„Dacă ai 6-5, 230, alergi un anumit timp, sunt cam 35 de tipi cu care te pot compara și care au avut succes în această ligă. Dacă ai 5-11, sunt doi, dacă nu te întorci la Fran Tarkenton: Doug Flutie și Russell Wilson. Pentru mine nu sunt șanse prea bune. S-ar putea să reușești, dar istoria spune că nu. Doar pentru că ai 5-11 nu înseamnă că nu poți avea succes. Johnny are magie”. – Bruce Arians, antrenor principal al echipei Arizona Cardinals
„Mă simt ca și cum aș juca de parcă aș avea 3 metri înălțime.” – Johnny Manziel
La combinația de scouting NFL din februarie, foarte popularul fundaș Johnny Manziel, câștigător al trofeului Heisman, a măsurat oficial 71¾ inci și 207 kilograme. Statura sa micuță a fost un subiect atât de fierbinte înainte de recrutarea NFL 2014, încât mass-media nu a putut rezista jocurilor de cuvinte: „Johnny Manziel Comes Up Short At NFL Combine” (CBS Cleveland); „The Long and Short of Johnny Manziel” (ESPN Cleveland); „Se va ridica Johnny Manziel la înălțimea celor de la Browns?” (CantonRep.com).
În cele din urmă, Cleveland Browns l-a selectat pe Manziel cu a 22-a alegere din prima rundă. Cu mai multe echipe dornice de QB aproape de partea de sus a draftului (inclusiv Browns, care a renunțat la două șanse anterioare de a-l recruta pe Manziel, mai întâi prin tranzacționarea celei de-a patra alegeri și apoi prin selectarea lui Justin Gilbert cu a opta), cei mai mulți se așteptau ca el să meargă mai sus.
Nu știm de ce Manziel a mers unde a făcut-o, dar știm că el este subdimensionat pentru poziția sa. Și, din punct de vedere istoric, abordarea echipelor NFL față de QB-urile subdimensionate a fost de a nu-i recruta – dacă sunt scunzi. Cercetările mele sugerează că această strategie este insuficient nuanțată: Dacă înălțimea contează, echipele din NFL au luat deja în calcul acest lucru și încă ceva. Pe de altă parte, a fi prea ușor, pe de altă parte, pare a fi un predictor mai puternic al performanței (sau al lipsei acesteia), iar echipele NFL par să nu fi ținut cont suficient de mult de acest aspect.
Pentru un QB de înălțimea lui Manziel, a fi recrutat chiar și târziu în prima rundă este incredibil de rar. De la fuziunea din 1967 și până în 2013, echipele din NFL au selectat 209 fundași în primele trei runde de recrutare, însă doar cinci dintre ei au fost mai scunzi sau mai scunzi de 72 de inci (6 picioare). Dintre aceștia cinci, doar Michael Vick (listat ca având 1,80 metri) a fost selectat în prima rundă. Pentru comparație: Din 1987, echipele din NBA au recrutat cinci jucători de 1,80 m sau mai scunzi doar în primele 10 selecții din prima rundă.
Dacă ne-am uita doar la acești cinci fundași, recrutarea de fundași de talie mică ar părea un pariu destul de bun. Aceștia au o Valoare Aproximativă (AV)1 combinată a carierei de 260 – mai mare decât AV combinată (210) a tuturor celor 12 QB catalogați ca fiind de 78 de inci (1,80 m) și mai înalți.
Această comparație este doar în scop de amuzament: este un eșantion mic, iar ambele grupuri includ un număr de jucători activi cu mulți ani productivi în față. Dar face aluzie la probleme mai mari cu privire la modul în care NFL ia în considerare înălțimea.
Multe rapoarte media de cercetare înainte de recrutare nu fac distincție între înălțime și greutate, referindu-se frecvent la „mărimea” sau „volumul” unui jucător în schimb. Dar când vine vorba de măsurătorile de mărime, NFL pare să fie mult mai iertătoare cu fundașii ușori decât cu cei scunzi. Greutatea medie pentru un fundaș de 71 până la 72 de inci este de 202 lire sterline, dar 27 de fundași cu această greutate sau mai mici au fost recrutați în primele trei runde în aceeași perioadă de timp (1967-2013), în care au fost selectați doar cinci fundași de această înălțime.
Pentru a examina dacă această reticență particulară de a recruta QBs scunzi (în timp ce sunt dispuși să îi recruteze pe cei ușori) are vreun sens, am clasificat fondul mai larg de fundași recrutați (limitându-mă la cei selectați în primele șapte runde) în funcție de modul în care s-au comparat cu greutatea și înălțimea lui Manziel. De acolo am comparat AV-ul mediu pe sezon al fiecărui grup pentru a vedea dacă vreunul dintre grupuri a avut performanțe mai bune decât celelalte.
Urmărind la coloana din dreapta, vedem că QBs scunzi s-au descurcat în medie puțin mai bine decât QBs care nu sunt scunzi (3,0 AV mediu pe sezon față de 2,4). Dar chiar și cu șapte runde de selecții de recrutare, acest număr este încă destul de mic: Doar 29 de QB scurți sunt incluși în această comparație (astfel încât rezultatele nu sunt semnificative din punct de vedere statistic).
Dar coloanele de greutate arată o diferență puternică între fundașii de o parte și de alta a lui Manziel (2,7 AV mediu pe sezon față de 1,6 în general). Există, de asemenea, un eșantion mai larg: 107 jucători au cântărit la 207 kilograme sau mai puțin, comparativ cu 311 care au fost mai grei.
Bazat pe asta, se pare că recrutarea unui fundaș cu greutatea lui Manziel este o propunere mai periculoasă decât recrutarea unuia de înălțimea lui. Dar aceasta este o analiză binară destul de crudă. Deoarece piața de recrutare din NFL este destul de eficientă, dacă ar exista o relație între înălțime sau greutate și potențialul de carieră, probabil că ne-am aștepta ca aceasta să fie prețuită în poziția de recrutare a fiecărui fundaș (sau dacă un fundaș este recrutat sau nu).
Așa că haideți să extindem investigația pentru a include poziția de recrutare a fiecărui fundaș. Apoi, mai degrabă decât să împărțim jucătorii în grupuri, să analizăm corelațiile generale dintre înălțime, greutate și selecție2 și câțiva parametri diferiți ai QB-ului – Valoarea aproximativă, yarzi pe meci și yarzi pe încercare.3 (Pentru această comparație, am filtrat QB-urile recrutate mai târziu de 2008.)
Această grupare de bare din stânga ne arată că înălțimea este cel puțin puțin puțin puțin corelată cu Valoarea aproximativă, yarzi pe meci și yarzi pe încercare – dar se corelează mult mai bine cu poziția de recrutare a QB-ului. Greutatea, pe de altă parte, se corelează cu parametrii noștri QB mult mai mult și, important, se corelează mai puțin cu poziția de recrutare.
Cu alte cuvinte, înălțimea pare să ne spună mai puțin decât greutatea, iar ceea ce ne spune este mai probabil să fi știut deja.
În timp ce corelațiile singure nu ne spun ce cauzează ce, până în prezent, acesta este un rezultat destul de slab pentru înălțime ca predictor al performanței fundașului. Dar există încă o mulțime de posibilități, așa că, pentru a obține un sens mai bun al variabilelor care fac ce treabă, am creat modele de regresie care folosesc înălțimea, greutatea și alegerea draftului pentru a prezice o varietate de măsurători, apoi am comparat cât de importantă a fost fiecare variabilă pentru fiecare model.
Aceste regresii au produs „valori t”, măsuri de bază ale fiabilității predictive a fiecărei variabile.4 În acest caz, căutăm o valoare minimă de 2,0,5
Nu numai că înălțimea nu este un predictor bun atunci când este combinată cu greutatea și locația de cules, ci este unul ușor negativ (deși, pentru a fi un predictor negativ semnificativ din punct de vedere statistic, am dori să vedem valori sub -2,0). Acest lucru nu înseamnă că înălțimea este rea, ci doar că – indiferent de valoarea pe care ar putea să o aibă – echipele NFL probabil că o supraevaluează.
Greutatea, cu toate acestea, este un predictor foarte semnificativ pentru acești parametri.6 Deoarece locația de recrutare este inclusă ca intrare pentru această regresie, acest lucru sugerează cu tărie că echipele NFL nu au evaluat suficient greutatea în selecțiile lor.
Există o serie de motive posibile pentru acest lucru. Părerea mea ar fi că are ceva de-a face cu fizicalitatea jocului NFL și că echipele pot deveni îndrăgostite de abilitatea sau precizia unui QB și îi subestimează forța sau durabilitatea. Dar să ne dăm seama exact de ce greutatea este atât de predictivă este o cu totul altă investigație și una care ar putea fi prea complicată pentru cantitatea de date disponibile.7 Așa că, în loc să ne scufundăm mai adânc, să simplificăm.
Ceea ce ne interesează cu adevărat este dacă un QB are o carieră minim de succes. Pentru a testa acest lucru, am stabilit limita „carierei de succes” la aproximativ 32 AV, ceea ce pune deoparte mai mult sau mai puțin primii 100 de QB recrutați începând cu 1967.8 Practic, limita noastră de „succes” va fi reprezentată de toți QB-urile bune de care ați auzit, până la aproximativ cei ca Joey Harrington, Rick Mirer, Vince Young, Byron Leftwich sau (mergând mai departe în trecut) Steve Spurrier. În timp ce cei mai răi dintre fundașii „de succes” vă pot părea destul de răi (Tim Couch, fani Browns?), aproape două treimi dintre fundașii selectați pe locul 22 la general (poziția de recrutare a lui Manziel) vor fi probabil chiar mai răi.
Potem prezice probabilitatea de bază ca un QB să aibă sau nu „succes” folosind o regresie logistică9 doar cu poziția sa de recrutare.10 Am grupat QB-urile prin rotunjirea greutății lor la cele mai apropiate 5 lire sterline, apoi am calculat câți din acel grup ar fi trebuit să aibă o carieră de „succes” pe baza fiecărei poziții de recrutare și apoi am comparat acest lucru cu numărul celor care au avut efectiv succes. După ce am făcut acest lucru, am reprezentat grafic modul în care fiecare grup a reușit în raport cu așteptările noastre.
Linia roșie arată cât de mult mai mult sau mai puțin probabil este ca un QB de o anumită greutate să aibă succes decât ne-am aștepta doar pe baza poziției sale de recrutare.11 Manziel este listat ca având 207 lire sterline. Din model, ne-am aștepta ca aproximativ cu 19 procente mai puțini QB de 207 kilograme să aibă succes decât ne-am aștepta pe baza poziției lor de recrutare.
Șansele de a avea „succes” pentru un QB luat al 22-lea la general sunt de aproximativ 34%. Șansele ca un fundaș de 207 kilograme selectat al 22-lea la general să aibă succes sunt de aproximativ 27 la sută (81 la sută din 34 la sută). În termeni de selecție, aceasta este aproximativ aceeași cu cea a unui fundaș cu greutate medie selectată pe locul 38 – o scădere substanțială, dar cu siguranță nu condamnabilă. Putem face același tip de calcul pentru fiecare poziție din draft.
Pe de altă parte, Manziel a fost proiectat să meargă mai sus în draft. Este posibil ca el să fi fost nedreptățit pe nedrept pentru înălțimea sa, dar nu suficient de mult pentru greutatea sa.
Dacă Browns l-ar fi selectat pe Manziel cu a opta alegere, ajustarea mărime-greutate a modelului meu (care este practic o ajustare a greutății, deoarece înălțimea nu a atins pragul de includere), l-ar face la fel de probabil să aibă succes ca și o alegere nr. 16. Acest lucru s-ar potrivi destul de bine cu deciziile reale din ziua de proiect ale lui Browns: să treacă pe Manziel cu a opta alegere, dar apoi să tranzacționeze în sus pentru a-l lua cu al 22-lea.
Nu sunt îndrăgostit de această metrică – sau de fapt orice metrică de rating QB – dar rezumă bine, iar pentru testarea ipotezelor la nivel de ligă, practic orice metrică rezonabilă va face.
Nu sunt îndrăgostit de această metrică – sau chiar de orice metrică de rating QB – dar însumează bine, iar pentru testarea ipotezelor la nivelul ligii, practic orice metrică rezonabilă va fi suficientă.
Tehnic, aceste corelații folosesc logaritmul alegerii fiecărui jucător, la fel ca toate regresiile din acest articol.
Nu sunt îndrăgostit de această metrică – sau chiar de orice metrică de rating QB – dar rezumă bine, iar pentru testarea ipotezelor la nivelul ligii, practic orice metrică rezonabilă va fi suficientă.
Tehnic, aceste corelații folosesc logaritmul alegerii fiecărui jucător, la fel ca toate regresiile din acest articol.
Dacă vă întrebați de ce nu folosesc măsurători de eficiență mai complicate, cum ar fi Passer Rating, ESPN’s QBR, sau Brian Burke’s Win Percentage Added, este pentru că eu cred că toate acestea corespund mult prea puternic cu stilul și calitatea echipei și a ofensivei unui QB – cel puțin pentru aceste scopuri. Dacă faceți comparații fine, s-ar putea să fiți dispus să acceptați acest cost în schimbul unei precizii mai mari a acestor măsurători, dar pentru evaluarea impactului pe termen lung a sute de QB, prefer să folosesc măsuri mai largi. În cea mai mare parte, ceea ce vreau să știu este cât de probabil au fost acești jucători să aibă cariere lungi și productive.
Nu sunt îndrăgostit de această metrică – sau chiar de orice metrică de evaluare a QB-urilor – dar însumează bine, iar pentru testarea ipotezelor la nivelul întregii ligi, practic orice metrică rezonabilă va fi suficientă.
Tehnic, aceste corelații folosesc logaritmul alegerii fiecărui jucător, la fel ca toate regresiile din acest articol.
Dacă vă întrebați de ce nu folosesc măsurători de eficiență mai complicate, cum ar fi Passer Rating, ESPN’s QBR, sau Brian Burke’s Win Percentage Added, este pentru că eu cred că toate acestea corespund mult prea puternic cu stilul și calitatea echipei și a ofensivei unui QB – cel puțin pentru aceste scopuri. Dacă faceți comparații fine, s-ar putea să fiți dispus să acceptați acest cost în schimbul unei precizii mai mari a acestor măsurători, dar pentru evaluarea impactului pe termen lung a sute de QB, prefer să folosesc măsuri mai largi. În principal, ceea ce vreau să știu este cât de probabil au fost acești jucători să aibă cariere lungi și productive.
Este greutatea pe care ar trebui să o puneți pe variabilă împărțită la eroarea sa medie.
Nu sunt îndrăgostit de această metrică – sau chiar de orice metrică de evaluare a QB – dar rezumă bine, iar pentru testarea ipotezelor la nivelul ligii, practic orice metrică rezonabilă va fi suficientă.
Tehnic, aceste corelații folosesc logaritmul alegerii fiecărui jucător, la fel ca toate regresiile din acest articol.
Dacă vă întrebați de ce nu folosesc măsurători de eficiență mai complicate, cum ar fi Passer Rating, ESPN’s QBR, sau Brian Burke’s Win Percentage Added, este pentru că eu cred că toate acestea corespund mult prea puternic cu stilul și calitatea echipei și a ofensivei unui QB – cel puțin pentru aceste scopuri. Dacă faceți comparații fine, s-ar putea să fiți dispus să acceptați acest cost în schimbul unei precizii mai mari a acestor măsurători, dar pentru a evalua impactul pe termen lung a sute de QB, prefer să folosesc măsuri mai largi. În cea mai mare parte, ceea ce vreau să știu este cât de probabil a fost ca acești jucători să aibă cariere lungi și productive.
Este ponderea pe care ar trebui să o puneți pe variabilă împărțită la eroarea sa medie.
Aceasta este aproximativ limita pentru „semnificația statistică”, ceea ce înseamnă că corespondența observată în date s-ar întâmpla mai puțin de 5 la sută din timp din întâmplare. Este vorba despre nivelul minim de încredere de care aveți nevoie într-o variabilă pentru a face ca utilizarea ei să merite.
Nu sunt îndrăgostit de această metrică – sau de fapt de orice metrică de evaluare a QB – dar însumează bine, iar pentru testarea ipotezelor la nivelul întregii ligi, practic orice metrică rezonabilă va fi suficientă.
Tehnic, aceste corelații folosesc logaritmul alegerii fiecărui jucător, la fel ca toate regresiile din acest articol.
Dacă vă întrebați de ce nu folosesc măsurători de eficiență mai complicate, cum ar fi Passer Rating, ESPN’s QBR, sau Brian Burke’s Win Percentage Added, este pentru că eu cred că toate acestea corespund mult prea puternic cu stilul și calitatea echipei și a ofensivei unui QB – cel puțin pentru aceste scopuri. Dacă faceți comparații fine, s-ar putea să fiți dispus să acceptați acest cost în schimbul unei precizii mai mari a acestor măsurători, dar pentru a evalua impactul pe termen lung a sute de QB, prefer să folosesc măsuri mai largi. În principal, ceea ce vreau să știu este cât de probabil a fost ca acești jucători să aibă cariere lungi și productive.
Este ponderea pe care ar trebui să o puneți pe variabilă împărțită la eroarea sa medie.
Aceasta este aproximativ limita pentru „semnificația statistică”, ceea ce înseamnă că corespondența observată în date s-ar întâmpla mai puțin de 5 la sută din cazuri din întâmplare. Acesta este aproximativ nivelul minim de încredere de care aveți nevoie într-o variabilă pentru a face ca utilizarea ei să merite.
Ca și în cazul majorității indicatorilor, în diferite grade, deși tinde să se descurce cel mai bine pe baze per meci și per an.
Nu sunt îndrăgostit de această metrică – sau chiar de orice metrică de evaluare a QB – dar însumează bine, iar pentru testarea ipotezelor la nivelul întregii ligi, practic orice metrică rezonabilă va fi bună.
Tehnic, aceste corelații folosesc logaritmul alegerii fiecărui jucător, la fel ca toate regresiile din acest articol.
Dacă vă întrebați de ce nu folosesc măsurători de eficiență mai complicate, cum ar fi Passer Rating, ESPN’s QBR, sau Brian Burke’s Win Percentage Added, este pentru că eu cred că toate acestea corespund mult prea puternic cu stilul și calitatea echipei și a ofensivei unui QB – cel puțin pentru aceste scopuri. Dacă faceți comparații fine, s-ar putea să fiți dispus să acceptați acest cost în schimbul unei precizii mai mari a acestor măsurători, dar pentru evaluarea impactului pe termen lung a sute de QB, prefer să folosesc măsuri mai largi. În cea mai mare parte, ceea ce vreau să știu este cât de probabil a fost ca acești jucători să aibă cariere lungi și productive.
Este ponderea pe care ar trebui să o puneți pe variabilă împărțită la eroarea sa medie.
Aceasta este aproximativ limita pentru „semnificația statistică”, ceea ce înseamnă că corespondența observată în date s-ar întâmpla mai puțin de 5 la sută din timp din întâmplare. Acesta este aproximativ nivelul minim de încredere de care aveți nevoie într-o variabilă pentru a face ca utilizarea ei să merite.
Ca și în cazul majorității indicatorilor, în diferite grade, deși tinde să se descurce cel mai bine pe baze per meci și per an.
Aceasta este practic principala provocare cu fiecare problemă legată de NFL.
Nu sunt îndrăgostit de această metrică – sau de fapt de orice metrică de evaluare a QB – dar însumează bine, iar pentru testarea ipotezelor la nivelul întregii ligi, practic orice metrică rezonabilă va fi bună.
Tehnic, aceste corelații folosesc logaritmul alegerii fiecărui jucător, la fel ca toate regresiile din acest articol.
Dacă vă întrebați de ce nu folosesc măsurători de eficiență mai complicate, cum ar fi Passer Rating, ESPN’s QBR, sau Brian Burke’s Win Percentage Added, este pentru că eu cred că toate acestea corespund mult prea puternic cu stilul și calitatea echipei și a ofensivei unui QB – cel puțin pentru aceste scopuri. Dacă faceți comparații fine, s-ar putea să fiți dispus să acceptați acest cost în schimbul unei precizii mai mari a acestor măsurători, dar pentru a evalua impactul pe termen lung a sute de QB, prefer să folosesc măsuri mai largi. În cea mai mare parte, ceea ce vreau să știu este cât de probabil a fost ca acești jucători să aibă cariere lungi și productive.
Este ponderea pe care ar trebui să o puneți pe variabilă împărțită la eroarea sa medie.
Aceasta este aproximativ limita pentru „semnificația statistică”, ceea ce înseamnă că corespondența observată în date s-ar întâmpla mai puțin de 5 la sută din timp din întâmplare. Acesta este aproximativ nivelul minim de încredere de care aveți nevoie într-o variabilă pentru a face ca utilizarea ei să merite.
Ca și în cazul majorității indicatorilor, în diferite grade, deși tinde să se descurce cel mai bine pe baze per meci și per an.
Aceasta este, practic, principala provocare cu fiecare problemă legată de NFL.
Rețineți că nu contează atât de mult unde anume tragem linia, cât faptul că tragem o linie: Orice este bun pentru un barometru.
Nu sunt îndrăgostit de această măsurătoare – sau de orice măsurătoare de rating QB – dar rezumă bine, iar pentru testarea ipotezelor la nivel de ligă, practic orice măsurătoare rezonabilă va fi bună.
Tehnic, aceste corelații folosesc logaritmul alegerii fiecărui jucător, la fel ca toate regresiile din acest articol.
Dacă vă întrebați de ce nu folosesc măsurători de eficiență mai complicate, cum ar fi Passer Rating, ESPN’s QBR, sau Brian Burke’s Win Percentage Added, este pentru că eu cred că toate acestea corespund mult prea puternic cu stilul și calitatea echipei și a ofensivei unui QB – cel puțin pentru aceste scopuri. Dacă faceți comparații fine, s-ar putea să fiți dispus să acceptați acest cost în schimbul unei precizii mai mari a acestor măsurători, dar pentru a evalua impactul pe termen lung a sute de QB, prefer să folosesc măsuri mai largi. În cea mai mare parte, ceea ce vreau să știu este cât de probabil a fost ca acești jucători să aibă cariere lungi și productive.
Este ponderea pe care ar trebui să o puneți pe variabilă împărțită la eroarea sa medie.
Aceasta este aproximativ limita pentru „semnificația statistică”, ceea ce înseamnă că corespondența observată în date s-ar întâmpla mai puțin de 5 la sută din timp din întâmplare. Acesta este aproximativ nivelul minim de încredere de care aveți nevoie într-o variabilă pentru a face ca utilizarea ei să merite.
Ca și în cazul majorității indicatorilor, în diferite grade, deși tinde să se descurce cel mai bine pe baze per meci și per an.
Aceasta este, practic, principala provocare cu fiecare problemă legată de NFL.
Rețineți că nu contează atât de mult unde exact tragem linia, cât faptul că tragem o linie: Orice este bun pentru un barometru.
O regresie care prezice rezultate binare, cum ar fi victorii/înfrângeri, bun/rău, etc.
Nu sunt îndrăgostit de această metrică – sau de orice altă metrică de evaluare a QB – dar însumează bine, iar pentru testarea ipotezelor la nivelul întregii ligi, practic orice metrică rezonabilă va fi bună.
Tehnic, aceste corelații folosesc logaritmul alegerii fiecărui jucător, la fel ca toate regresiile din acest articol.
Dacă vă întrebați de ce nu folosesc măsurători de eficiență mai complicate, cum ar fi Passer Rating, ESPN’s QBR, sau Brian Burke’s Win Percentage Added, este pentru că eu cred că toate acestea corespund mult prea puternic cu stilul și calitatea echipei și a ofensivei unui QB – cel puțin pentru aceste scopuri. Dacă faceți comparații fine, s-ar putea să fiți dispus să acceptați acest cost în schimbul unei precizii mai mari a acestor măsurători, dar pentru a evalua impactul pe termen lung a sute de QB, prefer să folosesc măsuri mai largi. În cea mai mare parte, ceea ce vreau să știu este cât de probabil a fost ca acești jucători să aibă cariere lungi și productive.
Este ponderea pe care ar trebui să o puneți pe variabilă împărțită la eroarea sa medie.
Aceasta este aproximativ limita pentru „semnificația statistică”, ceea ce înseamnă că corespondența observată în date s-ar întâmpla mai puțin de 5 la sută din timp din întâmplare. Acesta este aproximativ nivelul minim de încredere de care aveți nevoie într-o variabilă pentru a face ca utilizarea ei să merite.
Ca și în cazul majorității indicatorilor, în diferite grade, deși tinde să se descurce cel mai bine pe baze per meci și per an.
Aceasta este, practic, principala provocare cu fiecare problemă legată de NFL.
Rețineți că nu contează atât de mult unde anume tragem linia, cât faptul că tragem o linie: Orice este bun pentru un barometru.
O regresie care prezice rezultate binare, cum ar fi victorii/înfrângeri, bine/rău, etc.
În cazul în care vă interesează, formula Excel pentru aceasta este =1/(1+EXP(-(1.1536-0.40511*)))), unde este logaritmul poziției de recrutare a QB-ului în baza 2 (sau log(,2)).
Nu sunt îndrăgostit de această metrică – sau chiar de orice metrică de evaluare a QB-urilor – dar rezumă bine, iar pentru testarea ipotezelor la nivelul întregii ligi, practic orice metrică rezonabilă va fi suficientă.
Tehnic, aceste corelații folosesc logaritmul alegerii fiecărui jucător, la fel ca toate regresiile din acest articol.
Dacă vă întrebați de ce nu folosesc măsurători de eficiență mai complicate, cum ar fi Passer Rating, ESPN’s QBR, sau Brian Burke’s Win Percentage Added, este pentru că eu cred că toate acestea corespund mult prea puternic cu stilul și calitatea echipei și a ofensivei unui QB – cel puțin pentru aceste scopuri. Dacă faceți comparații fine, s-ar putea să fiți dispus să acceptați acest cost în schimbul unei precizii mai mari a acestor măsurători, dar pentru a evalua impactul pe termen lung a sute de QB, prefer să folosesc măsuri mai largi. În cea mai mare parte, ceea ce vreau să știu este cât de probabil a fost ca acești jucători să aibă cariere lungi și productive.
Este ponderea pe care ar trebui să o puneți pe variabilă împărțită la eroarea sa medie.
Aceasta este aproximativ limita pentru „semnificația statistică”, ceea ce înseamnă că corespondența observată în date s-ar întâmpla mai puțin de 5 la sută din timp din întâmplare. Acesta este aproximativ nivelul minim de încredere de care aveți nevoie într-o variabilă pentru a face ca utilizarea ei să merite.
Ca și în cazul majorității indicatorilor, în diferite grade, deși tinde să se descurce cel mai bine pe baze per meci și per an.
Aceasta este, practic, principala provocare cu fiecare problemă legată de NFL.
Rețineți că nu contează atât de mult unde exact tragem linia, cât faptul că tragem o linie: Orice este bun pentru un barometru.
O regresie care prezice rezultate binare, cum ar fi victorii/înfrângeri, bine/rău, etc.
În cazul în care vă interesează, formula Excel pentru aceasta este =1/(1+EXP(-(1.1536-0.40511*)))), unde este logaritmul poziției din draft a QB-ului în baza 2 (sau log(,2)).
În Excel, această formulă este: =((1/(1+EXP(-(-(-7.814506+0.031653*))))-0.272723209)/0.272723209.
Cel mai bun din FiveThirtyEight, livrat pentru tine.
.