet “succesvol” is voorspellen door een logistische regressie9 te gebruiken met alleen zijn draft-positie.10 Ik heb QB’s gegroepeerd door hun gewicht af te ronden op de dichtstbijzijnde 5 pond, dan berekend hoeveel van die groep een “succesvolle” carrière zouden moeten hebben gehad op basis van elk van hun draft posities, en dat vervolgens vergeleken met het aantal van hen die dat ook daadwerkelijk hadden. Toen dat was gedaan, heb ik uitgezet hoe elke groep slaagde ten opzichte van onze verwachtingen.
De rode lijn toont hoeveel meer of minder kans een QB van een bepaald gewicht heeft om succesvol te zijn dan we zouden verwachten op basis van zijn startpositie alleen.11 Manziel staat genoteerd als 207 pond. Volgens het model zouden we verwachten dat ongeveer 19 procent minder QB’s van 207 pond succesvol zullen zijn dan we zouden verwachten op basis van hun ontwerppositie.
De kans op “succes” voor een QB die als 22e wordt genomen, is ongeveer 34 procent. De kans dat een quarterback van 207 pond die als 22e wordt gekozen, succes heeft, is ongeveer 27 procent (81 procent van 34 procent). In draft-pick termen is dat ongeveer hetzelfde als een gemiddeld gewogen quarterback die als 38e wordt gekozen – een aanzienlijke, maar zeker geen vernietigende daling. We kunnen eenzelfde soort berekening maken voor elke draft-positie.
Aan de andere kant was Manziel hoger in de draft geprojecteerd. Het is mogelijk dat hij ten onrechte is afgekeurd voor zijn lengte, maar niet genoeg voor zijn gewicht.
Als de Browns Manziel als achtste hadden gekozen, dan zou de grootte-gewicht aanpassing van mijn model (wat in feite een gewicht aanpassing is, omdat lengte niet aan de drempel voor opname voldeed), hem ongeveer evenveel kans geven om succesvol te zijn als een nummer 16 keuze. Dat zou vrij goed overeenkomen met de feitelijke beslissingen van de Browns op de dag van de selectie: Manziel passeren met de achtste keuze, maar dan opwaarderen om hem met de 22e te nemen.
Ik ben niet verliefd op deze metriek – of eigenlijk elke QB rating metriek – maar het sommeert goed, en voor het testen van league-brede hypotheses is vrijwel elke redelijke metriek goed genoeg.
Ik ben niet verliefd op deze metriek – of eigenlijk op elke QB-rating metriek – maar het sommeert goed, en voor het testen van league-brede hypotheses voldoet vrijwel elke redelijke metriek.
Technisch gezien gebruiken deze correlaties de logaritme van de pick van elke speler, net als alle regressies in dit artikel.
Ik ben niet verliefd op deze metriek – of eigenlijk op elke QB rating metriek – maar het sommeert goed, en voor het testen van league-brede hypotheses volstaat zowat elke redelijke metriek.
Technisch gezien gebruiken deze correlaties de logaritme van de keuze van elke speler, net zoals alle regressies in dit artikel.
Als u zich afvraagt waarom ik geen gebruik maak van meer gecompliceerde efficiëntie metrieken zoals Passer Rating, ESPN’s QBR, of Brian Burke’s Win Percentage Added, dan is dat omdat ik denk dat ze allemaal veel te sterk corresponderen met de stijl en kwaliteit van een QB’s team en aanval – althans voor deze doeleinden. Als je fijnkorrelige vergelijkingen maakt, ben je misschien bereid om die kosten te aanvaarden in ruil voor de grotere precisie van die metingen, maar voor het evalueren van de impact op lange termijn van honderden QB’s gebruik ik liever bredere maatstaven. Wat ik vooral wil weten is hoe groot de kans was dat deze spelers een lange, productieve carrière zouden hebben.
Ik ben niet verliefd op deze metriek – of eigenlijk op elke QB rating metriek – maar het sommeert goed, en voor het testen van league-brede hypotheses is vrijwel elke redelijke metriek goed genoeg.
Technisch gezien gebruiken deze correlaties de logaritme van de pick van elke speler, net zoals alle regressies in dit artikel.
Als u zich afvraagt waarom ik geen gebruik maak van meer gecompliceerde efficiëntie metrieken zoals Passer Rating, ESPN’s QBR, of Brian Burke’s Win Percentage Added, dan is dat omdat ik denk dat ze allemaal veel te sterk corresponderen met de stijl en kwaliteit van een QB’s team en aanval – althans voor deze doeleinden. Als je fijnkorrelige vergelijkingen maakt, ben je misschien bereid om die kosten te aanvaarden in ruil voor de grotere precisie van die metingen, maar voor het evalueren van de impact op lange termijn van honderden QB’s gebruik ik liever bredere maatstaven. Wat ik vooral wil weten is hoe groot de kans was dat deze spelers een lange, productieve carrière zouden hebben.
Het is het gewicht dat je aan de variabele moet toekennen, gedeeld door zijn gemiddelde fout.
Ik ben niet verliefd op deze metriek – of eigenlijk op elke QB-rating metriek – maar het sommeert goed, en voor het testen van league-brede hypotheses is vrijwel elke redelijke metriek goed genoeg.
Technisch gezien gebruiken deze correlaties de logaritme van de pick van elke speler, net zoals alle regressies in dit artikel.
Als u zich afvraagt waarom ik geen gebruik maak van meer gecompliceerde efficiëntie metrieken zoals Passer Rating, ESPN’s QBR, of Brian Burke’s Win Percentage Added, dan is dat omdat ik denk dat ze allemaal veel te sterk corresponderen met de stijl en kwaliteit van een QB’s team en aanval – althans voor deze doeleinden. Als je fijnkorrelige vergelijkingen maakt, ben je misschien bereid om die kosten te aanvaarden in ruil voor de grotere precisie van die metingen, maar voor het evalueren van de impact op lange termijn van honderden QB’s gebruik ik liever bredere maatstaven. Wat ik vooral wil weten is hoe groot de kans was dat deze spelers een lange, productieve carrière zouden hebben.
Het is het gewicht dat je aan de variabele moet toekennen, gedeeld door zijn gemiddelde fout.
Dit is ongeveer de grens voor “statistische significantie”, wat betekent dat de overeenkomst in de gegevens minder dan 5 procent van de tijd door toeval zou voorkomen. Dit is ongeveer de minimale hoeveelheid vertrouwen die je nodig hebt in een variabele om het gebruik ervan de moeite waard te maken.
Ik ben niet verliefd op deze metriek – of eigenlijk op elke QB-rating metriek – maar het sommeert goed, en voor het testen van league-brede hypotheses is vrijwel elke redelijke metriek goed genoeg.
Technisch gezien gebruiken deze correlaties de logaritme van de pick van elke speler, net zoals alle regressies in dit artikel.
Als u zich afvraagt waarom ik geen gebruik maak van meer gecompliceerde efficiëntie metrieken zoals Passer Rating, ESPN’s QBR, of Brian Burke’s Win Percentage Added, dan is dat omdat ik denk dat ze allemaal veel te sterk corresponderen met de stijl en kwaliteit van het team en de aanval van een QB – althans voor deze doeleinden. Als je fijnkorrelige vergelijkingen maakt, ben je misschien bereid om die kosten te aanvaarden in ruil voor de grotere precisie van die metingen, maar voor het evalueren van de impact op lange termijn van honderden QB’s, geef ik de voorkeur aan bredere metingen. Wat ik vooral wil weten is hoe groot de kans was dat deze spelers een lange, productieve carrière zouden hebben.
Het is het gewicht dat je aan de variabele moet toekennen gedeeld door zijn gemiddelde fout.
Dit is ongeveer de grens voor “statistische significantie”, wat betekent dat de overeenkomst in de gegevens minder dan 5 procent van de tijd door toeval zou voorkomen. Dit is ongeveer de minimale hoeveelheid vertrouwen die je in een variabele moet hebben om het de moeite waard te maken hem te gebruiken.
Zo is het voor de meeste metrieken in verschillende mate, hoewel het de neiging heeft om het beste te doen op per-game en per-jaar bases.
Ik ben niet verliefd op deze metriek – of eigenlijk op elke QB-rating metriek – maar het sommeert goed, en voor het testen van competitie-brede hypotheses is vrijwel elke redelijke metriek goed genoeg.
Technisch gezien gebruiken deze correlaties de logaritme van de pick van elke speler, net als alle regressies in dit artikel.
Als u zich afvraagt waarom ik geen gebruik maak van meer gecompliceerde efficiëntie metrieken zoals Passer Rating, ESPN’s QBR, of Brian Burke’s Win Percentage Added, dan is dat omdat ik denk dat ze allemaal veel te sterk corresponderen met de stijl en kwaliteit van een QB’s team en aanval – althans voor deze doeleinden. Als je fijnkorrelige vergelijkingen maakt, ben je misschien bereid die kosten te aanvaarden in ruil voor de grotere precisie van die metingen, maar voor het evalueren van de impact op lange termijn van honderden QB’s, gebruik ik liever bredere maatstaven. Wat ik vooral wil weten is hoe groot de kans was dat deze spelers een lange, productieve carrière zouden hebben.
Het is het gewicht dat je aan de variabele moet toekennen gedeeld door zijn gemiddelde fout.
Dit is ongeveer de grens voor “statistische significantie”, wat betekent dat de overeenkomst in de gegevens minder dan 5 procent van de tijd door toeval zou voorkomen. Dit is ongeveer de minimale hoeveelheid vertrouwen die je in een variabele moet hebben om het de moeite waard te maken hem te gebruiken.
Zo is het voor de meeste metrieken in verschillende mate, hoewel het de neiging heeft om het beste te doen op per-game en per-jaar bases.
Dit is eigenlijk de grootste uitdaging bij elk NFL-gerelateerd probleem.
Ik ben niet verliefd op deze metriek – of eigenlijk op elke QB-rating metriek – maar het sommeert goed, en voor het testen van league-brede hypotheses is vrijwel elke redelijke metriek goed genoeg.
Technisch gezien gebruiken deze correlaties de logaritme van de pick van elke speler, net zoals alle regressies in dit artikel.
Als u zich afvraagt waarom ik geen gebruik maak van meer gecompliceerde efficiëntie metrieken zoals Passer Rating, ESPN’s QBR, of Brian Burke’s Win Percentage Added, dan is dat omdat ik denk dat ze allemaal veel te sterk corresponderen met de stijl en kwaliteit van een QB’s team en aanval – althans voor deze doeleinden. Als je fijnkorrelige vergelijkingen maakt, ben je misschien bereid om die kosten te aanvaarden in ruil voor de grotere precisie van die metingen, maar voor het evalueren van de impact op lange termijn van honderden QB’s gebruik ik liever bredere maatstaven. Wat ik vooral wil weten is hoe groot de kans was dat deze spelers een lange, productieve carrière zouden hebben.
Het is het gewicht dat je aan de variabele moet toekennen gedeeld door zijn gemiddelde fout.
Dit is ongeveer de grens voor “statistische significantie”, wat betekent dat de overeenkomst in de gegevens minder dan 5 procent van de tijd door toeval zou voorkomen. Dit is ongeveer de minimale hoeveelheid vertrouwen die je in een variabele moet hebben om het de moeite waard te maken hem te gebruiken.
Zo is het voor de meeste metrieken in verschillende mate, hoewel het de neiging heeft om het beste te doen op per-game en per-jaar bases.
Dit is eigenlijk de grootste uitdaging bij elk NFL-gerelateerd probleem.
Merk op dat het er niet zozeer toe doet waar we precies de lijn trekken, maar dat we überhaupt een lijn trekken: Alles is goed voor een barometer.
Ik ben niet verliefd op deze metriek – of eigenlijk op elke QB rating metriek – maar het sommeert goed, en voor het testen van league-brede hypotheses is vrijwel elke redelijke metriek goed genoeg.
Technisch gezien gebruiken deze correlaties de logaritme van de pick van elke speler, net zoals alle regressies in dit artikel.
Als u zich afvraagt waarom ik geen gebruik maak van meer gecompliceerde efficiëntie metrieken zoals Passer Rating, ESPN’s QBR, of Brian Burke’s Win Percentage Added, dan is dat omdat ik denk dat ze allemaal veel te sterk corresponderen met de stijl en kwaliteit van een QB’s team en aanval – althans voor deze doeleinden. Als je fijnkorrelige vergelijkingen maakt, ben je misschien bereid om die kosten te aanvaarden in ruil voor de grotere precisie van die metingen, maar voor het evalueren van de impact op lange termijn van honderden QB’s gebruik ik liever bredere maatstaven. Wat ik vooral wil weten is hoe groot de kans was dat deze spelers een lange, productieve carrière zouden hebben.
Het is het gewicht dat je aan de variabele moet toekennen gedeeld door zijn gemiddelde fout.
Dit is ongeveer de grens voor “statistische significantie”, wat betekent dat de overeenkomst in de gegevens minder dan 5 procent van de tijd door toeval zou voorkomen. Dit is ongeveer de minimale hoeveelheid vertrouwen die je in een variabele moet hebben om het de moeite waard te maken hem te gebruiken.
Zo is het voor de meeste metrieken in verschillende mate, hoewel het de neiging heeft om het beste te doen op per-game en per-jaar bases.
Dit is eigenlijk de grootste uitdaging bij elk NFL-gerelateerd probleem.
Merk op dat het er niet zozeer toe doet waar we precies de lijn trekken, maar dat we überhaupt een lijn trekken: Alles is goed voor een barometer.
Een regressie die binaire uitkomsten voorspelt zoals winst/verlies, goed/slecht, enz.
Ik ben niet verliefd op deze metriek – of eigenlijk op elke QB rating metriek – maar het sommeert goed, en voor het testen van league-brede hypotheses is vrijwel elke redelijke metriek goed genoeg.
Technisch gezien gebruiken deze correlaties de logaritme van de pick van elke speler, net zoals alle regressies in dit artikel.
Als u zich afvraagt waarom ik geen gebruik maak van meer gecompliceerde efficiëntie metrieken zoals Passer Rating, ESPN’s QBR, of Brian Burke’s Win Percentage Added, dan is dat omdat ik denk dat ze allemaal veel te sterk corresponderen met de stijl en kwaliteit van een QB’s team en aanval – althans voor deze doeleinden. Als je fijnkorrelige vergelijkingen maakt, ben je misschien bereid om die kosten te aanvaarden in ruil voor de grotere precisie van die metingen, maar voor het evalueren van de impact op lange termijn van honderden QB’s gebruik ik liever bredere maatstaven. Wat ik vooral wil weten is hoe groot de kans was dat deze spelers een lange, productieve carrière zouden hebben.
Het is het gewicht dat je aan de variabele moet toekennen, gedeeld door zijn gemiddelde fout.
Dit is ongeveer de grens voor “statistische significantie”, wat betekent dat de overeenkomst in de gegevens minder dan 5 procent van de tijd door toeval zou voorkomen. Dit is ongeveer de minimale hoeveelheid vertrouwen die je in een variabele moet hebben om het de moeite waard te maken hem te gebruiken.
Zo is het voor de meeste metrieken in verschillende mate, hoewel het de neiging heeft om het beste te doen op per-game en per-jaar bases.
Dit is eigenlijk de grootste uitdaging bij elk NFL-gerelateerd probleem.
Merk op dat het er niet zozeer toe doet waar we precies de lijn trekken, maar dat we überhaupt een lijn trekken: Alles is goed voor een barometer.
Een regressie die binaire uitkomsten voorspelt, zoals winst/verlies, goed/slecht, enz.
In het geval dat u geïnteresseerd bent, de Excel-formule hiervoor is =1/(1+EXP(-(1,1536-0.40511*)), waarbij de logaritme van de draft positie van de QB in basis 2 is (of log(,2)).
Ik ben niet verliefd op deze metriek – of eigenlijk op elke QB rating metriek – maar het sommeert goed, en voor het testen van league-brede hypotheses is vrijwel elke redelijke metriek goed genoeg.
Technisch gezien gebruiken deze correlaties de logaritme van de pick van elke speler, net zoals alle regressies in dit artikel.
Als u zich afvraagt waarom ik geen gebruik maak van meer gecompliceerde efficiëntie metrieken zoals Passer Rating, ESPN’s QBR, of Brian Burke’s Win Percentage Added, dan is dat omdat ik denk dat ze allemaal veel te sterk corresponderen met de stijl en kwaliteit van een QB’s team en aanval – althans voor deze doeleinden. Als je fijnkorrelige vergelijkingen maakt, ben je misschien bereid om die kosten te aanvaarden in ruil voor de grotere precisie van die metingen, maar voor het evalueren van de impact op lange termijn van honderden QB’s gebruik ik liever bredere maatstaven. Wat ik vooral wil weten is hoe groot de kans was dat deze spelers een lange, productieve carrière zouden hebben.
Het is het gewicht dat je aan de variabele moet toekennen, gedeeld door zijn gemiddelde fout.
Dit is ongeveer de grens voor “statistische significantie”, wat betekent dat de overeenkomst in de gegevens minder dan 5 procent van de tijd door toeval zou voorkomen. Dit is ongeveer de minimale hoeveelheid vertrouwen die je in een variabele moet hebben om het de moeite waard te maken hem te gebruiken.
Zo is het voor de meeste metrieken in verschillende mate, hoewel het de neiging heeft om het beste te doen op per-game en per-jaar bases.
Dit is eigenlijk de grootste uitdaging bij elk NFL-gerelateerd probleem.
Merk op dat het er niet zozeer toe doet waar we precies de lijn trekken, maar dat we überhaupt een lijn trekken: Alles is goed voor een barometer.
Een regressie die binaire uitkomsten voorspelt, zoals winst/verlies, goed/slecht, enz.
In het geval dat u geïnteresseerd bent, de Excel-formule hiervoor is =1/(1+EXP(-(1,1536-0.40511*)), waarbij de logaritme van de draft positie van de QB in basis 2 is (of log(,2)).
In Excel is deze formule: =((1/(1+EXP(-(-7.814506+0,031653*))))-0,272723209)/0,272723209.
Het beste van FiveThirtyEight, aan u geleverd.