📊 statistics

Absolute and Relative Performance Indicators Associated with Match Success Across Six European Professional Football Leagues

Questo studio su 2.058 partite in sei campionati europei dimostra che, sebbene gli indicatori di prestazione relativa (differenze tra squadra e avversario) siano più efficaci degli indicatori assoluti nel prevedere l'esito delle partite, il modello predittivo più accurato si ottiene integrando sia metriche assolute che relative.

Autori originali: Ângelo Brito

Pubblicato 2026-08-05

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Ângelo Brito

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immaginate di guardare una partita di calcio. Per decenni, gli analisti sono stati ossessionati dal contare tutto ciò che una singola squadra fa: quanti passaggi hanno effettuato? Quanto tempo hanno mantenuto il possesso del pallone? Quante tiri hanno tentato? È come giudicare uno chef esclusivamente in base a quanti ingredienti ha sminuzzato, senza mai assaggiare la zuppa o vedere cosa stava cucinando l'altro chef. Questo è il mondo delle prestazioni "assolute": osservare le statistiche di una squadra in un vuoto. Ma il calcio non è un atto solitario; è una danza costante, caotica, tra due squadre. Se la Squadra A compie 500 passaggi, è impressionante, ma cosa succede se la Squadra B ha effettuato 600 passaggi? Improvvisamente, i 500 passaggi della Squadra A sembrano una lotta, non un trionfo. Questo articolo pone una domanda semplice ma rivoluzionaria: per capire davvero chi vince e perché, dovremmo limitarci a contare ciò che una squadra ha fatto, o dovremmo misurare quanto meglio l'abbia fatto rispetto all'altra squadra? La risposta cambia tutto il modo in cui guardiamo al gioco più bello del mondo.

Questa ricerca, guidata da Ângelo Brito dell'Università di Lisbona, ha deciso di risolvere il dibattito esaminando una montagna enorme di dati: ogni singola partita della stagione 2023–2024 attraverso i sei principali campionati professionistici europei (inclusi la Premier League inglese, la Liga spagnola e la Serie A italiana). Si tratta di 2.058 partite e oltre 4.000 prestazioni di squadre da elaborare. L'autore non si è limitato a cercare nuove statistiche; ha invece testato tre diversi modi di "leggere" il gioco. In primo luogo, ha esaminato gli Indicatori Assoluti (ciò che una squadra ha fatto da sola). In secondo luogo, ha esaminato gli Indicatori Relativi (la differenza tra ciò che una squadra ha fatto e ciò che ha fatto il suo avversario). Terza, ha provato a Combinare entrambi.

I risultati sono stati chiari come il fischio di un arbitro. Quando l'autore ha cercato di prevedere chi avrebbe vinto usando solo le statistiche "Assolute" (come il totale dei passaggi o dei tiri), il modello era discreto, ma mancava spesso il bersaglio, indovinando l'esito circa il 79% delle volte. Tuttavia, quando è passato alle statistiche "Relative" — chiedendosi essenzialmente, "Quanti tiri in più ha fatto la Squadra A rispetto alla Squadra B?" — il modello è diventato una sfera di cristallo. Improvvisamente, riusciva a prevedere il vincitore con un'accuratezza del 91%. L'approccio "Relativo" è stato un salto in avanti massiccio. Ha dimostrato che sapere che una squadra ha effettuato 15 tiri in porta significa molto poco, a meno che non si sappia che il proprio avversario ne ha effettuati solo 3. La differenza tra 15 e 3 è ciò che effettivamente guida la vittoria.

Lo studio ha scoperto che i predittori più potenti della vittoria non riguardavano solo l'avere un buon attacco, ma l'avere un attacco migliore di quello dell'altro. Nello specifico, avere più tiri in porta rispetto all'avversario ed essere più efficienti nel trasformare quei tiri in gol erano le chiavi d'oro. Quando l'autore ha combinato entrambi i tipi di dati (Assoluti e Relativi), il modello è migliorato ulteriormente, raggiungendo un'accuratezza del 93%. Ma ecco il punto cruciale: quasi tutto quel miglioramento derivava dalla parte "Relativa". Aggiungere i numeri "Assoluti" ha fornito solo un piccolo, modesto incremento.

Quindi, cosa significa questo per il futuro dell'analisi calcistica? Il documento suggerisce che dobbiamo smettere di guardare le squadre in isolamento. La prestazione di una squadra non è solo un numero su un tabellone; è una relazione. Proprio come una gara non riguarda quanto velocemente corri, ma quanto più veloce sei rispetto alla persona accanto a te, il successo nel calcio è definito dal divario tra te e il tuo avversario. Sebbene contare il totale dei passaggi e dei tiri sia ancora utile per comprendere lo stile di una squadra, se vuoi sapere perché una squadra ha vinto o perso, devi guardare la differenza. L'articolo conclude che il modo migliore per modellare il successo nel calcio è concentrarsi su quanto una squadra abbia superato il proprio rivale, dimostrando che nel gioco del calcio il contesto è fondamentale, e l'unica statistica che conta davvero è quella che confronta i due lati.

Sintesi Tecnica: Indicatori di Performance Assoluti e Relativi Associati al Successo nelle Partite in Sei Campionati Europei di Calcio Professionistico

Definizione del Problema

L'analisi delle prestazioni nel calcio si è tradizionalmente concentrata sull'identificazione di indicatori assoluti di performance in partita (ad es., tiri totali, possesso palla) associati al successo competitivo. Tuttavia, esiste una significativa lacuna metodologica riguardante come la performance competitiva debba essere rappresentata analiticamente. Il calcio è un sistema interattivo in cui il significato di ogni azione dipende dal comportamento della squadra avversaria; tuttavia, la maggior parte della ricerca si basa su statistiche isolate della squadra, assumendo implicitamente che queste forniscano una rappresentazione adeguata della performance competitiva. Questo studio affronta la domanda fondamentale se il successo competitivo sia caratterizzato più accuratamente da indicatori assoluti, indicatori relativi (differenze tra squadra e avversario) o una combinazione di entrambi.

Metodologia

Disegno dello Studio e Campione:
Questo studio osservazionale retrospettivo ha utilizzato un disegno comparativo e predittivo analizzando i dati della stagione 2023–2024 in sei campionati nazionali professionistici europei: la Premier League inglese, la LaLiga spagnola, la Serie A italiana, la Bundesliga tedesca, la Ligue 1 francese e la Primeira Liga portoghese. Il dataset comprendeva 2.058 partite ufficiali, che hanno dato origine a 4.116 osservazioni squadra-partita (due osservazioni per partita).

Variabili:
Lo studio ha esaminato tre rappresentazioni analitiche:

Indicatori Assoluti: Valori registrati da una squadra indipendentemente (ad es., percentuale di possesso palla, tiri totali, tiri in porta, precisione dei passaggi, efficienza offensiva).
Indicatori Relativi: Calcolati come la differenza tra il valore della squadra in esame e il valore dell'avversario nella stessa partita (ad es., Tiri in Porta Relativi = Tiri in Porta della Squadra − Tiri in Porta dell'Avversario).
Indicatori Combinati: Un'integrazione di variabili sia assolute che relative.

Analisi Statistica:

Descrittiva e Inferenziale: Sono stati utilizzati test ANOVA a una via per confrontare gli indicatori tra vittorie, pareggi e sconfitte, con la dimensione dell'effetto quantificata tramite l'eta quadrato parziale ( $\eta_p^2$ ).
Modellazione Predittiva: Sono stati stimati modelli di regressione logistica multivariata per predire la vittoria (rispetto alla non-vittoria). Tre modelli sono stati confrontati: uno utilizzando solo indicatori assoluti, uno utilizzando solo indicatori relativi e uno utilizzando un set combinato.
Metriche di Performance: I modelli sono stati valutati utilizzando l'Area Sotto la Curva Caratteristica di Ricevimento (AUC), l'accuratezza, la sensibilità, la specificità e il punteggio di Brier.
Selezione del Modello Finale: È stata applicata una procedura di selezione backward stepwise al modello combinato per identificare i predittori indipendenti della vittoria. Gli errori standard sono stati raggruppati (clustered) a livello di partita per tenere conto della non-indipendenza delle due osservazioni della squadra derivanti da una singola sfida.

Risultati Chiave

1. Capacità Discriminante (Analisi Descrittiva):
Gli indicatori relativi hanno dimostrato costantemente una capacità discriminante superiore rispetto agli indicatori assoluti.

Dimensione dell'Effetto: Le dimensioni dell'effetto più grandi sono state osservate per la superiorità offensiva rispetto all'avversario. L'efficienza offensiva relativa ( $\eta_p^2 = 0,398$ ), i tiri in porta relativi ( $\eta_p^2 = 0,261$ ) e la precisione dei tiri relativa ( $\eta_p^2 = 0, 159$ ) hanno mostrato effetti sostanzialmente maggiori rispetto ai rispettivi omologhi assoluti.
Indicatori Assoluti: Sebbene le squadre vincenti abbiano generalmente sovraperformato le squadre perdenti in termini assoluti (ad es., possesso palla, tiri totali), le dimensioni dell'effetto sono state modeste (ad es., possesso palla $\eta_p^2 = 0,028$ ), indicando che la sola produzione assoluta spiega una proporzione limitata della varianza del risultato.

2. Performance Predittiva (Regressione Logistica):

Modello Assoluto: Ha raggiunto un'AUC di 0,87, un'accuratezza del 78,8% e un punteggio di Brier di 0,143. La sensibilità era notevolmente inferiore (65,7%) rispetto alla specificità (86,5%).
Modello Relativo: Ha superato significativamente il modello assoluto con un'AUC di 0,96, un'accuratezza del 90,9% e un punteggio di Brier di 0,071. La sensibilità è aumentata all'86,3%.
Modello Combinato: Ha prodotto la migliore performance complessiva (AUC = 0,97, accuratezza = 93,3%, punteggio di Brier = 0,058). Tuttavia, il miglioramento rispetto al modello basato solo sui relativi è stato modesto (aumento dell'AUC di 0,01; aumento dell'accuratezza di 2,4 punti percentuali), suggerendo che il principale guadagno in potere predittivo deriva dalla rappresentazione relativa.

3. Predittori Indipendenti della Vittoria:
Nel modello multivariato finale (approccio combinato), tre indicatori sono rimasti associati indipendentemente alla vittoria:

Tiri in Porta Relativi: Associazione più forte (Odds Ratio [OR] = 31,59).
Efficienza Offensiva Relativa: Associazione forte (OR = 25,88).
Efficienza Offensiva Assoluta: Ha mantenuto un valore esplicativo complementare (OR = 3,29).

Contributi Chiave

Spostamento Metodologico: Lo studio dimostra che la rappresentazione analitica della performance (assoluta vs. relativa) è un determinante fondamentale della capacità esplicativa e predittiva nella ricerca sul calcio. Sostiene che la superiorità competitiva è meglio catturata dalle differenze tra squadra e avversario rispetto alle statistiche di produzione isolate.
Risoluzione delle Inconsistenze: I risultati offrono una spiegazione metodologica per le storiche incongruenze nella letteratura riguardanti l'importanza di variabili come il possesso palla. Lo studio suggerisce che la variabilità nell'importanza riportata possa derivare dal fatto che la performance viene analizzata in isolamento o rispetto all'avversario.
Ottimizzazione del Modello: La ricerca stabilisce che, sebbene l'integrazione degli indicatori assoluti fornisca un modesto miglioramento complementare, la stragrande maggioranza del guadagno esplicativo nella modellazione del successo nelle partite deriva dal contestualizzare la performance della squadra attraverso le differenze riferite all'avversario.

Significato e Rivendicazioni

L'articolo sostiene che il contributo primario non è l'identificazione di nuovi indicatori di performance, ma la dimostrazione che il modo in cui la performance viene rappresentata influenza fondamentalmente le informazioni estratte sul successo competitivo.

Natura Relazionale della Performance: I risultati supportano la visione concettuale secondo cui il calcio è un sistema interattivo in cui il significato di una statistica è contingente al comportamento dell'avversario. Pertanto, rappresentare la performance attraverso le differenze tra squadra e avversario fornisce un quadro analitico più informativo rispetto all'analisi di statistiche di squadra isolate.
Ruoli Complementari: Lo studio postula che gli indicatori assoluti e relativi non siano mutuamente esclusivi ma descrivano dimensioni diverse. Gli indicatori assoluti caratterizzano come gioca una squadra (produzione), mentre gli indicatori relativi quantificano il vantaggio competitivo stabilito. Per l'obiettivo specifico di spiegare o modellare il successo nelle partite, il framework relativo è superiore, sebbene l'integrazione di entrambi produca i modelli più robusti.
Implicazione Pratica: Per l'analisi delle prestazioni applicata, l'articolo suggerisce che, sebbene le statistiche assolute rimangano preziose per descrivere gli stili di gioco, comprendere i risultati delle partite richiede l'interpretazione di queste statistiche insieme ai valori riferiti all'avversario per catturare il contesto competitivo.

L'autore mantiene una posizione modesta, osservando che questi risultati si basano sui dati censuari di una singola stagione e che la forte associazione dell' "efficienza offensiva" con la vittoria è dovuta in parte alla sua vicinanza matematica al risultato (gol segnati). Gli autori richiedono ricerche future per validare questi principi relazionali attraverso più stagioni, contesti diversi e dati di tracciamento più granulari.