„Jeśli jesteś 6-5, 230, uruchomić pewien czas, jest jak 35 facetów mogę porównać cię do, które odniosły sukces w tej lidze. Jeśli masz 5-11, jest dwóch, chyba że wrócisz do Frana Tarkentona: Doug Flutie i Russell Wilson. Dla mnie to nie są zbyt dobre szanse. Wciąż może ci się udać, ale historia mówi, że nie. To, że jesteś 5-11 nie oznacza, że nie możesz odnieść sukcesu. Johnny ma magię.” – Bruce Arians, główny trener Arizona Cardinals
„Czuję, że gram jakbym miał 10 stóp wzrostu”. – Johnny Manziel
Podczas lutowego NFL scouting combine, szalenie popularny rozgrywający, zdobywca Heisman Trophy, Johnny Manziel, oficjalnie mierzył w 71¾ cala i 207 funtów. Jego drobna postura była tak gorącym tematem przed draftem do NFL 2014, że media nie mogły się oprzeć kalamburom: „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).
Ostatecznie, Cleveland Browns wybrany Manziel z 22 pick w pierwszej rundzie. Z kilku zespołów QB głodnych w pobliżu szczytu projektu (w tym Browns, którzy minęli dwa wcześniejsze szanse na projekt Manziel, po pierwsze przez handel z czwartego wyboru, a następnie wybierając Justin Gilbert z ósmym), większość spodziewała się, że pójdzie wyżej.
Nie wiemy, dlaczego Manziel poszedł tam, gdzie on, ale wiemy, że jest niewymiarowy dla jego pozycji. A historycznie podejście drużyn NFL do niewymiarowych QB było takie, żeby ich nie draftować – jeśli są niscy. Moje badania sugerują, że ta strategia jest niedostatecznie zniuansowana: Jeśli wzrost w ogóle ma znaczenie, drużyny NFL już to uwzględniły i jeszcze trochę. Bycie zbyt lekkim, z drugiej strony, wydaje się być silniejszym predyktorem wydajności (lub jej braku), a drużyny NFL wydają się nie uwzględniać tego wystarczająco.
Dla QB o wzroście Manziela, bycie draftowanym nawet późno w pierwszej rundzie jest niewiarygodnie rzadkie. Od 1967 fuzji do 2013, NFL zespoły wybrane 209 quarterbacks w pierwszych trzech rundach draftu, jeszcze tylko pięć z nich były 72 cali (6 stóp) lub krótszy. Z tych pięciu, tylko Michael Vick (wymieniony jako 6 stóp) został wybrany w pierwszej rundzie. Dla porównania: Od 1987 roku drużyny NBA wybrały pięciu graczy o wysokości 6 stóp lub krótszych w zaledwie 10 pierwszych pickach pierwszej rundy.
Jeśli spojrzeliśmy na tych pięciu rozgrywających w pojedynkę, draftowanie krótkich QB wyglądałoby jak całkiem dobry zakład. Ich łączna wartość przybliżona (AV)1 w karierze wynosi 260 – więcej niż łączna wartość AV (210) wszystkich 12 QB o wzroście 78 cali (6 stóp 6 cali) i wyższym.
To porównanie służy wyłącznie celom rozrywkowym: to mała próbka, a obie te grupy zawierają wielu aktywnych graczy, którzy mają przed sobą wiele produktywnych lat. Ale to wskazuje na większe problemy z tym, jak NFL uwzględnia wzrost.
Wielu mediów przed draftem raporty skautingowe nie rozróżniają pomiędzy wzrostem i wagą, często odnosząc się do „rozmiaru” lub „objętości” gracza zamiast tego. Ale jeśli chodzi o metrykę rozmiaru, NFL wydaje się być o wiele bardziej wyrozumiała dla lekkich rozgrywających niż tych krótkich. Średnia waga dla 71- do 72-calowego rozgrywającego wynosi 202 funty, a jednak 27 rozgrywających o tej wadze lub niższej zostało wybranych w pierwszych trzech rundach w tym samym okresie czasu (1967-2013), w którym tylko pięciu QB o tym wzroście zostało wziętych.
Aby zbadać, czy ta szczególna niechęć do draftowania krótkich QB (przy jednoczesnej gotowości do draftowania lekkich) ma jakikolwiek sens, sklasyfikowałem szerszą pulę draftowanych rozgrywających (ograniczając się do tych wybranych w pierwszych siedmiu rundach) w oparciu o to, jak porównywali się do wagi i wzrostu Manziela. Stamtąd porównałem średnią AV każdej grupy na sezon, aby zobaczyć, czy któraś z grup wypadła lepiej niż pozostałe.
Patrząc na prawą kolumnę, widzimy, że krótcy QB zrobili średnio nieco lepiej niż nie-krótcy QB (3.0 średnia AV na sezon vs 2.4). Ale nawet z siedmioma rundami draftu ta liczba jest nadal dość mała: Tylko 29 krótkich QB jest uwzględnionych w tym porównaniu (więc wyniki nie są statystycznie istotne).
Ale kolumny wagi pokazują ostrą przepaść między rozgrywającymi po obu stronach Manziela (2,7 średniego AV na sezon w porównaniu do 1,6 ogółem). Jest też szersza próbka: 107 graczy ważyło na wadze 207 funtów lub mniej, w porównaniu do 311, którzy byli ciężsi.
Based on that, it seems that drafting a quarterback of Manziel’s weight is a more dangerous proposition than drafting one of his height. Ale to dość prymitywna analiza binarna. Ponieważ rynek draftu NFL jest dość wydajny, jeśli istniałby związek między wzrostem lub wagą a potencjałem kariery, prawdopodobnie oczekiwalibyśmy, że będzie on uwzględniony w pozycji w drafcie każdego rozgrywającego (lub w tym, czy rozgrywający w ogóle zostanie wybrany).
Rozszerzmy więc badanie, aby uwzględnić pozycję każdego rozgrywającego w drafcie. Następnie, zamiast dzielić graczy na grupy, spójrzmy na ogólne korelacje pomiędzy wzrostem, wagą i pickiem2 a kilkoma różnymi metrykami QB – przybliżoną wartością, jardami na mecz i jardami na próbę.3 (Dla tego porównania, odfiltrowałem QB wyselekcjonowanych później niż w 2008 roku.)
Ta grupa słupków po lewej stronie pokazuje nam, że wzrost jest przynajmniej trochę skorelowany z przybliżoną wartością, jardami na grę i jardami na próbę – ale znacznie lepiej koreluje z pozycją QB w drafcie. Waga, z drugiej strony, koreluje z naszymi metrykami QB znacznie bardziej i, co ważne, koreluje z pozycją w drafcie mniej.
Innymi słowy, wzrost wydaje się mówić nam mniej niż waga, a to, co nam mówi, jest bardziej prawdopodobne, że już wiemy.
Jakkolwiek same korelacje nie mówią nam, co jest przyczyną czego, jak na razie jest to dość słabe przedstawienie wzrostu jako predyktora wyników rozgrywającego. Ale nadal istnieje wiele możliwości, więc aby lepiej zrozumieć, które zmienne wykonują jaką pracę, stworzyłem modele regresji, które wykorzystują wzrost, wagę i draft pick do przewidywania różnych wskaźników, a następnie porównałem jak ważna była każda zmienna w każdym modelu.
Te regresje dały „t-wartości”, podstawowe miary wiarygodności predykcyjnej każdej zmiennej.4 W tym przypadku szukamy minimalnej wartości 2.0.5
Nie tylko wzrost nie jest dobrym predyktorem, gdy jest połączony z wagą i lokalizacją kilofa, ale jest lekko ujemny (chociaż, aby być statystycznie istotnym negatywnym predyktorem, chcielibyśmy zobaczyć wartości poniżej -2.0). Nie oznacza to, że wzrost jest zły, oznacza to tylko, że – niezależnie od jego wartości – drużyny NFL prawdopodobnie przeceniają go.
Waga, jednakże, jest wysoce znaczącym predyktorem dla tych wskaźników.6 Ponieważ lokalizacja draftu jest uwzględniona jako dane wejściowe dla tej regresji, silnie sugeruje to, że drużyny NFL nie uwzględniają w wystarczającym stopniu wagi w swoich wyborach.
Istnieje wiele możliwych powodów takiego stanu rzeczy. Wydaje mi się, że ma to coś wspólnego z fizycznością gry NFL, i że zespoły mogą zostać zauroczone umiejętnościami QB lub dokładnością i nie doceniać jego siły lub trwałości. Ale ustalenie dokładnie, dlaczego waga jest tak przewidywalna, jest zupełnie innym badaniem, które może być zbyt skomplikowane w stosunku do ilości dostępnych danych.7 Więc zamiast nurkować głębiej, uprośćmy.
To, na czym nam naprawdę zależy, to czy QB ma minimalnie udaną karierę. Aby to sprawdzić, ustaliłem granicę „udanej kariery” na poziomie około 32 AV, co oddziela mniej więcej 100 najlepszych QB z draftu od 1967 r.8 Zasadniczo nasza granica „udanej” będzie obejmowała wszystkich dobrych QB, o których słyszeliście, aż do takich jak Joey Harrington, Rick Mirer, Vince Young, Byron Leftwich czy (cofając się jeszcze dalej) Steve Spurrier. Podczas gdy najgorszy z „udanych” rozgrywających może brzmieć dla Ciebie całkiem źle (Tim Couch, fani Browns?), prawie dwie trzecie rozgrywających wybranych 22. raz (pozycja Manziela w drafcie) będzie prawdopodobnie jeszcze gorsze.
Możemy przewidzieć bazowe prawdopodobieństwo, że QB odniesie „sukces” lub nie, używając regresji logistycznej9 z tylko jego pozycją w drafcie.10 Pogrupowałem QB, zaokrąglając ich wagę do najbliższych 5 funtów, a następnie obliczyłem, ilu z tej grupy powinno mieć „udane” kariery w oparciu o każdą z ich pozycji w drafcie, a następnie porównałem to z liczbą tych, którym rzeczywiście się udało. Kiedy już to zrobiłem, naniosłem na wykres, jak każda grupa odniosła sukces w stosunku do naszych oczekiwań.
Czerwona linia pokazuje, o ile bardziej lub mniej prawdopodobne jest, że QB o danej wadze odniesie sukces, niż oczekiwalibyśmy na podstawie samej pozycji w drafcie.11 Manziel waży 207 funtów. Z modelu wynika, że spodziewamy się o 19 procent mniejszej liczby QB ważących 207 funtów, którzy odniosą sukces, niż wynikałoby to z ich pozycji w drafcie.
Szanse na „sukces” dla QB, który zajął 22 miejsce w drafcie, wynoszą około 34 procent. Szanse na to, że 207-funtowy rozgrywający wybrany 22. ogółem odniesie sukces, wynoszą około 27 procent (81 procent z 34 procent). W kategoriach draft-pick jest to mniej więcej tyle samo, co w przypadku średnio ważonego rozgrywającego wybranego na 38. pozycji – znaczący, ale z pewnością nie zaporowy spadek. Możemy dokonać tego samego rodzaju obliczeń dla każdej pozycji w drafcie.
Z drugiej strony, Manziel był przewidywany, aby przejść wyżej w drafcie. Możliwe, że został niesprawiedliwie ukarany za swój wzrost, ale nie za wagę.
Gdyby Browns wybrali Manziela z ósmym wyborem, korekta mojego modelu size-weight (która jest w zasadzie korektą wagi, ponieważ wzrost nie spełniał progu włączenia), uczyniłaby go mniej więcej tak prawdopodobnym, aby odnieść sukces, jak wybór nr 16. Pasowałoby to całkiem dobrze do faktycznych decyzji Browns w dniu draftu: zrezygnować z Manziela z ósmym wyborem, ale potem wymienić go na 22.
Nie jestem zakochany w tej metryce – ani w żadnej innej metryce oceny QB – ale dobrze podsumowuje, a do testowania hipotez dotyczących całej ligi wystarczy praktycznie każda rozsądna metryka.
Nie jestem zakochany w tej metryce – ani tak naprawdę w żadnej metryce QB rating – ale sumuje się dobrze, a do testowania hipotez obejmujących całą ligę, praktycznie każda rozsądna metryka to zrobi.
Technicznie te korelacje używają logarytmu z każdego wyboru gracza, podobnie jak wszystkie regresje w tym artykule.
Nie jestem zakochany w tej metryce – ani tak naprawdę w żadnej metryce QB rating – ale sumuje się ona dobrze, a do testowania hipotez dotyczących całej ligi, praktycznie każda rozsądna metryka to zrobi.
Technicznie te korelacje używają logarytmu z każdego wyboru gracza, tak jak wszystkie regresje w tym artykule.
Jeśli zastanawiasz się, dlaczego nie używam bardziej skomplikowanych wskaźników efektywności, takich jak Passer Rating, QBR ESPN, czy Win Percentage Added Briana Burke’a, to dlatego, że uważam, że wszystkie one zbyt mocno korespondują ze stylem i jakością drużyny QB i ofensywy – przynajmniej do tych celów. Jeśli dokonujesz drobiazgowych porównań, możesz być skłonny zaakceptować ten koszt w zamian za większą precyzję tych wskaźników, ale do oceny długoterminowego wpływu setek QB, wolę używać szerszych miar. Przede wszystkim chcę wiedzieć, jak prawdopodobne jest, że ci gracze będą mieli długie, produktywne kariery.
Nie jestem zakochany w tej metryce – ani w żadnej innej metryce oceny QB – ale sumuje się ona dobrze, a do testowania hipotez dotyczących całej ligi wystarczy praktycznie każda rozsądna metryka.
Technicznie te korelacje używają logarytmu z każdego wyboru gracza, tak jak wszystkie regresje w tym artykule.
Jeśli zastanawiasz się, dlaczego nie używam bardziej skomplikowanych wskaźników efektywności, takich jak Passer Rating, QBR ESPN, czy Win Percentage Added Briana Burke’a, to dlatego, że uważam, że wszystkie one zbyt mocno korespondują ze stylem i jakością drużyny QB i ofensywy – przynajmniej do tych celów. Jeśli dokonujesz drobiazgowych porównań, możesz być skłonny zaakceptować ten koszt w zamian za większą precyzję tych wskaźników, ale do oceny długoterminowego wpływu setek QB wolę używać szerszych miar. Głównie chcę wiedzieć, jak prawdopodobne jest, że ci zawodnicy będą mieli długie, produktywne kariery.
To waga, jaką powinieneś przypisać zmiennej podzielona przez jej średni błąd.
Nie jestem zakochany w tej metryce – ani tak naprawdę w żadnej metryce QB ratingu – ale dobrze podsumowuje, a do testowania hipotez dotyczących całej ligi wystarczy praktycznie każda rozsądna metryka.
Technicznie te korelacje używają logarytmu z każdego wyboru gracza, tak jak wszystkie regresje w tym artykule.
Jeśli zastanawiasz się, dlaczego nie używam bardziej skomplikowanych wskaźników efektywności, takich jak Passer Rating, QBR ESPN, czy Win Percentage Added Briana Burke’a, to dlatego, że uważam, że wszystkie one zbyt mocno korespondują ze stylem i jakością drużyny QB i ofensywy – przynajmniej do tych celów. Jeśli dokonujesz drobiazgowych porównań, możesz być skłonny zaakceptować ten koszt w zamian za większą precyzję tych wskaźników, ale do oceny długoterminowego wpływu setek QB, wolę używać szerszych miar. Głównie to, co chcę wiedzieć, to jak prawdopodobne jest, że ci zawodnicy będą mieli długie, produktywne kariery.
Jest to waga, jaką powinieneś przyłożyć do zmiennej podzielona przez jej średni błąd.
Jest to wartość graniczna dla „istotności statystycznej”, co oznacza, że zgodność widziana w danych zdarzyłaby się mniej niż 5 procent czasu przez przypadek. Chodzi tu o minimalną ilość zaufania, jakiej potrzebujesz do zmiennej, aby jej użycie było warte twojego czasu.
Nie jestem zakochany w tej metryce – ani w żadnej innej metryce QB ratingu – ale sumuje się ona dobrze, a do testowania hipotez dotyczących całej ligi, praktycznie każda rozsądna metryka to zrobi.
Technicznie te korelacje używają logarytmu z każdego wyboru gracza, tak jak wszystkie regresje w tym artykule.
Jeśli zastanawiasz się, dlaczego nie używam bardziej skomplikowanych wskaźników efektywności, takich jak Passer Rating, QBR ESPN, czy Win Percentage Added Briana Burke’a, to dlatego, że uważam, że wszystkie one zbyt mocno korespondują ze stylem i jakością drużyny QB i ofensywy – przynajmniej do tych celów. Jeśli dokonujesz drobiazgowych porównań, możesz być skłonny zaakceptować ten koszt w zamian za większą precyzję tych metryk, ale do oceny długoterminowego wpływu setek QB wolę używać szerszych miar. Głównie to, co chcę wiedzieć, to jak prawdopodobne jest, że ci zawodnicy będą mieli długie, produktywne kariery.
Jest to waga, jaką powinieneś przyłożyć do zmiennej podzielona przez jej średni błąd.
Jest to wartość graniczna dla „istotności statystycznej”, co oznacza, że zgodność widziana w danych zdarzyłaby się mniej niż 5 procent czasu przez przypadek. To jest o minimalnej ilości zaufania, którego potrzebujesz w zmiennej, aby jej użycie było warte twojego czasu.
Jak to jest dla większości metryk w różnym stopniu, chociaż ma tendencję do robienia najlepiej na bazach per-game i per-year.
Nie jestem zakochany w tej metryce – lub tak naprawdę w jakiejkolwiek metryce QB ratingu – ale sumuje się dobrze, a do testowania hipotez dotyczących całej ligi, praktycznie każda rozsądna metryka to zrobi.
Technicznie te korelacje używają logarytmu z każdego wyboru gracza, tak jak wszystkie regresje w tym artykule.
Jeśli zastanawiasz się, dlaczego nie używam bardziej skomplikowanych wskaźników efektywności, takich jak Passer Rating, QBR ESPN, czy Win Percentage Added Briana Burke’a, to dlatego, że uważam, że wszystkie one zbyt mocno korespondują ze stylem i jakością drużyny QB i ofensywy – przynajmniej do tych celów. Jeśli dokonujesz drobiazgowych porównań, możesz być skłonny zaakceptować ten koszt w zamian za większą precyzję tych wskaźników, ale do oceny długoterminowego wpływu setek QB wolę używać szerszych miar. Głównie to, co chcę wiedzieć, to jak prawdopodobne jest, że ci zawodnicy będą mieli długie, produktywne kariery.
Jest to waga, jaką powinieneś przyłożyć do zmiennej podzielona przez jej średni błąd.
Jest to wartość graniczna dla „istotności statystycznej”, co oznacza, że zgodność widziana w danych zdarzyłaby się mniej niż 5 procent czasu przez przypadek. To jest o minimalnej ilości zaufania, którego potrzebujesz w zmiennej, aby jej użycie było warte twojego czasu.
Jak to jest dla większości metryk w różnym stopniu, chociaż ma tendencję do robienia najlepiej na bazach per-game i per-year.
To jest w zasadzie główne wyzwanie z każdym problemem związanym z NFL.
Nie jestem zakochany w tej metryce – ani tak naprawdę w żadnej metryce QB ratingu – ale sumuje się ona dobrze, a do testowania hipotez dotyczących całej ligi wystarczy praktycznie każda rozsądna metryka.
Technicznie te korelacje używają logarytmu z każdego wyboru gracza, tak jak wszystkie regresje w tym artykule.
Jeśli zastanawiasz się, dlaczego nie używam bardziej skomplikowanych wskaźników efektywności, takich jak Passer Rating, QBR ESPN, czy Win Percentage Added Briana Burke’a, to dlatego, że uważam, że wszystkie one zbyt mocno korespondują ze stylem i jakością drużyny QB i ofensywy – przynajmniej do tych celów. Jeśli dokonujesz drobiazgowych porównań, możesz być skłonny zaakceptować ten koszt w zamian za większą precyzję tych wskaźników, ale do oceny długoterminowego wpływu setek QB, wolę używać szerszych miar. Głównie to, co chcę wiedzieć, to jak prawdopodobne jest, że ci zawodnicy będą mieli długie, produktywne kariery.
Jest to waga, jaką powinieneś przyłożyć do zmiennej podzielona przez jej średni błąd.
Jest to wartość graniczna dla „istotności statystycznej”, co oznacza, że zgodność widziana w danych zdarzyłaby się mniej niż 5 procent czasu przez przypadek. To jest o minimalnej ilości zaufania, którego potrzebujesz w zmiennej, aby jej użycie było warte twojego czasu.
Jak to jest dla większości metryk w różnym stopniu, chociaż ma tendencję do robienia najlepiej na bazach per-game i per-year.
To jest w zasadzie główne wyzwanie z każdym problemem związanym z NFL.
Zauważ, że tak naprawdę nie ma znaczenia, gdzie dokładnie narysujemy linię, ale to, że w ogóle ją narysujemy: Anything will do for a barometer.
Nie jestem zakochany w tej metryce – ani tak naprawdę w żadnej metryce QB rating – ale sumuje się ona dobrze, a do testowania hipotez dotyczących całej ligi wystarczy praktycznie każda rozsądna metryka.
Technicznie te korelacje używają logarytmu z każdego wyboru gracza, tak jak wszystkie regresje w tym artykule.
Jeśli zastanawiasz się, dlaczego nie używam bardziej skomplikowanych wskaźników efektywności, takich jak Passer Rating, QBR ESPN, czy Win Percentage Added Briana Burke’a, to dlatego, że uważam, że wszystkie one zbyt mocno korespondują ze stylem i jakością drużyny QB i ofensywy – przynajmniej do tych celów. Jeśli dokonujesz drobiazgowych porównań, możesz być skłonny zaakceptować ten koszt w zamian za większą precyzję tych wskaźników, ale do oceny długoterminowego wpływu setek QB, wolę używać szerszych miar. Głównie to, co chcę wiedzieć, to jak prawdopodobne jest, że ci zawodnicy będą mieli długie, produktywne kariery.
Jest to waga, jaką powinieneś przyłożyć do zmiennej podzielona przez jej średni błąd.
Jest to wartość graniczna dla „istotności statystycznej”, co oznacza, że zgodność widziana w danych zdarzyłaby się mniej niż 5 procent czasu przez przypadek. To jest o minimalnej ilości zaufania, którego potrzebujesz w zmiennej, aby jej użycie było warte twojego czasu.
Jak to jest dla większości metryk w różnym stopniu, chociaż ma tendencję do robienia najlepiej na bazach per-game i per-year.
To jest w zasadzie główne wyzwanie z każdym problemem związanym z NFL.
Zauważ, że tak naprawdę nie ma znaczenia, gdzie dokładnie narysujemy linię, ale to, że w ogóle ją narysujemy: Wszystko nadaje się na barometr.
Regresja, która przewiduje binarne wyniki, takie jak zwycięstwa/straty, dobre/złe, itp.
Nie jestem zakochany w tej metryce – ani tak naprawdę w żadnej metryce QB ratingu – ale dobrze się sumuje, a do testowania hipotez dotyczących całej ligi nadaje się praktycznie każda rozsądna metryka.
Technicznie te korelacje używają logarytmu z każdego wyboru gracza, tak jak wszystkie regresje w tym artykule.
Jeśli zastanawiasz się, dlaczego nie używam bardziej skomplikowanych wskaźników efektywności, takich jak Passer Rating, QBR ESPN, czy Win Percentage Added Briana Burke’a, to dlatego, że uważam, że wszystkie one zbyt mocno korespondują ze stylem i jakością drużyny QB i ofensywy – przynajmniej do tych celów. Jeśli dokonujesz drobiazgowych porównań, możesz być skłonny zaakceptować ten koszt w zamian za większą precyzję tych wskaźników, ale do oceny długoterminowego wpływu setek QB, wolę używać szerszych miar. Głównie to, co chcę wiedzieć, to jak prawdopodobne jest, że ci zawodnicy będą mieli długie, produktywne kariery.
Jest to waga, jaką powinieneś przyłożyć do zmiennej podzielona przez jej średni błąd.
Jest to wartość graniczna dla „istotności statystycznej”, co oznacza, że zgodność widziana w danych zdarzyłaby się mniej niż 5 procent czasu przez przypadek. To jest o minimalnej ilości zaufania, którego potrzebujesz w zmiennej, aby jej użycie było warte twojego czasu.
Jak to jest dla większości metryk w różnym stopniu, chociaż ma tendencję do robienia najlepiej na bazach per-game i per-year.
To jest w zasadzie główne wyzwanie z każdym problemem związanym z NFL.
Zauważ, że tak naprawdę nie ma znaczenia, gdzie dokładnie narysujemy linię, ale to, że w ogóle ją narysujemy: Dla barometru wystarczy wszystko.
Regresja, która przewiduje wyniki binarne, takie jak wygrana/przegrana, dobre/złe itp.
Na wypadek, gdybyś był zainteresowany, wzór w Excelu na to =1/(1+EXP(-(1.1536-0.40511*))), gdzie jest logarytmem pozycji QB w drafcie w podstawie 2 (lub log(,2)).
Nie jestem zakochany w tej metryce – ani w żadnej innej metryce oceny QB – ale dobrze podsumowuje, a do testowania hipotez dotyczących całej ligi wystarczy praktycznie każda rozsądna metryka.
Technicznie te korelacje używają logarytmu z każdego wyboru gracza, tak jak wszystkie regresje w tym artykule.
Jeśli zastanawiasz się, dlaczego nie używam bardziej skomplikowanych wskaźników efektywności, takich jak Passer Rating, QBR ESPN, czy Win Percentage Added Briana Burke’a, to dlatego, że uważam, że wszystkie one zbyt mocno korespondują ze stylem i jakością drużyny QB i ofensywy – przynajmniej do tych celów. Jeśli dokonujesz drobiazgowych porównań, możesz być skłonny zaakceptować ten koszt w zamian za większą precyzję tych wskaźników, ale do oceny długoterminowego wpływu setek QB, wolę używać szerszych miar. Głównie to, co chcę wiedzieć, to jak prawdopodobne jest, że ci zawodnicy będą mieli długie, produktywne kariery.
Jest to waga, jaką powinieneś przyłożyć do zmiennej podzielona przez jej średni błąd.
Jest to wartość graniczna dla „istotności statystycznej”, co oznacza, że zgodność widziana w danych zdarzyłaby się mniej niż 5 procent czasu przez przypadek. To jest o minimalnej ilości zaufania, którego potrzebujesz w zmiennej, aby uczynić ją wartą twojego czasu.
Jak to jest dla większości metryk w różnym stopniu, chociaż ma tendencję do robienia najlepiej na bazach per-game i per-year.
To jest w zasadzie główne wyzwanie z każdym problemem związanym z NFL.
Zauważ, że tak naprawdę nie ma znaczenia, gdzie dokładnie narysujemy linię, ale to, że w ogóle ją narysujemy: Dla barometru wystarczy wszystko.
Regresja, która przewiduje wyniki binarne, takie jak wygrana/przegrana, dobre/złe itp.
Na wypadek, gdybyś był zainteresowany, wzór w Excelu na to =1/(1+EXP(-(1.1536-0.40511*))), gdzie jest logarytmem pozycji QB w drafcie w podstawie 2 (lub log(,2)).
W Excelu ta formuła to: =((1/(1+EXP(-(-7.814506+0,031653*))))-0,272723209)/0,272723209.
Najlepsze z FiveThirtyEight, dostarczone do Ciebie.
.