“Se tens 6-5, 230, corre um certo tempo, há uns 35 tipos que eu posso comparar com os que tiveram sucesso nesta liga. Se você tem 5-11, há dois, a menos que você volte para Fran Tarkenton: Doug Flutie e Russell Wilson. Isso não é uma boa probabilidade para mim. Você ainda pode conseguir, mas a história diz que não. Só porque tens 5-11 anos, não significa que não possas ter sucesso. O Johnny tem magia.” – Bruce Arians, treinador principal do Arizona Cardinals
“Sinto-me como se jogasse como se tivesse 3 metros de altura.” – Johnny Manziel
No NFL scouting combinam em Fevereiro, o popular quarterback Heisman Trophy-winning Johnny Manziel medido oficialmente em 71¾ polegadas e 207 libras. Sua baixa estatura era um tópico tão quente antes do rascunho da NFL de 2014 que a mídia não resistiu aos trocadilhos: “Johnny Manziel é o menor na combinação da NFL” (CBS Cleveland); “O Maior e o Menor de Johnny Manziel” (ESPN Cleveland); “Será que Johnny Manziel vai medir para os Castanhos?” (CantonRep.com).
Ultimamente, os Cleveland Browns seleccionaram Manziel com a 22ª escolha na primeira ronda. Com várias equipes famintas por QB perto do topo do rascunho (incluindo os Browns, que desperdiçaram duas chances anteriores de rascunhar Manziel, primeiro trocando da quarta escolha e depois selecionando Justin Gilbert com a oitava), a maioria esperava que ele subisse.
Não sabemos por que Manziel foi onde foi, mas sabemos que ele é subdimensionado para a sua posição. E historicamente, a abordagem das equipas da NFL aos QBs de tamanho inferior ao dele não tem sido de os esboçar – se eles são curtos. A minha pesquisa sugere que esta estratégia não é suficientemente matizada: Se a altura é importante, as equipas da NFL já contabilizaram isso e depois algumas. Sendo muito leve, por outro lado, parece ser um indicador mais forte de desempenho (ou falta dele), e as equipes da NFL parecem não ter contabilizado o suficiente.
Para um QB de altura de Manziel, ser esboçado mesmo tarde na primeira rodada é incrivelmente raro. Desde a fusão de 1967 até 2013, as equipes da NFL selecionaram 209 quarterbacks nas três primeiras rodadas do rascunho, mas apenas cinco deles foram de 72 polegadas (6 pés) ou menos. Desses cinco, apenas Michael Vick (com 6 pés) foi selecionado na primeira rodada. Para comparação: Desde 1987, as equipas da NBA prepararam cinco jogadores de 6 pés ou menos nas primeiras 10 selecções da primeira ronda.
Se olhássemos apenas para esses cinco quarterbacks, a elaboração de QBs curtos pareceria uma boa aposta. Eles têm uma carreira combinada Valor Aproximado (AV)1 de 260 – maior que o AV combinado (210) de todos os 12 QBs listados como 78 polegadas (6 pés 6 polegadas) e mais altos.
Esta comparação é apenas para fins de diversão: É uma pequena amostra, e ambos os grupos incluem um número de jogadores ativos com muitos anos produtivos à frente deles. Mas isso sugere problemas maiores com a forma como a NFL contabiliza a altura.
Muitas reportagens de scouting de pré-projeto de mídia não fazem distinção entre altura e peso, referindo-se frequentemente ao “tamanho” ou “volume” de um player. Mas quando se trata de métricas de tamanho, a NFL parece ser muito mais indulgente com os quarterbacks leves do que com os curtos. O peso médio de um quarterback de 71 a 72 polegadas é de 202 libras, mas 27 quarterbacks desse peso ou abaixo foram definidos nas três primeiras rodadas no mesmo período de tempo (1967-2013), o que resultou em apenas cinco QBs dessa altura.
Para examinar se esta relutância particular em esboçar QBs curtos (enquanto estava disposto a esboçar QBs leves) faz algum sentido, classifiquei o conjunto mais amplo de quarterbacks esboçados (limitando aos seleccionados nas sete primeiras rondas) com base na forma como foram comparados com o peso e altura de Manziel. A partir daí comparei o AV médio de cada grupo por temporada para ver se algum dos grupos teve um desempenho melhor que os outros.
Vista na coluna da direita, vemos que os QBs curtos se saíram ligeiramente melhor em média que os QBs não curtos (3,0 AV médio por temporada versus 2,4). Mas mesmo com sete rascunhos de rascunhos este número ainda é bastante pequeno: apenas 29 QBs curtos estão incluídos nesta comparação (portanto os resultados não são estatisticamente significativos).
Mas as colunas de peso mostram uma divisão acentuada entre quarterbacks em ambos os lados de Manziel (2,7 média AV por época versus 1,6 no total). Há uma amostra mais ampla, também: 107 jogadores com peso igual ou inferior a 207 libras, comparado com 311 que eram mais pesados.
Baseado nisso, parece que a elaboração de um quarterback do peso de Manziel é uma proposta mais perigosa do que a elaboração de um da sua altura. Mas essa é uma análise binária bastante grosseira. Como o mercado de draft da NFL é bastante eficiente, se houvesse uma relação entre altura ou peso e potencial de carreira, provavelmente esperaríamos que ele fosse cotado na posição de draft de cada quarterback (ou se um quarterback é esboçado de todo).
Então vamos expandir a investigação para incluir a posição de draft de cada quarterback. Então, ao invés de dividir os jogadores em grupos, vamos olhar para as correlações gerais entre altura, peso e pick2 e algumas métricas diferentes de QB – Valor aproximado, jardas por jogo e jardas por tentativa.3 (Para esta comparação, filtrei QBs esboçados mais tarde que 2008.)
Esse agrupamento de barras à esquerda mostra-nos que a altura está pelo menos um pouco correlacionada com o Valor Aproximado, jardas por jogo e jardas por tentativa – mas correlaciona-se muito melhor com a posição de esboço do QB. O peso, por outro lado, correlaciona-se muito mais com a nossa métrica de QB, e, o que é importante, correlaciona-se com a posição de rascunho menos.
Em outras palavras, a altura parece nos dizer menos do que o peso, e o que ela nos diz é mais provável que já tenhamos sabido.
Embora as correlações por si só não nos digam o que está causando o que, até agora, esta é uma péssima exibição para a altura como um preditor do desempenho do quarterback. Mas ainda há muitas possibilidades, então para ter uma melhor noção de quais variáveis estão fazendo que trabalho, criei modelos de regressão que usam altura, peso e draft pick para prever uma variedade de métricas, e depois comparei o quão importante cada variável era para cada modelo.
As regressões produziram “t-values”, medidas básicas da confiabilidade preditiva de cada variável.4 Neste caso estamos procurando um valor mínimo de 2,0,5
Não só a altura não é um bom preditor quando combinada com o peso e a localização da palheta, é um valor ligeiramente negativo (embora para ser um preditor negativo estatisticamente significativo, gostaríamos de ver valores abaixo de -2,0). Isto não significa que a altura seja má, mas apenas que – independentemente do valor que possa ter – as equipas da NFL estão provavelmente a sobreavaliá-la.
Peso, no entanto, é um preditor altamente significativo para estas métricas.6 Uma vez que o rascunho de localização está incluído como input para esta regressão, isto sugere fortemente que as equipas da NFL não têm tido peso suficiente nas suas selecções.
Existem várias razões possíveis para isto. Meu palpite seria que tem algo a ver com a fisicalidade do jogo da NFL, e que as equipes podem se apaixonar pela habilidade ou precisão de um QB e subestimar sua força ou durabilidade. Mas descobrir exatamente por que o peso é tão preditivo é uma investigação totalmente diferente, e que pode ser muito complicada para a quantidade de dados disponíveis.7 Então, em vez de mergulhar mais fundo, vamos simplificar.
O que realmente nos interessa é se um QB tem uma carreira de sucesso mínimo. Para testar isso, eu defini o corte de “carreira de sucesso” em cerca de 32 AV, o que separa mais ou menos os 100 melhores QBs desde 1967.8 Basicamente, nosso corte de “sucesso” vai ser todo o bom QBs que você já ouviu falar, até sobre Joey Harrington, Rick Mirer, Vince Young, Byron Leftwich ou (indo mais atrás) Steve Spurrier. Enquanto o pior dos quarterbacks “bem-sucedidos” pode soar muito mal para você (Tim Couch, fãs de Browns?), quase dois terços dos quarterbacks selecionados na 22ª posição geral (posição de rascunho de Manziel) provavelmente serão ainda piores.
Nós podemos prever a probabilidade de um QB ser “bem-sucedido” ou não, usando uma regressão logística9 apenas com sua posição de rascunho.10 Eu agrupei os QBs arredondando o seu peso para as 5 libras mais próximas, depois calculei quantos desse grupo deveriam ter tido carreiras “de sucesso” com base em cada uma das suas posições de rascunho, e depois comparei isso com o número de QBs que realmente tiveram. Uma vez que isso foi feito, eu tracei como cada grupo teve sucesso em relação às nossas expectativas.
A linha vermelha mostra o quanto mais ou menos provável um QB de um determinado peso é ser bem sucedido do que esperaríamos baseado apenas na sua posição de rascunho.11 Manziel está listado como 207 libras. Do modelo, esperaríamos cerca de 19% menos QBs de 207 libras do que esperaríamos com base na sua posição de rascunho.
As probabilidades de ser “bem sucedido” para um QB tomado em 22º lugar são de aproximadamente 34%. As probabilidades de um quarterback de 207 libras seleccionado em 22º lugar serem bem sucedidos são de cerca de 27% (81% de 34%). Em termos de draft-pick, isso é mais ou menos o mesmo que um quarterback ponderado pela média rascunhou a 38ª posição geral – uma queda substancial, mas certamente não condenável. Podemos fazer esse mesmo tipo de cálculo para cada posição de rascunho.
Por outro lado, Manziel foi projetado para ir mais alto no rascunho. É possível que ele tenha sido injustamente dingado para sua altura, mas não o suficiente para seu peso.
Se os Browns tivessem selecionado Manziel com a oitava escolha, o ajuste de tamanho do meu modelo (que é basicamente um ajuste de peso, uma vez que a altura não atingiu o limite para inclusão), faria com que ele tivesse tanta probabilidade de sucesso quanto uma escolha número 16. Isso corresponderia muito bem com as decisões do dia dos Browns: passar Manziel com a oitava escolha, mas depois trocar para levá-lo com a 22ª.
Não estou apaixonado por esta métrica – ou realmente qualquer métrica de classificação QB – mas ela soma bem, e para testar hipóteses de toda a liga, virtualmente qualquer métrica razoável servirá.
Não estou apaixonado por esta métrica – ou realmente por qualquer métrica de classificação QB – mas soma-se bem, e para testar hipóteses de toda a liga, virtualmente qualquer métrica razoável serve.
Tecnicamente estas correlações usam o logaritmo da escolha de cada jogador, tal como todas as regressões neste artigo.
Não estou apaixonado por esta métrica – ou realmente por qualquer métrica de classificação QB – mas ela soma bem, e para testar hipóteses de toda a liga, virtualmente qualquer métrica razoável serve.
Tecnicamente estas correlações usam o logaritmo da escolha de cada jogador, assim como todas as regressões neste artigo.
Se você está se perguntando porque eu não estou usando métricas de eficiência mais complicadas como Passer Rating, QBR da ESPN, ou a porcentagem de ganho de Brian Burke adicionada, é porque eu acho que todas elas correspondem muito fortemente com o estilo e qualidade de uma equipe de QB e ofensiva – pelo menos para estes propósitos. Se você está fazendo comparações finamente granuladas, você pode estar disposto a aceitar esse custo em troca da maior precisão dessas métricas, mas para avaliar os impactos a longo prazo de centenas de QBs, eu prefiro usar medidas mais amplas. Principalmente o que eu quero saber é a probabilidade desses jogadores terem carreiras longas e produtivas.
Não estou apaixonado por essa métrica – ou realmente qualquer métrica de classificação de QBs – mas ela soma bem, e para testar hipóteses de toda a liga, virtualmente qualquer métrica razoável serve.
Tecnicamente estas correlações usam o logaritmo da escolha de cada jogador, assim como todas as regressões neste artigo.
Se você está se perguntando porque eu não estou usando métricas de eficiência mais complicadas como Passer Rating, QBR da ESPN, ou a porcentagem de ganho de Brian Burke adicionada, é porque eu acho que todas elas correspondem muito fortemente com o estilo e qualidade de uma equipe de QB e ofensiva – pelo menos para estes propósitos. Se você está fazendo comparações finamente granuladas, você pode estar disposto a aceitar esse custo em troca da maior precisão dessas métricas, mas para avaliar os impactos a longo prazo de centenas de QBs, eu prefiro usar medidas mais amplas. Principalmente o que eu quero saber é a probabilidade desses jogadores terem carreiras longas e produtivas.
É o peso que você deve colocar na variável dividida pelo seu erro médio.
Não estou apaixonado por esta métrica – ou realmente por qualquer métrica de classificação QB – mas ela soma bem, e para testar hipóteses de toda a liga, virtualmente qualquer métrica razoável serve.
Tecnicamente estas correlações usam o logaritmo da escolha de cada jogador, assim como todas as regressões neste artigo.
Se você está se perguntando porque eu não estou usando métricas de eficiência mais complicadas como Passer Rating, QBR da ESPN, ou a porcentagem de ganho de Brian Burke adicionada, é porque eu acho que todas elas correspondem muito fortemente com o estilo e qualidade de uma equipe de QB e ofensiva – pelo menos para estes propósitos. Se você está fazendo comparações finamente granuladas, você pode estar disposto a aceitar esse custo em troca da maior precisão dessas métricas, mas para avaliar os impactos a longo prazo de centenas de QBs, eu prefiro usar medidas mais amplas. Principalmente o que eu quero saber é a probabilidade desses jogadores terem carreiras longas e produtivas.
É o peso que você deve colocar na variável dividida pelo seu erro médio.
Trata-se do corte para “significância estatística”, o que significa que a correspondência vista nos dados aconteceria menos de 5% do tempo por acaso. Isto é sobre a quantidade mínima de confiança que você precisa em uma variável para fazê-la valer a pena.
Não estou apaixonado por esta métrica – ou realmente por qualquer métrica de classificação QB – mas ela soma bem, e para testar hipóteses de toda a liga, virtualmente qualquer métrica razoável será suficiente.
Tecnicamente estas correlações usam o logaritmo da escolha de cada jogador, assim como todas as regressões neste artigo.
Se você está se perguntando por que eu não estou usando métricas de eficiência mais complicadas como Passer Rating, QBR da ESPN, ou a porcentagem de ganho de Brian Burke adicionada, é porque eu acho que todas elas correspondem muito fortemente com o estilo e qualidade de uma equipe de QB e ofensiva – pelo menos para estes propósitos. Se você está fazendo comparações finamente granuladas, você pode estar disposto a aceitar esse custo em troca da maior precisão dessas métricas, mas para avaliar os impactos a longo prazo de centenas de QBs, eu prefiro usar medidas mais amplas. Principalmente o que eu quero saber é a probabilidade desses jogadores terem carreiras longas e produtivas.
É o peso que você deve colocar na variável dividida pelo seu erro médio.
Trata-se do corte para “significância estatística”, o que significa que a correspondência vista nos dados aconteceria menos de 5% do tempo por acaso. Isto é sobre a quantidade mínima de confiança que você precisa em uma variável para fazê-la valer a pena.
Como é para a maioria das métricas em graus variados, embora tende a fazer melhor em bases por jogo e por ano.
Não estou apaixonado por esta métrica – ou realmente por qualquer métrica de classificação QB – mas ela soma bem, e para testar hipóteses de toda a liga, virtualmente qualquer métrica razoável serve.
Tecnicamente estas correlações usam o logaritmo da escolha de cada jogador, assim como todas as regressões neste artigo.
Se você está se perguntando porque eu não estou usando métricas de eficiência mais complicadas como Passer Rating, QBR da ESPN, ou a porcentagem de ganho de Brian Burke adicionada, é porque eu acho que todas elas correspondem muito fortemente com o estilo e qualidade de uma equipe de QB e ofensiva – pelo menos para estes propósitos. Se você está fazendo comparações finamente granuladas, você pode estar disposto a aceitar esse custo em troca da maior precisão dessas métricas, mas para avaliar os impactos de longo prazo de centenas de QBs, eu prefiro usar medidas mais amplas. Principalmente o que eu quero saber é a probabilidade desses jogadores terem carreiras longas e produtivas.
É o peso que você deve colocar na variável dividida pelo seu erro médio.
Trata-se do corte para “significância estatística”, o que significa que a correspondência vista nos dados aconteceria menos de 5% do tempo por acaso. Isto é sobre a quantidade mínima de confiança que você precisa em uma variável para fazê-la valer a pena.
Como é para a maioria das métricas em graus variados, embora tende a fazer melhor em bases por jogo e por ano.
Este é basicamente o principal desafio com todos os problemas relacionados à NFL.
Não estou apaixonado por esta métrica – ou realmente por qualquer métrica de classificação QB – mas ela soma bem, e para testar hipóteses de toda a liga, praticamente qualquer métrica razoável serve.
Tecnicamente estas correlações usam o logaritmo da escolha de cada jogador, assim como todas as regressões neste artigo.
Se você está se perguntando porque eu não estou usando métricas de eficiência mais complicadas como Passer Rating, QBR da ESPN, ou a porcentagem de ganho de Brian Burke adicionada, é porque eu acho que todas elas correspondem muito fortemente com o estilo e qualidade de uma equipe de QB e ofensiva – pelo menos para estes propósitos. Se você está fazendo comparações finamente granuladas, você pode estar disposto a aceitar esse custo em troca da maior precisão dessas métricas, mas para avaliar os impactos de longo prazo de centenas de QBs, eu prefiro usar medidas mais amplas. Principalmente o que eu quero saber é a probabilidade desses jogadores terem carreiras longas e produtivas.
É o peso que você deve colocar na variável dividida pelo seu erro médio.
Trata-se do corte para “significância estatística”, o que significa que a correspondência vista nos dados aconteceria menos de 5% do tempo por acaso. Isto é sobre a quantidade mínima de confiança que você precisa em uma variável para fazê-la valer a pena.
Como é para a maioria das métricas em graus variáveis, embora tende a fazer melhor em bases por jogo e por ano.
Este é basicamente o principal desafio com todos os problemas relacionados à NFL.
Notem que não importa exatamente onde traçamos a linha, mas sim que traçamos uma linha: Qualquer coisa serve para um barómetro.
Não estou apaixonado por esta métrica – ou realmente por qualquer métrica de classificação QB – mas é uma boa soma, e para testar hipóteses de toda a liga, virtualmente qualquer métrica razoável serve.
Tecnicamente estas correlações usam o logaritmo da escolha de cada jogador, assim como todas as regressões neste artigo.
Se você está se perguntando porque eu não estou usando métricas de eficiência mais complicadas como Passer Rating, QBR da ESPN, ou a porcentagem de ganho de Brian Burke adicionada, é porque eu acho que todas elas correspondem muito fortemente com o estilo e qualidade de uma equipe de QB e ofensiva – pelo menos para estes propósitos. Se você está fazendo comparações finamente granuladas, você pode estar disposto a aceitar esse custo em troca da maior precisão dessas métricas, mas para avaliar os impactos de longo prazo de centenas de QBs, eu prefiro usar medidas mais amplas. Principalmente o que eu quero saber é a probabilidade desses jogadores terem carreiras longas e produtivas.
É o peso que você deve colocar na variável dividida pelo seu erro médio.
Trata-se do corte para “significância estatística”, o que significa que a correspondência vista nos dados aconteceria menos de 5% do tempo por acaso. Isto é sobre a quantidade mínima de confiança que você precisa em uma variável para fazê-la valer a pena.
Como é para a maioria das métricas em graus variados, embora tende a fazer melhor em bases por jogo e por ano.
Este é basicamente o principal desafio com todos os problemas relacionados à NFL.
Notem que não importa exatamente onde traçamos a linha, mas sim que traçamos uma linha: Qualquer coisa serve para um barómetro.
Uma regressão que prevê resultados binários como ganhos/perdas, bons/más, etc.
Não estou apaixonado por esta métrica – ou realmente por qualquer métrica de classificação QB – mas ela soma bem, e para testar hipóteses de toda a liga, virtualmente qualquer métrica razoável serve.
Tecnicamente estas correlações usam o logaritmo da escolha de cada jogador, assim como todas as regressões neste artigo.
Se você está se perguntando porque eu não estou usando métricas de eficiência mais complicadas como Passer Rating, QBR da ESPN, ou a porcentagem de ganho de Brian Burke adicionada, é porque eu acho que todas elas correspondem muito fortemente com o estilo e qualidade de uma equipe de QB e ofensiva – pelo menos para estes propósitos. Se você está fazendo comparações finamente granuladas, você pode estar disposto a aceitar esse custo em troca da maior precisão dessas métricas, mas para avaliar os impactos a longo prazo de centenas de QBs, eu prefiro usar medidas mais amplas. Principalmente o que eu quero saber é a probabilidade desses jogadores terem carreiras longas e produtivas.
É o peso que você deve colocar na variável dividida pelo seu erro médio.
Trata-se do corte para “significância estatística”, o que significa que a correspondência vista nos dados aconteceria menos de 5% do tempo por acaso. Isto é sobre a quantidade mínima de confiança que você precisa em uma variável para fazê-la valer a pena.
Como é para a maioria das métricas em graus variados, embora tende a fazer melhor em bases por jogo e por ano.
Este é basicamente o principal desafio com todos os problemas relacionados à NFL.
Notem que não importa exatamente onde traçamos a linha, mas sim que traçamos uma linha: Qualquer coisa serve para um barômetro.
Uma regressão que prevê resultados binários como ganhos/perdas, bons/más, etc.
Caso você esteja interessado, a fórmula do Excel para isso é =1/(1+EXP(-(1.1536-0).40511*))), onde está o logaritmo da posição do rascunho do QB na base 2 (ou log(,2)).
Não estou apaixonado por esta métrica – ou realmente por qualquer métrica de classificação QB – mas ela soma bem, e para testar hipóteses de toda a liga, virtualmente qualquer métrica razoável serve.
Tecnicamente estas correlações usam o logaritmo da escolha de cada jogador, assim como todas as regressões neste artigo.
Se você está se perguntando porque eu não estou usando métricas de eficiência mais complicadas como Passer Rating, QBR da ESPN, ou a porcentagem de ganho de Brian Burke adicionada, é porque eu acho que todas elas correspondem muito fortemente com o estilo e qualidade de uma equipe de QB e ofensiva – pelo menos para estes propósitos. Se você está fazendo comparações finamente granuladas, você pode estar disposto a aceitar esse custo em troca da maior precisão dessas métricas, mas para avaliar os impactos de longo prazo de centenas de QBs, eu prefiro usar medidas mais amplas. Principalmente o que eu quero saber é a probabilidade desses jogadores terem carreiras longas e produtivas.
É o peso que você deve colocar na variável dividida pelo seu erro médio.
Trata-se do corte para “significância estatística”, o que significa que a correspondência vista nos dados aconteceria menos de 5% do tempo por acaso. Isto é sobre a quantidade mínima de confiança que você precisa em uma variável para fazê-la valer a pena.
Como é para a maioria das métricas em graus variáveis, embora tende a fazer melhor em bases por jogo e por ano.
Este é basicamente o principal desafio com todos os problemas relacionados à NFL.
Notem que não importa exatamente onde traçamos a linha, mas sim que traçamos uma linha: Qualquer coisa serve para um barômetro.
Uma regressão que prevê resultados binários como ganhos/perdas, bons/más, etc.
Caso você esteja interessado, a fórmula do Excel para isso é =1/(1+EXP(-(1.1536-0).40511*))), onde está o logaritmo da posição do rascunho do QB na base 2 (ou log(,2)).
No Excel, esta fórmula é: =((1/(1+EXP(-(-7.814506+0,031653*))))-0,272723209)/0,272723209.
O melhor de FiveThirtyEight, entregue a você.