📊 statistics

Simultaneous Estimation of Ballpark Effects and Team Defense Using Total Bases Residuals

Cette étude propose un cadre simple et interprétable basé sur les résidus de total de bases pour estimer simultanément les effets des stades et la performance défensive des équipes en baseball, en utilisant des données Statcast de 2015 à 2024 pour valider une approche cohérente avec l'évolution du jeu.

Auteurs originaux : Jhe-Jia Wu, Tian-Li Yan, Ting-Li Chen

Publié 2026-03-24

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Jhe-Jia Wu, Tian-Li Yan, Ting-Li Chen

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🏟️ Le Baseball : Qui est vraiment le responsable ?

Imaginez que vous regardez un match de baseball. Un frappeur tape la balle très fort, et elle atterrit loin pour un coup de circuit.

Est-ce que le frappeur est un génie ?
Est-ce que le stade est "facile" pour les frappeurs (comme un terrain de jeu géant) ?
Ou est-ce que l'équipe adverse a mal joué sur la défense ?

C'est le grand défi des analystes de baseball : séparer le bon du mauvais. Jusqu'à présent, c'était un peu comme essayer de goûter un gâteau pour savoir si c'est la farine, le sucre ou le four qui a fait le travail. Tout est mélangé.

Ce papier propose une nouvelle recette pour démêler tout ça.

🎯 L'Idée Géniale : La "Balle Fantôme"

Les auteurs (Jhe-Jia Wu, Tian-Li Yan et Ting-Li Chen) ont eu une idée brillante. Au lieu de regarder simplement le résultat final (circuit ou pas), ils ont créé une "Balle Fantôme".

La Mesure de la Frappe : Ils utilisent des données ultra-précises (Statcast) pour mesurer la vitesse de la balle au moment du contact et l'angle de frappe.
La Prédiction : Ils se disent : "Si une balle est frappée à 100 mph avec cet angle, elle devrait en moyenne faire X points de bases (un simple, un double, etc.) dans un stade moyen." C'est leur Balle Fantôme.
Le Résidu (La Surprise) : Ils comparent le résultat réel avec la Balle Fantôme.
- Si la balle va plus loin que prévu : Il y a une "surprise positive".
- Si la balle va moins loin que prévu : Il y a une "surprise négative".

Ces surprises, qu'ils appellent les résidus, sont la clé. Elles ne dépendent plus de la qualité de la frappe (car on l'a déjà contrôlée). Elles ne dépendent que de deux choses : le stade et la défense.

🧩 Le Puzzle à Deux Pièces

Maintenant, imaginez que vous avez un tas de ces "surprises" (résidus) pour chaque match. Le but est de résoudre l'équation suivante :

Surprise = Effet du Stade + Effet de la Défense

C'est comme si vous aviez un bruit de fond dans une pièce. Vous voulez savoir si le bruit vient de la fenêtre ouverte (le stade) ou d'un voisin qui tape du pied (la défense).

Les chercheurs ont utilisé un modèle mathématique simple pour séparer ces deux sources de bruit simultanément.

Si un stade donne systématiquement des surprises positives (les balles vont plus loin que prévu), c'est un stade "amical" pour les frappeurs.
Si une équipe donne systématiquement des surprises négatives (les balles s'arrêtent plus tôt que prévu), c'est une équipe avec une super défense.

🌍 Ce qu'ils ont découvert

En analysant 10 ans de données (2015-2024), ils ont trouvé des choses fascinantes :

1. Les Stades ne sont pas tous égaux

Certains stades sont comme des "tapis rouges" pour les frappeurs (comme le Coors Field à Denver, en altitude). D'autres sont des "trous noirs" où les balles disparaissent (comme le Oracle Park à San Francisco).

La différence avec les méthodes officielles : Les statistiques officielles de la MLB (Major League Baseball) regardent souvent les résultats bruts. Cette nouvelle méthode, en isolant la défense, donne une image plus pure de l'effet du stade. Parfois, un stade semble difficile parce que l'équipe qui y joue a une défense incroyable, pas parce que le stade est difficile en soi.

2. La Défense d'Équipe

Ils ont aussi classé les équipes selon leur capacité à arrêter les balles.

Imaginez que vous comparez deux gardiens de but. L'un arrête plus de buts que prévu, l'autre moins. Ici, ils ont fait pareil pour les équipes de baseball, en regardant comment elles gèrent les balles frappées fort.
Leurs résultats correspondent souvent à ce qu'on voit sur le terrain, mais parfois ils sont différents des classements officiels (comme le "Outs Above Average"). Cela suggère que les méthodes officielles pourraient parfois surévaluer ou sous-évaluer certaines équipes.

3. L'Évolution de la Ligue (Le "Ballon" a changé)

En regardant la moyenne de toutes les surprises année après année, ils ont vu une tendance claire :

2017-2019 : Les balles allaient beaucoup plus loin que prévu. C'était l'ère du "ballon gonflé" (le "juiced ball"), où la balle était plus légère et volait mieux.
Depuis 2020 : Les balles sont revenues à la normale, voire plus difficiles à frapper loin.
2023 : Une petite remontée, probablement liée au fait que la MLB a interdit les défenses extrêmes (les "shifts"), obligeant les défenseurs à se placer plus normalement.

Leur modèle a réussi à capturer ces changements globaux, comme un thermomètre qui mesure la température de toute la ligue.

📊 Un Nouvel Outil de Mesure : Le "Score Z"

Pour rendre les chiffres plus faciles à comprendre, ils ont créé un indice standardisé.

Au lieu de dire "ce stade ajoute 0,05 points", ils disent : "Ce stade est à +1,5 écart-type par rapport à la moyenne."
C'est comme noter un élève sur une courbe de Gauss : un score de 100 est la moyenne. Un score de 120 signifie que l'équipe ou le stade est exceptionnellement bon (1 écart-type au-dessus de la moyenne). Cela permet de comparer facilement un stade de 2015 avec un de 2024.

🏁 En Résumé

Ce papier est comme un détective statistique qui a appris à distinguer :

La qualité du coup de batte (déjà mesurée).
La magie du stade (dimensions, vent, altitude).
La compétence de la défense.

En utilisant des "billes fantômes" pour prédire ce qui devrait arriver, ils peuvent voir ce qui arrive vraiment et attribuer la responsabilité au bon endroit. C'est une méthode plus simple, plus claire, et qui semble mieux expliquer pourquoi les balles volent loin ou s'arrêtent court que les anciennes méthodes.

C'est une victoire pour la science du baseball : on ne regarde plus seulement le résultat, on comprend la cause. ⚾🔍

1. Problématique et Contexte

L'évaluation de la performance offensive et défensive au baseball se heurte à un défi statistique majeur : la séparation des composantes influençant le résultat d'une balle mise en jeu.

Complexité des résultats : Le résultat d'une balle mise en jeu (hit, out, base supplémentaire) dépend de la qualité du contact (vitesse de sortie, angle de lancement), de l'environnement du stade (effets de parc), de la performance défensive de l'équipe adverse et d'une variation aléatoire.
Limites des approches existantes :
- Les méthodes traditionnelles d'estimation des effets de parc (comme le ratio domicile/route) souffrent de biais d'inflation dus à la dépendance mathématique entre le numérateur et le dénominateur et supposent des calendriers équilibrés.
- Les métriques défensives modernes (UZR, DRS, OAA) reposent souvent sur des modèles complexes ou des données de suivi (Statcast) et sont généralement développées indépendamment de l'estimation des effets de parc.
- Il est difficile d'attribuer unilatéralement les différences de résultats au stade ou à la défense sans isoler ces facteurs.

L'objectif de l'étude est de proposer un cadre simple et interprétable pour estimer simultanément les effets de parc et la défense d'équipe en contrôlant la qualité du contact.

2. Méthodologie

Les auteurs proposent une approche basée sur les résidus de bases totales (Total Bases Residuals - TBR) dans un modèle de régression unifié.

A. Construction des Résidus de Bases Totales (TBR)

Contrôle de la qualité du contact : Utilisation des données Statcast (2015-2024) pour partitionner l'espace des vitesses de sortie (Exit Velocity - EV) et des angles de lancement (Launch Angle - LA) en une grille fine (bins de 3 mph et 3 degrés).
Calcul de l'espérance : Pour chaque cellule de la grille, la valeur attendue de bases totales ( $\mu_g$ ) est calculée comme la moyenne empirique des bases totales observées pour des balles ayant des caractéristiques de contact similaires.
Définition du résidu : Le résidu $R_i$ pour une balle $i$ est défini comme la différence entre les bases totales observées et la valeur attendue :
$R_i = TB_i - \mu_{g(i)}$
Ce résidu mesure si le résultat est meilleur ou pire que la moyenne de la ligue pour un type de contact donné, éliminant ainsi l'effet principal de la qualité du contact.

B. Modèle d'Estimation Simultanée

Les auteurs modélisent les résidus agrégés par paire (Stade, Équipe défensive) via un modèle additif :
$R_{pd} = \beta_0 + \beta_{park}^p - \beta_{def}^d + \varepsilon_{pd}$

$\beta_{park}^p$ : Effet environnemental du stade $p$ .
$\beta_{def}^d$ : Effet défensif de l'équipe $d$ .
Identification : Un stade et une équipe sont fixés à zéro (référence : Atlanta Braves et Truist Park).
Estimation : Utilisation des moindres carrés pondérés sur les moyennes des cellules (p, d) pour réduire la variance et améliorer l'efficacité computationnelle.

C. Index Standardisé

Pour faciliter l'interprétation et la comparaison, les auteurs transforment les effets estimés en un index basé sur le score Z :
$Index = 100 + 20 \times z$
Où $z$ est le nombre d'écarts-types par rapport à la moyenne de la ligue. Un index de 100 correspond à la moyenne, 120 à un écart-type au-dessus, etc. Cela permet de comparer directement l'ampleur des effets entre équipes, stades et saisons.

3. Résultats Clés

A. Effets de Parc

Stabilité et cohérence : Les effets estimés sont stables dans le temps et alignés avec les connaissances générales (ex: Coors Field élevé, Oracle Park faible).
Comparaison avec les métriques officielles de la MLB : Des écarts significatifs apparaissent pour certains stades (ex: Fenway Park, Tropicana Field).
- Exemple : Pour le Tropicana Field (TB) en 2020-2023, la métrique officielle indique un parc favorable aux lanceurs (Index < 100), tandis que le modèle de l'article suggère un parc favorable aux frappeurs (Index > 100). L'analyse des résidus TBR montre que les équipes adverses obtiennent de meilleurs résultats à domicile qu'à l'extérieur dans ce stade, ce qui corrobore l'estimation de l'article plutôt que la métrique officielle.
Conclusion : Le modèle de l'article semble mieux isoler l'effet environnemental pur en contrôlant la défense, là où les métriques officielles peuvent être biaisées par la qualité de la défense des équipes jouant à domicile.

B. Effets Défensifs d'Équipe

Comparaison avec Def et OAA : Les estimations sont comparées aux métriques Defensive Runs Above Average (Def) et Outs Above Average (OAA).
Corrélations : La corrélation entre les estimations de l'article et l'OAA est plus élevée (moyenne ~~0,53) qu'avec le Def (~~0,44), ce qui est logique car l'OAA se concentre sur les balles mises en jeu, tout comme le modèle TBR.
Cohérence des résultats : Dans la majorité des cas d'écarts importants, les patterns de résidus TBR (comparaison domicile/extérieur pour l'équipe et ses adversaires) soutiennent les estimations de l'article plutôt que les métriques officielles. Par exemple, une équipe avec un index défensif élevé dans le modèle montre systématiquement des résidus TBR plus faibles (meilleure défense) que ses adversaires, tant à domicile qu'à l'extérieur.

C. Évolution de la Ligne de Base de la Ligue (Intercept)

L'intercept du modèle, représentant la tendance globale de la ligue, montre une baisse significative depuis 2019 :

2017-2019 : Intercept positif (période de la « balle enivrée » ou juiced ball, favorisant l'attaque).
2020-2022 : Intercept négatif (baisse des bases obtenues, suggérant une meilleure défense globale ou une balle moins vive).
2023 : Légère remontée, coïncidant avec l'introduction des restrictions sur les décalages défensifs (shifts).
Ces tendances reflètent fidèlement les changements physiques de la balle et les stratégies défensives de la ligue.

4. Contributions et Signification

Contributions principales :

Cadre unifié : Première approche permettant d'estimer simultanément les effets de parc et la défense d'équipe en contrôlant rigoureusement la qualité du contact via les données Statcast.
Simplicité et Interprétabilité : Utilisation d'un modèle de régression linéaire simple sur des résidus empiriques, évitant les modèles complexes de suivi de joueurs individuels.
Nouvelle Métrique Standardisée : Introduction d'un index basé sur le score Z (100 = moyenne) qui offre une interprétation intuitive de l'ampleur des effets (écarts-types) au-delà des ratios traditionnels.
Validation Empirique : Démonstration que les estimations sont souvent plus cohérentes avec les patterns observés de performance domicile/extérieur que les métriques officielles actuelles.

Limites et Perspectives :

Le modèle ne capture pas les aspects défensifs hors balle mise en jeu (framing du receveur, contrôle des coureurs).
Il ne fournit pas de décomposition au niveau du joueur individuel, mais au niveau de l'équipe.
L'absence de la direction de la balle (angle de tir) dans la grille de contrôle peut limiter la précision pour les stades asymétriques (ex: Fenway Park).
L'hypothèse d'additivité entre effets de parc et défense pourrait être affinée pour inclure des interactions (ex: une équipe adaptant sa défense à son stade).

Signification :
Ce travail offre une nouvelle perspective statistique pour comprendre les dynamiques du baseball moderne. Il démontre que la séparation des composantes (contact, parc, défense) est cruciale pour éviter les biais d'attribution. Les résultats suggèrent également que les métriques officielles de la MLB pourraient sous-estimer ou surestimer certains effets en ne contrôlant pas suffisamment la qualité du contact et la défense adverse, ouvrant la voie à des analyses plus fines de l'évolution du jeu (balle, stratégies défensives).