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

Sintesi Tecnica: Previsione Interpretabile della Progressione del Torneo della Coppa del Mondo FIFA

Definizione del Problema
Prevedere la progressione delle squadre attraverso le fasi della Coppa del Mondo FIFA presenta una complessa sfida statistica dovuta all'interazione tra la qualità della squadra, le prestazioni storiche e le variabili specifiche del torneo. A differenza della previsione a livello di singola partita, la progressione del torneo coinvolge una sequenza di turni a eliminazione diretta in cui un singolo risultato determina l'avanzamento, creando un problema di classificazione altamente sbilanciato (ad esempio, solo sei vincitori nel dataset storico). Inoltre, gli indicatori standard della forza di una squadra — come i ranking FIFA, il valore di mercato e i traguardi storici — sono spesso altamente correlati, portando a una multicollinearità che complica la stima e l'interpretazione del modello. Mentre la ricerca precedente si è concentrata sui singoli esiti delle partite utilizzando varie tecniche di machine learning, esiste una lacuna nello sviluppo di framework interpretabili specificamente per prevedere la progressione attraverso le fasi successive del torneo (quarti di finale, semifinali, finali e vincitore).

Metodologia
Lo studio ha utilizzato un dataset di 192 osservazioni squadra-torneo provenienti dalle edizioni storiche della Coppa del Mondo FIFA, comprendente 17 predittori. L'analisi ha impiegato un framework analitico in cinque fasi:

1. Preprocessamento dei Dati: I valori mancanti sono stati imputati utilizzando le mediane (per i dati numerici) o le mode (per i dati categorici), e i predittori continui sono stati standardizzati per garantire la compatibilità con la regressione penalizzata.
2. Sviluppo del Modello: Quattro esiti binari sono stati modellati utilizzando:
   • Regressione Logistica Baseline.
   • Varianti della Regressione Logistica Penalizzata: Ridge (penalità $L_2$), Lasso (penalità $L_1$) ed Elastic Net (combinazione di penalità $L_1$ e $L_2$).
3. Ottimizzazione degli Iperparametri: I modelli sono stati ottimizzati tramite cross-validazione a dieci pieghe (ten-fold cross-validation), selezionando il parametro di regolarizzazione ottimale ($\lambda$) tramite la regola dell'errore standard singolo (one-standard-error rule) per favorire la parsimonia.
4. Selezione di Stabilità (Stability Selection): Per affrontare la robustezza della selezione delle variabili, lo studio ha applicato la selezione di stabilità tramite bootstrap (Meinshausen & Bühlmann, 2010). Questo ha comportato il campionamento ripetuto per calcolare la frequenza di selezione di ciascun predittore, identificando le variabili che rimangono costantemente importanti attraverso le iterazioni.
5. Valutazione: Le prestazioni sono state valutate tramite discriminazione (Area Under the ROC Curve, AUC), accuratezza probabilistica (Brier Score) e analisi della calibrazione. I test di DeLong sono stati utilizzati per confrontare i valori AUC tra i modelli.

Risultati Chiave

• Performance Predittiva: Contrariamente all'ipotesi che i metodi penalizzati supererebbero la regressione logistica standard a causa della multicollinearità, il modello di regressione logistica baseline ha costantemente raggiunto la più alta accuratezza predittiva in tutti e quattro gli esiti.
  • Valori AUC: Il modello baseline ha ottenuto AUC compresi tra 0,826 (quarti di finale) e 0,910 (vincitore).
  • Modelli Penalizzati: Sebbene Ridge, Lasso ed Elastic Net abbiano fornito prestazioni competitive per le fasi iniziali (quarti di finale e semifinali), non sono riusciti a discriminare efficacemente per l'esito "vincitore", producendo AUC di 0,500 (equivalente al caso casuale). Gli autori attribuiscono ciò all'estremo sbilanciamento delle classi (solo 6 vincitori) e alla potenziale regolarizzazione aggressiva che riduce eccessivamente i coefficienti in contesti a bassa dimensionalità e alto segnale.
• Predittori Stabili: La selezione di stabilità tramite bootstrap ha identificato un piccolo e robusto insieme di determinanti del successo nei tornei:
  • Valore di Mercato Totale della Squadra: Il predittore più stabile in tutte le fasi (punteggio di stabilità medio: 0,693).
  • Altre Variabili Chiave: Sconfitte negli ultimi quattro anni, ranking FIFA pre-torneo, precedenti apparizioni in finali o semifinali della Coppa del Mondo e stato di nazione ospitante.
  • Fattori Contestuali: L'appartenenza alla confederazione (Europa e Sud America) e la forma competitiva recente (vittorie/gol) hanno mostrato una stabilità moderata.
• Previsioni 2026: Applicando il modello di regressione logistica baseline al torneo del 2026, lo studio ha generato previsioni probabilistiche:
  • Campione: Argentina (probabilità più alta: 0,380), seguita da Francia (0,289) e Spagna (0,211).
  • Progressione Profonda: Francia, Paesi Bassi, Germania, Inghilterra e Spagna sono state identificate come principali contendenti per le fasi di semifinali e finali.
  • Squadre Emergenti: Marocco, Senegal e Giappone sono stati evidenziati come forti rappresentanti delle rispettive confederazioni.

Significatività e Contributi
Il documento rivendica diversi contributi al campo dell'analisi sportiva:

1. Cambio di Focus: Si sposta oltre la previsione della singola partita per modellare la progressione nelle fasi del torneo, affrontando le dinamiche specifiche dei tornei a eliminazione diretta.
2. Interpretabilità rispetto alla Complessità: Lo studio dimostra che modelli statistici semplici e interpretabili (regressione logistica) possono superare approcci penalizzati e di machine learning più complessi in contesti specifici, in particolare quando la dimensione dei predittori è modesta rispetto alla dimensione del campione e il segnale è forte.
3. Identificazione Robusta delle Variabili: Integrando la selezione di stabilità tramite bootstrap, la ricerca fornisce un metodo trasparente per identificare i determinanti affidabili del successo, andando oltre la selezione delle variabili basata su un singolo modello per garantire la riproducibilità.
4. Utilità Pratica: Il framework offre uno strumento trasparente per gli stakeholder del calcio (allenatori, analisti, federazioni) per quantificare l'incertezza e valutare le prospettive delle squadre basandosi su schemi storici e caratteristiche pre-torneo, piuttosto che affidarsi ad algoritmi "black box".

Limitazioni
Gli autori notano con modestia alcune limitazioni, tra cui la piccola dimensione del campione inerente al ciclo di quattro anni, la dipendenza da dati statici pre-torneo (escludendo fattori dinamici come inforti o tattiche in gioco) e l'estrema rarità dell'esito "vincitore", che limita la certezza di quella specifica previsione. Lo studio suggerisce che i lavori futuri dovrebbero incorporare dati a livello di partita e applicare il framework ad altre competizioni (ad esempio, Coppa del Mondo Femminile, campionati continentali) per testarne la generalizzabilità.