論文要約：総塁打残差を用いた球場効果とチーム守備の同時推定

本論文は、野球における「球場効果（Ballpark Effects）」と「チーム守備力（Team Defense）」を、打撃の質（コンタクトの質）を統制した上で同時に推定するための新しい統計的枠組みを提案しています。2015 年から 2024 年の Statcast データを用い、従来の指標とは異なるアプローチでこれらの要因を分離・評価しています。

以下に、問題定義、手法、主要な貢献、結果、および意義について詳細にまとめます。

---

1. 問題定義 (Problem)

野球の打撃結果（ヒット、本塁打など）は、以下の複数の要因が絡み合って生じます。

1. コンタクトの質: 打球速度（Exit Velocity, EV）と打球角度（Launch Angle, LA）。
2. 球場環境: 球場の寸法、標高、大気条件など。
3. 守備パフォーマンス: 守備チームの守備範囲や処理能力。
4. 偶然性: ランダムな変動。

従来の分析では、これらの要因を明確に分離することが困難でした。

• 球場効果の推定: 従来の「ホーム/アウェー比率」法は、スケジュールの偏りやチーム力の違いによるバイアス（インフレーション・バイアス）を受けやすく、安定性に欠けるという課題がありました。
• 守備評価: 従来の守備指標（UZR, DRS, OAA など）は複雑なモデルや追跡データに依存しており、球場効果の推定とは独立して開発されることが多く、両者の相互作用を統一的に扱う枠組みが不足していました。

本研究の目的は、コンタクトの質を統制した上で、球場効果とチーム守備力を同時に推定し、相互に混同されないように分離することです。

2. 手法 (Methodology)

2.1 総塁打残差 (Total Bases Residuals: TBR) の構築

まず、コンタクトの質（EV と LA）を統制した「期待される総塁打数」を定義し、実際の総塁打数との差（残差）を計算します。

• グリッド化: EV（0-120 mph, 3 mph 間隔）と LA（-90-90 度, 3 度間隔）を細かなグリッドに分割します。
• 期待値の算出: 各グリッド内の全打球データから、そのコンタクト品質におけるリーグ平均の総塁打数（$\mu_g$）を算出します。
• 残差の定義: 個々の打球 $i$ について、$R_i = TB_i - \mu_{g(i)}$ と定義します。
  • $R_i > 0$: 期待より良い結果（守備が下手か、球場が打者有利）。
  • $R_i < 0$: 期待より悪い結果（守備が上手か、球場が投手有利）。
  • この残差は、コンタクトの質を除去しているため、主に球場環境とチーム守備の影響を反映します。

2.2 同時推定モデル

個々の打球残差 $R_i$ に対して、以下の加法モデルを適用して、球場効果と守備効果を同時に推定します。

$$R_i = \beta_0 + \beta^{park}_{p(i)} - \beta^{def}_{d(i)} + \varepsilon_i$$

• $\beta^{park}_{p}$: 球場 $p$ の環境効果。
• $\beta^{def}_{d}$: 守備チーム $d$ の守備効果（符号はマイナスで、守備が上手いほど残差を減らすため）。
• 識別可能性: 基準となる球場（Truist Park）とチーム（アトランタ・ブレーブス）を 0 として設定し、他の効果を相対的に推定します。
• 集約: 計算効率化のため、同じ（球場，守備チーム）の組み合わせごとに残差を平均化し、重み付き最小二乗法で推定を行います。

2.3 指標の標準化

推定された効果を解釈しやすくするため、以下の標準化を行います。

1. リーグ平均への中心化: 各シーズンの平均を 0 になるように調整。
2. Z スコア変換とインデックス化:
   • $Index = 100 + 20 \times z$
   • 100 がリーグ平均、120 が平均より 1 標準偏差上、140 が 2 標準偏差上を意味します。これにより、チーム間、球場間、シーズン間の比較が直感的になります。

3. 主要な貢献 (Key Contributions)

1. 統合的な推定枠組みの提案: 従来のように球場効果と守備力を別々に推定するのではなく、単一の回帰モデル内で同時に推定することで、両者の混同（コンファウンディング）を解消しました。
2. コンタクト品質の厳密な統制: Statcast データ（EV, LA）に基づく経験的分布を用いることで、打者の能力差を排除し、純粋な環境・守備効果のみを抽出しました。
3. 新しい標準化指標の導入: 従来の比率ベース（100 基準）ではなく、標準偏差ベースのインデックスを導入し、効果の大きさの解釈と比較を容易にしました。
4. リーグ全体のトレンド分析: 推定された切片（Intercept）の変化を通じて、リーグ全体の守備レベルやボールの物理的性質の変化を検出しました。

4. 結果 (Results)

4.1 球場効果の推定

• 妥当性確認: コロラド・ロッキーズの本拠地（クアーズ・フィールド）が打者有利、サンフランシスコ・ジャイアンツの本拠地（オラクル・パーク）が投手有利など、直感的に正しい結果が得られました。
• MLB 公式指標との比較: 一部の球場（例：2017 年のコメリーカ・パーク、2015 年のミニット・メイド・パーク）において、MLB 公式の「パークファクター」と著しく異なる値を示しました。
  • 理由: 公式指標は観測された打撃結果そのものに基づいており、守備力の違いやチーム構成の影響を含みます。一方、本研究のモデルは守備力を統制しているため、球場の物理的特性そのものをより純粋に反映していると考えられます。
  • 例：2017 年のデトロイト・タイガース（コメリーカ・パーク）では、公式指標は打者有利（128）としましたが、本研究は投手有利（70）と推定しました。これは、敵チームのホーム/アウェーでの残差パターンが投手有利を示唆しており、モデルの推定が実際の環境と合致していることを裏付けました。

4.2 チーム守備効果の推定

• 既存指標との比較: 推定された守備力を、Defensive Runs Above Average (Def) および Outs Above Average (OAA) と比較しました。
• 相関: OAA との相関の方が Def よりも高い傾向にあり（平均相関 0.53 対 0.44）、概念に近い OAA との整合性が確認されました。
• 不一致の分析: 両指標と大きく乖離するケース（例：2023 年のカンザスシティ・ロイヤルズ、2024 年のアリゾナ・ダイヤモンドバックス）を詳細分析しました。
  • 多くのケースで、本研究の推定値は「ホーム/アウェーにおける敵チームの残差パターン」とより整合的でした。
  • 守備評価において、本研究のモデルは「守備チームが打球をアウトにする能力」に焦点を当てているため、捕手のファームや走者制御など、打球結果に直接関与しない要素が含まれていない点が Def との違いとして指摘されています。

4.3 リーグ全体のトレンド（切片の変化）

• 推定モデルの切片（Intercept）は、リーグ全体の守備レベルの推移を示します。
• 傾向: 2015-2019 年は正の値（打撃有利）でしたが、2020 年代に入ると負の値（守備有利）へと低下しました。
• 要因:
  • 2017-2019 年の「ジュースド・ボール（飛距離が伸びるボール）」時代との一致。
  • 2020 年代以降のボールの調整や、データ駆動型の守備ポジショニングの強化による打撃抑制。
  • 2023 年の「極端なシフト禁止」ルール導入による、2023 年の切片の上昇（打撃有利への反転）。
  • これらの変化は、モデルがリーグ全体の環境変化を敏感に捉えていることを示しています。

5. 意義と結論 (Significance and Conclusion)

本研究は、野球分析において**「球場効果」と「守備力」を同時に、かつコンタクトの質を統制した形で推定する**ためのシンプルかつ解釈可能な枠組みを提供しました。

• 実用性: 従来の指標が抱えるバイアス（守備力やチーム構成の影響）を排除し、球場の物理的特性やチームの守備パフォーマンスをより純粋に評価できます。
• 洞察: 推定結果は、MLB 公式指標よりも、ホーム/アウェーでの実際の打球結果のパターンと整合的であるケースが多く、モデルの妥当性を支持しています。
• 将来の展望:
  • 打球の「方向」をモデルに組み込むことで、非対称な球場（フェンウェイ・パークなど）の評価精度を向上させる可能性。
  • チームレベルの推定を選手レベルに分解する手法の開発。
  • 得点価値（Run Value）に基づいたより高度なアウトカム指標への拡張。

総じて、このアプローチは、現代の Statcast データを活用し、野球の複雑な要因を統計的に解きほぐすための有力な手法として位置づけられます。