技術要約：アソシエーション・フットボール予測のためのベイズ重み付き離散時間動的モデル

問題提起

アソシエーション・フットボールの試合結果の予測において、多くの統計モデルが普及しているが、既存のアプローチには決定的な限界が依然として存在する。それは、チーム固有の攻撃能力および守備能力が時間の経過とともに静的であるという仮定である。一部の手法では、単純な時間減衰の重み付けや連続時間状態空間モデルを採用しているが、これらは多くの場合、すべてのチームおよび両方の能力タイプ（攻撃と守備）に対して共有される単一の一定な進化精度に依存している。この制約は、パフォーマンスの異質な性質を考慮できていない。具体的には、過去のデータを減重すべき急速な変化の時期（例：移籍ウィンドウや監督交代）を適切に扱うことができず、また、攻撃能力と守備能力の潜在的な変化率の違いを区別することもできない。さらに、標準的な離散時間動的モデルは、共通の進化精度をすべてのチームに想定することが多く、安定したパフォーマンスを示すチームと大きく変動するチームとの違いを無視している。

手法

著者らは、共鳴事前分布（Hobbs et al., 2011, 2012）を6つの標準的なゴールベースのモデルに統合した、ベイズ重み付き離散時間動的フレームワークを提案している。核心となる革新は、チームの能力を、**適応的かつ期間固有の収縮（shrinkage）**を備えた時変パラメータとして扱うことにある。

1. ゴールベースのモデル

本研究では、提案された動的フレームワークを、ゴール数に関する6つの統計分布に対して評価している：

• ダブル・ポアソン（DP）および二変量ポアソン（BP）：ゴール数とその潜在的な依存関係をモデル化するため。
• 負の二項分布（NB）およびスケラム（SM）：過分散に対処し、ゴール差を直接モデル化するため。
• 対角膨張二変量ポアソン（DIBP）およびゼロ膨張スケラム（ZISM）：標準的なポアソンモデルで一般的な引き分け確率の過小評価を修正するため。

2. 重み付き動的事前分布

共通の精度 $\sigma$ を用いたランダムウォーク（Owen, 2011）とは異なり、提案モデルは、各期間 $\tau$ における各チームの攻撃および守備能力に対して、個別の時変精度パラメータ（$\phi_{att, \tau}$ および $\phi_{def, \tau}$）を割り当てる。

• 事前分布の構造：期間 $\tau$ における能力は、精度 $\phi_{k, \tau}$ によって制御される分散を持つ、期間 $\tau-1$ における能力を中心とした正規分布としてモデル化される。
• スパイク・アンド・スラブ超事前分布：過去からの情報の借用度合いを決定するために、精度パラメータ $\phi_{k, \tau}$ にはスパイク・アンド・スラブ超事前分布が割り当てられている。
  • スパイク成分（高精度）は、現在のデータが過去の傾向と一致する場合、強力な借用を促し、現在の推定値を実質的に過去へと収縮させる。
  • スラブ成分（低精度）は、現在のデータが過去のパフォーマンスと矛盾する場合（例：移籍やコーチングの変化による）、高い変動性と最小限の借用を許容する。
• 適応メカニズム：この構造により、モデルは過去のパフォーマンスにどの程度の重みを置くべきかを自動的に決定できる。チームのパフォーマンスが安定していれば、モデルは大量の情報を借用する。一方で、チームが構造的な変化（シフト）を起こした場合、モデルは過去の重みを減らし、現在のデータが支配的になるようにする。

3. 実装

これらのモデルは、Rパッケージ footBayes を通じて、確率的プログラミング言語 Stan を用いて実装された。本研究では、ドイツ・ブンデスリーガ、イングランド・プレミアリーグ（EPL）、スペイン・ラ・リーガの直近5シーズン（2020/2021–2024/2025）のデータを利用した。各シーズンは、中盤の構造的なイベントを捉えるために、2つの離散的な期間（前半と後半）に分割された。

主な結果

提案された重み付き動的アプローチの性能を、2つのベンチマークと比較した：共通精度を用いる Owen (2011) の離散時間アプローチ、および能力別ではあるが精度が一定である Egidi et al. (2018) である。評価は、シーズンの後半全体、直近3ラウンド、および最終ラウンドの3つのシナリオにおいて、ブライア・スコア（低いほど良い）と平均正解確率（ACP）（高いほど良い）を用いて行われた。

• 予測精度：提案された重み付き動的アプローチは、3つのリーグおよび6つのゴールベースモデルすべてにおいて、一貫して最も低いブライア・スコアと最も高いACP値を示した。
  • ブンデスリーガでは、重み付き動的二変量ポアソンモデルが、直近3ラウンドにおいて0.678のブライア・スコアを達成した（Egidi et al. の0.683およびOwenの0.687と比較）。
  • EPLでは、重み付き動的対角膨張二変量ポアソンモデルが、0.602のブライア・スコアと0.421のACPを達成し、他のすべての手法を上回った。
  • ラ・リーガでは、重み付き動的アプローチが、ブライア・スコア0.499およびACP 0.454という最良の結果を達成した。
• モデルの挙動：チーム能力の軌跡（例：バイエルン・ミュンヘン、マンチェスター・ユナイテッド、ジローナFC）の分析により、提案された重み付き動的モデルは、変動性と構造的変化をより正確に捉えられることが示された。
  • 安定したチームについては、モデルは正確なトレンド追跡を維持した。
  • 一貫性のないパフォーマンスを示すチーム（例：ジローナの3位から16位への転落、あるいはマンチェスター・ユナイテッドの衰退）については、ベンチマークモデルが適応の遅れや能力の交差の捕捉失敗を見せたのに対し、重み付き動的モデルは攻撃および守備の急速な変化を正常に特定した。
• 計算効率：複雑な超事前分布が計算コストを増大させるという予想に反して、提案された重み付き動的アプローチは、Owen (2011) および Egidi et al. (2018) の定式化と比較して、収束に至るまでの計算時間が短かった。

意義と主張

本論文は、提案された手法が、動的な環境におけるチーム能力をモデル化するための、より柔軟で応答性の高いフレームワークを提供すると主張している。スパイク・アンド・スラブ超パラメータを備えた共鳴事前分布を利用することで、このアプローチは**適応的収縮（adaptive shrinkage）**のための形式的なメカニズムを提供し、データによって正当化される範囲内でのみ過去の情報を借用することを可能にする。

これにより、以下のことが実現されると著者らは断言している：

1. 優れた予測性能：特に、急速な最近のフォームの変化への適応が重要となる短期予測シナリオ（例：最終ラウンド）において。
2. 現実的な軌跡モデリング：静的または一様に進化するパラメータを想定するモデルよりも、中盤の変動や主要な移行（移籍、監督交代）をより正確に反映する能力。
3. 汎用性：本研究はフットボールに適用されているが、このフレームワークは、潜在的な能力の変化を伴う逐次的なパフォーマンス・データ（例：他のスポーツ）を含むあらゆる領域に対する一般的な解決策として提示されている。

本研究はオープンソースのRパッケージ footBayes として実装されており、再現性とさらなる応用を容易にしている。