Interpretable Forecasting of FIFA World Cup Tournament Progression Using Penalized Logistic Regression and Bootstrap Stability Selection

Resumen Técnico: Pronóstico Interpretable de la Progresión en el Torneo de la Copa Mundial de la FIFA

Planteamiento del Problema
Predecir la progresión de los equipos a través de las etapas de la Copa Mundial de la FIFA presenta un complejo desafío estadístico debido a la interacción entre la calidad de los equipos, el rendimiento histórico y las variables específicas del torneo. A diferencia de la predicción a nivel de partido, la progresión en un torneo implica una secuencia de rondas de eliminación directa donde un único resultado determina el avance, lo que crea un problema de clasificación altamente desequilibrado (por ejemplo, solo seis ganadores en el conjunto de datos histórico). Además, los indicadores estándar de la fuerza de un equipo —como el ranking de la FIFA, el valor de mercado y los logros históricos— suelen estar altamente correlacionados, lo que genera una multicolinealidad que complica la estimación e interpretación del modelo. Si bien investigaciones previas se han centrado en los resultados de partidos individuales utilizando diversas técnicas de aprendizaje automático, existe una brecha en el desarrollo de marcos interpretables específicamente diseñados para pronosticar la progresión a través de etapas sucesivas del torneo (cuartos de final, semifinales, final y ganador).

Metodología
El estudio utilizó un conjunto de datos de 192 observaciones de equipo-torneo de Copas Mundiales históricas de la FIFA, compuesto por 17 predictores. El análisis empleó un marco analítico de cinco etapas:

1. Preprocesamiento de Datos: Los valores faltantes se imputaron utilizando medianas (numéricos) o modas (categóricos), y los predictores continuos se estandarizaron para asegurar la compatibilidad con la regresión penalizada.
2. Desarrollo del Modelo: Se modelaron cuatro resultados binarios utilizando:
   • Regresión Logística Base (Baseline).
   • Variantes de Regresión Logística Penalizada: Ridge (penalización $L_2$), Lasso (penalización $L_1$) y Elastic Net (combinación de penalizaciones $L_1$ y $L_2$).
3. Ajuste de Hiperparámetros: Los modelos se ajustaron mediante validación cruzada de diez pliegues (ten-fold cross-validation), seleccionando el parámetro de regularización óptimo ($\lambda$) mediante la regla de un error estándar para favorecer la parsimonia.
4. Selección de Estabilidad: Para abordar la robustez de la selección de variables, el estudio aplicó la selección de estabilidad por bootstrap (Meinshausen & Bühlmann, 2010). Esto implicó un remuestreo repetido para calcular la frecuencia de selección de cada predictor, identificando las variables que permanecen consistentemente importantes a través de las iteraciones.
5. Evaluación: El rendimiento se evaluó mediante discriminación (Área Bajo la Curva ROC, AUC), exactitud probabilística (Brier Score) y análisis de calibración. Se utilizaron pruebas de DeLong para comparar los valores de AUC entre los modelos.

Resultos Clave

• Rendimiento Predictivo: Contrario a la hipótesis de que los métodos penalizados superarían a la regresión logística estándar debido a la multicolinealidad, el modelo de regresión logística base alcanzó consistentemente la mayor exactitud predictiva en los cuatro resultados.
  • Valores de AUC: El modelo base logró AUCs que oscilan entre 0.826 (cuartos de final) y 0.910 (ganador).
  • Modelos Penalizados: Aunque Ridge, Lasso y Elastic Net funcionaron de manera competitiva para las etapas iniciales (cuartos de final y semifinales), no lograron discriminar eficazmente para el resultado de "ganador", arrojando AUCs de 0.500 (equivalente al azar). Los autores atribuyen esto al desequilibrio extremo de clases (solo 6 ganadores) y al potencial de una regularización agresiva para reducir excesivamente los coeficientes en entornos de baja dimensionalidad y alta señal.
• Predictores Estables: La selección de estabilidad por bootstrap identificó un conjunto pequeño y robusto de determinantes del éxito en el torneo:
  • Valor de Mercado Total de la Plantilla: El predictor más estable en todas las etapas (puntuación de estabilidad promedio: 0.693).
  • Otras Variables Clave: Derrotas en los cuatro años anteriores, ranking de la FIFA previo al torneo, apariciones previas en finales o semifinales de la Copa del Mundo y el estatus de país anfitrión.
  • Factores Contextuales: La membresía de la confederación (Europa y Sudamérica) y la forma competitiva reciente (victorias/goles) también mostraron una estabilidad moderada.
• Pronósticos para 2026: Aplicando el modelo de regresión logística base al torneo de 2026, el estudio generó pronósticos probabilísticos:
  • Campeón: Argentina (probabilidad más alta: 0.380), seguida de Francia (0.289) y España (0.211).
  • Progresión Profunda: Francia, Países Bajos, Alemania, Inglaterra y España fueron identificados como los principales contendientes para las etapas de semifinal y final.
  • Equipos Emergentes: Marruecos, Senegal y Japón fueron destacados como fuertes representantes de sus respectivas confederaciones.

Significancia y Contribuciones
El artículo reclama varias contribuciones al campo de la analítica deportiva:

1. Cambio de Enfoque: Va más allá de la predicción de partidos individuales para modelar la progresión de las etapas del torneo, abordando la dinámica específica de los torneos de eliminación directa.
2. Interpretabilidad sobre Complejidad: El estudio demuestra que los modelos estadísticos simples e interpretables (regresión logística) pueden superar a los enfoques complejos de penalización y aprendizaje automático en contextos específicos, particularmente cuando la dimensión del predictor es modesta en relación con el tamaño de la muestra y la señal es fuerte.
3. Identificación Robusta de Variables: Al integrar la selección de estabilidad por bootstrap, la investigación proporciona un método transparente para identificar determinantes fiables del éxito, yendo más allá de la selección de variables de un solo modelo para asegurar la reproducibilidad.
4. Utilidad Práctica: El marco ofrece una herramienta transparente para que los actores del fútbol (entrenadores, analistas, federaciones) cuantifiquen la incertidumbre y evalúen las perspectivas de los equipos basándose en patrones históricos y características previas al torneo, en lugar de depender de algoritmos de "caja negra".

Limitaciones
Los autores señalan modestamente algunas limitaciones, incluyendo el pequeño tamaño de la muestra inherente al ciclo de cuatro años, la dependencia de datos estáticos previos al torneo (excluyendo factores dinámicos como lesiones o tácticas de juego) y la extrema rareza del resultado de "ganador", lo que limita la certeza de ese pronóstico específico. El estudio sugiere que trabajos futuros deberían incorporar datos a nivel de partido y aplicar el marco a otras competiciones (por ejemplo, la Copa Mundial Femenina, campeonatos continentales) para probar su generalizabilidad.