Opponent-Adjusted Evaluation of NFL Pass Blocking and Pass Rushing Performance

この論文は、2021 年の Hudl 追跡データを用いて構築したブロッカーとパスラッシャーの相互作用データセットに基づき、リッジ正則化されたブラッドリー - テリーモデルを適用することで、対戦相手や文脈を調整した NFL のパスブロックおよびパスラッシングの個人評価フレームワークを提案し、その有効性を統計的検証と専門家による選出との比較を通じて示しています。

要約

この論文は、アメリカンフットボール（NFL）の**「ラインマン（攻撃側の壁）」と「パスラッシャー（攻撃を突破しようとする守備側）」**の戦いを、データを使って公平に評価しようとする研究です。

専門用語を避け、わかりやすい例え話で説明しますね。

🏈 問題：「壁」の強さってどうやって測るの？

NFL のラインマン（攻撃側の守備）やパスラッシャー（守備側の攻撃）の活躍を測るのは、実はとても難しいんです。

• 守備側（パスラッシャー）の場合： 「クォーターバック（QB）を捕まえた（サック）」という結果は稀で、それ以外の要因（QB の判断や味方のカバー）に左右されすぎます。
• 攻撃側（ラインマン）の場合： 逆に、彼らが完璧にブロックしても、QB が素早くボールを投げれば「サック」にはなりません。だから「サック数」という数字だけでは、彼らの実力が測れません。

これまでの評価は「結果（サック数など）」だけを見ていましたが、これだと「強い相手と戦ったのか、弱い相手と戦ったのか」という**「対戦相手の強さ」**が考慮されていません。

🧩 解決策：「格闘ゲーム」のような対戦データを使う

この研究では、2021 年の NFL のデータを詳しく分析し、**「1 対 1 の対戦」**を基本単位にしました。

1. 対戦の定義：

   • 攻撃側のラインマン（壁）と、守備側のパスラッシャー（突破者）がぶつかる瞬間を「対戦」とします。
   • 2.5 秒以内に、パスラッシャーがラインマンを抜けて QB に近づければ「勝ち」、抜ければ「負け」とします。
   • さらに、**「サック（QB 捕獲）」や「ヒット（QB への接触）」**といった、より深刻な結果も記録します。

2. チームワークの考慮：

   • もし 2 人のラインマンが 1 人のパスラッシャーを相手にしたら（ダブルチーム）、それは「1 対 1」の戦いとは違います。この研究では、その「助け合い」の状況もデータに組み込んでいます。

🎮 評価の仕組み：「実力値」を計算する

この研究では、**「ブラッドリー・テリーモデル」という統計手法を使っています。これをわかりやすく言うと、「格闘ゲームのレート（実力値）計算」**のようなものです。

• 普通の評価： 「A 選手は 10 回戦って 8 勝したから強い！」
• この研究の評価： 「A 選手は、世界最強の B 選手と戦って勝った。だから A 選手は本当にすごい！」というように、「誰と戦ったか」を考慮して実力値を調整します。

また、2 つの異なる評価モデルを作りました。

1. 勝敗モデル： 「2.5 秒以内に抜けたか（勝ち/負け）」だけを見るシンプルな評価。
2. 重さモデル： 「抜けたか（勝ち）」だけでなく、「QB に触れたか（ヒット）」、「捕まえたか（サック）」という**「結果の重み」**まで含めた、より詳しい評価。

🏆 結果：何がわかったの？

1. 精度の向上：
   単純な「勝率」や「過去の成績」だけを見るよりも、この新しいモデルの方が、次の対戦の結果を予測する精度が少しだけ高まりました。

   • 例え話： 天気予報で「過去の平均」だけでなく「現在の気圧や風向き」まで計算に入れると、予報が少しだけ正確になるようなものです。

2. 専門家との一致：
   最も面白いのは、**「重さモデル」**の結果が、NFL の専門家が選ぶ「年間ベスト選手（All-Pro）」と非常に一致していたことです。

   • 単なる「勝ち数」ではなく、「QB をどれだけ脅かしたか（サックやヒット）」を重視した評価の方が、プロの目と合致しました。

3. ランキングの発表：
   このモデルを使って、2021 年のシーズン終了時の「最強のラインマン」と「最強のパスラッシャー」のランキングを作成しました。

   • 例：パスラッシャーでは「ロバート・クイン」や「T.J. ワット」がトップクラスにランクインしました。

💡 結論：なぜこれが重要なの？

この研究は、「結果（サック数）」だけでなく、「プロセス（対戦の質）」を評価する新しい基準を提供しました。

• チームにとって： 選手のスカウトや契約交渉で、より公平な判断材料になります。
• ファンにとって： 「あの選手はサック数が少ないけど、実は最強の相手と戦って負けていないんだ！」という新しい視点で試合を楽しめます。

もちろん、フットボールは複雑で、このモデルだけで全てがわかるわけではありませんが、**「データを使って、選手の本当の力を可視化する」**ための素晴らしい第一歩となりました。

---

まとめ：
この論文は、NFL のラインマンとパスラッシャーの戦いを、「誰と戦ったか」を考慮した公平な格闘ゲームのレート計算のように分析し、「結果の重み（サックやヒット）」まで含めることで、プロの目と一致する正確な評価ができることを示しました。

技術概要

この論文「Opponent-Adjusted Evaluation of NFL Pass Blocking and Pass Rushing Performance（NFL のパスブロックおよびパスラッシングパフォーマンスの対戦相手調整評価）」の技術的な要約を以下に記します。

1. 問題設定 (Problem)

NFL のオフェンシブライン（ブロック）とディフェンシブライン（ラッシュ）の選手レベルでの評価は、以下の理由から極めて困難です。

• 観測結果の希少性: サックやヒットなどの明確な結果は稀です。
• 対戦相手依存性: 結果は対戦相手の能力に強く依存します。
• 文脈の影響: クォーターバックの投球時間、カバーリング、ゲーム状況など、周囲の環境要因が結果を大きく左右します。
• 既存指標の限界: ESPN の「パスブロック勝率（PBWR）」や「STRAIN」などの指標は、サック単体よりは信号を捉えていますが、ブロック選手の能力を対戦相手のラッシュ能力から分離したり、両者の対戦相手調整済み評価を同時に生成したりすることはできません。

2. 手法 (Methodology)

本研究では、2021 年シーズンの Hudl 提供トラッキングデータ（10Hz）を用い、ブロック選手とラッシュ選手の「対戦（ペア）」を基本単位とした分析フレームワークを構築しました。

データ構築

• 対戦データセット: 33,283 回のパスプレイ、266 試合から抽出された 153,138 件の「ブロック対ラッシュ」インタラクションを分析サンプルとしました。
• ダブルチーム指標: 複数のブロック選手が同一ラッシュ選手を相手する場合、対戦の共変量として「ダブルチーム」フラグ（1/0）を定義し、モデルに明示的に組み込みました。
• 結果の定義（ラッシュ視点）:
  1. Win/Loss（2 秒半ルール）: スナップ後 2.5 秒以内に、ラッシュ選手がブロック選手よりもクォーターバックに近づいたかを「Win」と定義。
  2. Severity（4 段階重み付け）: 「Loss（敗北）」<「Win（勝利）」<「Hit（ヒット）」<「Sack（サック）」の 4 段階の重み付けカテゴリを定義。各カテゴリには EPA（Expected Points Added）に基づいた重み（Loss=0, Win=0.10, Hit=0.20, Sack=1.00）を付与しました。

モデリングフレームワーク

Bradley-Terry (BT) 対戦モデルを ridge 正則化（リッジ正則化）を適用して推定しました。これにより、対戦回数が少ない選手の評価を安定化させます。

1. Binary Win/Loss Model: ロジスティック回帰形式の BT モデル。
   • 式：$\text{logit} P(Y=1) = \alpha + r_i - b_j + \delta D_t$
   • $r_i$: ラッシュ選手 $i$ の能力、$b_j$: ブロック選手 $j$ の能力、$D_t$: ダブルチーム指標。
2. Severity Ridge BT Model: 多項ロジスティック回帰形式の BT モデル。
   • 4 つの結果カテゴリの確率を推定し、事後に重み付けして期待スコアを算出します。

検証設計

• データ分割: ゲーム ID 順にソートし、時系列を考慮した 80/20 の順序分割（訓練：122,510 件、テスト：30,628 件）を実施。
• ベースライン:
  • グローバルベースライン（選手 ID を無視）。
  • マッチアップベースライン（選手の訓練データでの経験勝率/頻度のみを使用し、潜在能力モデルをフィットさせない）。
• 評価指標: 対数損失（Log-loss）、AUC、Enrichment@K（All-Pro 選出者との一致率）。
• 不確実性評価: ゲームレベルのブートストラップリサンプリング（B=1000）および週次パスのブートストラップ（B=100）を用いて信頼区間を算出。

3. 主要な貢献 (Key Contributions)

1. 対戦相手調整済みペア比較フレームワーク: ブロックとラッシュの選手を同時に評価しつつ、役割固有の解釈性を維持する。
2. 二つの BT モデルの提案: 二値の勝敗と、4 段階の重み付け結果（Severity）それぞれに特化したモデルを構築。
3. 厳格な検証: 対戦相手調整済みベースラインに対するアウトオブサンプル検証と、ゲームレベルのブートストラップによる不確実性評価。
4. 外部検証: 2021 年の AP All-Pro（プロボウル選出）リストとの比較による妥当性確認。
5. 可視化: シーズン終了時のリーダーボードと、週次ごとの評価変動（経路）の不確実性サマリーの提供。

4. 結果 (Results)

• 予測精度:
  • 両モデルとも、グローバルベースラインおよびマッチアップベースライン（選手の過去の勝率のみ）を上回りました。
  • 対数損失の改善幅は modest（0.24%〜1.21%）ですが、すでに競争力のあるベースラインに対して統計的に有意な改善（ブートストラップ区間が 0 をまたがない）を示しました。
  • Severity モデルは、マッチアップベースラインとの比較で方向性は正ですが、統計的有意性は Win モデルに比べてやや不安定でした。
• 外部検証（All-Pro 選出との一致）:
  • Severity モデルが、All-Pro 選出選手のランキングにおいて、最も高い AUC と Enrichment@K を示しました。特にブロック選手（Blocker）の選出予測において、Severity モデルはベースラインを大きく上回りました。
  • Win/Loss モデルも一定の性能を示しましたが、高インパクトな結果（サックやヒット）を捉える Severity モデルの方が、専門家による評価（All-Pro）との整合性が強かったことが示唆されました。
• リーダーボード:
  • 上位ラッシュ選手（例：T.J. Watt, Myles Garrett）は両モデルで上位にランクインしましたが、ブロック選手の評価はモデル間で差異が見られました。これは Severity モデルが「高インパクトな結果」をより重視しているためです。

5. 意義と結論 (Significance & Conclusion)

• 解釈可能性: このフレームワークは、対戦相手の強さを調整した上で、ブロックとラッシュの選手を個別かつ対照的に評価できる「解釈可能な」統計的基盤を提供します。
• 実用性: 予測精度の劇的な向上というよりは、ノイズの多い対戦データから一貫したシグナルを抽出し、スカウティングや人員評価に活用できる透明性のある指標を提供する点に意義があります。
• 将来展望: 現在のモデルはダブルチームを簡易的に扱っていますが、より詳細なヘルプ構造（チップブロック、タイトエンドの支援など）や、クォーターバックの投球時間、プレイデザインを明示的にモデル化すること、および階層的な縮小（hierarchical shrinkage）による複数シーズンの統合が今後の課題として挙げられています。

総じて、リッジ正則化付き Bradley-Terry モデルは、NFL のパスプロテクションとパスラッシングの評価において、対戦相手調整を可能にする安定かつ解釈可能な枠組みとして機能することが実証されました。