Bayesian weighted discrete-time dynamic models for association football prediction
Dieses Paper führt ein bayesianisches gewichtetes diskretes Zeitmodellierungs-Framework ein, das adaptive Shrinkage mittels Spike-and-Slab-Hyperprioren nutzt, um zeitvariante Teamfähigkeiten flexibel zu verfolgen, wobei es eine überlegene Vorhersageleistung gegenüber bestehenden Methoden über die großen europäischen Fußballligen hinweg demonstriert und in dem Open-Source R-Paket `footBayes` implementiert ist.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen die Zukunft vorherzusagen, aber anstatt in Kristallkugeln zu schauen, blicken Sie auf eine Anzeigetafel. Dies ist die Welt der Sportanalytik, ein Bereich, in dem Mathematiker und Statistiker wie Detektive agieren und versuchen herauszufinden, warum ein Team gewinnt oder verliert. Lange Zeit nutzten diese Detektive eine einfache Regel: Sie nahmen an, das Leistungsniveau eines Teams sei wie eine Statue – fest an einem Ort verankert und unveränderlich. Wenn ein Team im letzten Jahr gut im Angriff war, nahmen die Modelle an, dass sie heute ebenso gut im Angriff sind, wobei sie ignorierten, dass Spieler verletzt werden, Trainer entlassen werden oder Starspieler in andere Städte transferiert werden. Aber in der realen Welt sind Teams eher wie lebende, atmende Organismen, die wachsen, schrumpfen und jede Woche ihre Meinung ändern. Die große Frage für Wissenschaftler lautet: Wie können wir ein mathematisches Modell bauen, das flexibel genug ist, um diese plötzlichen Veränderungen zu erfassen, ohne dabei verwirrt zu werden?
Dieses Paper stellt eine clevere neue Methode zur Vorhersage von Fußballspielen mittels eines Verfahrens namens „Bayesian weighted dynamic models“ vor. Denken Sie an ein intelligentes, adaptives Gedächtnissystem. In der Vergangenheit vergaßen Modelle entweder die Vergangenheit vollständig oder erinnerten sich zu streng an sie, indem sie alte Daten behandelten, als wären sie brandneu. Die Autoren Roberto Macrì-Demartino, Leonardo Egidi und Nicola Torelli schlagen ein System vor, das „commensurate priors“ mit einer „Spike-and-Slab“-Logik verwendet. Stellen Sie sich einen Bibliothekar vor, der entscheidet, wie sehr er einem alten Buch über die Fähigkeiten eines Teams vertrauen kann. Wenn das Team genau so spielt, wie es letzten Monat gespielt hat, legt der Bibliothekar einen schweren „Spike“ auf das alte Buch und sagt: „Vertraue diesem vollkommen!“ Aber wenn das Team einen neuen Trainer bekommen oder seinen besten Stürmer verloren hat, schiebt der Bibliothekar das Buch auf einen „Slab“ und sagt: „Diese alten Informationen sind wahrscheinlich falsch; lassen Sie uns schauen, was gerade passiert.“ Dies ermöglicht es dem Modell, Kraft aus der Vergangenheit zu leihen, wenn es sicher ist, aber diese vergangenen Daten sofort fallen zu lassen, wenn sich die Dinge ändern.
Die Forscher testeten diese Idee mit sechs verschiedenen Arten mathematischer Modelle anhand von Daten aus den letzten fünf Saisons der drei großen europäischen Ligen: der deutschen Bundesliga, der englischen Premier League und der spanischen La Liga. Sie teilten jede Saison in zwei Hälften auf, um saisonale Veränderungen wie die Wintertransferfenster zu erfassen. Als sie ihren neuen „gewichteten“ Ansatz mit älteren Methoden verglichen, die von einer konstanten Änderungsrate ausgingen, waren die Ergebnisse eindeutig. Das neue Modell sagte Spielergebnisse konsistent genauer voraus, insbesondere in den letzten, druckvollen Runden der Saison. In der englischen Premier League erreichte beispielsweise ihr bestes Modell (ein Skellam-Modell) einen „Brier-Score“ von 0,545 für die letzte Runde, während in der La Liga ihr bestes Modell (ein diagonal-inflated bivariate Poisson) einen Wert von 0,462 erreichte. Niedrigere Werte bedeuten hier bessere Vorhersagen.
Das Paper untersuchte auch, wie das Modell bestimmte Teams verfolgt. Es konnte erfolgreich erkennen, wenn ein Team wie Bayern München eine Krise durchmachte oder wenn der Angriff von Manchester United über mehrere Jahre schwächer wurde, wobei es seine Schätzungen viel schneller anpasste, als es die älteren Modelle konnten. Die Autoren fanden heraus, dass das Modell, indem es separate „Gewichtungen“ für die Angriffs- und Verteidigungsfähigkeiten eines Teams vergab, Situationen bewältigen konnte, in denen sich die Offensive eines Teams schnell ändern kann, während die Defensive stabil bleibt, oder umgekehrt. Sie stellten dieses Werkzeug sogar der Öffentlichkeit als kostenloses Softwarepaket namens footBayes zur Verfügung. Während das Paper darauf hindeutet, dass dieser Ansatz eine signifikante Verbesserung darstellt, weisen die Autoren vorsichtig darauf hin, dass es sich um ein simulationsbasiertes Ergebnis handelt und zukünftige Arbeiten noch mehr Daten, wie etwa Verletzungen von Spielern oder Marktwert, einbeziehen könnten, um die Vorhersagen noch präziser zu machen. Letztendlich legt diese Forschung nahe, dass die Behandlung der Leistungsfähigkeit eines Fußballteams als eine flexible, sich verändernde Geschichte – statt als ein statisches Faktum – zu wesentlich besseren Vermutungen darüber führt, wer das nächste Spiel gewinnen wird.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.