Bayesian weighted discrete-time dynamic models for association football prediction
Dit artikel introduceert een Bayesiaans gewogen discreet-tijds dynamisch modelleringskader dat adaptieve shrinkages via spike-and-slab hyperpriors gebruikt om tijdvariërende teamvaardigheden flexibel te volgen, waarbij een superieure voorspellende prestatie wordt aangetoond ten opzien van bestaande methoden over de belangrijkste Europese voetbalcompetities en is geïmplementeerd in het open-source R-pakket `footBayes`.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je de toekomst probeert te voorspellen, maar in plaats van naar kristallen bollen te kijken, kijk je naar een scorebord. Dit is de wereld van sportanalyse, een vakgebied waar wiskundigen en statistici optreden als detectives die proberen te ontrafelen waarom een team wint of verliest. Lange tijd gebruikten deze detectives een eenvoudige regel: ze namen aan dat het vaardigheidsniveau van een team als een standbeeld was—vastgezet op één plek, nooit veranderend. Als een team vorig jaar goed was in aanvallen, namen de modellen aan dat ze vandaag even goed waren in aanvallen, waarbij ze negeerden dat spelers geblesseerd raken, coaches worden ontslagen of sterrenspelers naar andere steden worden verhandeld. Maar in de echte wereld zijn teams meer als levende, ademende organismen die groeien, krimpen en elke week van gedachten veranderen. De grote vraag voor wetenschappers is: Hoe kunnen we een wiskundig model bouwen dat flexibel genoeg is om deze plotselinge veranderingen op te vangen zonder in de war te raken?
Dit artikel introduceert een slimme nieuwe manier om voetbalwedstrijden te voorspellen met een methode genaamd "Bayesiaanse gewogen dynamische modellen". Denk aan een intelligent, adaptief geheugensysteem. In het verleden zouden modellen ofwel het verleden volledig vergeten, of het te strikt onthouden, waarbij ze oude gegevens behandelden alsof ze gloednieuw waren. De auteurs, Roberto Macrì-Demartino, Leonardo Egidi en Nicola Torelli, stellen een systeem voor dat gebruikmaakt van "commensurate priors" met "spike-and-slab"-logica. Stel je een bibliothecaris voor die beslist hoeveel vertrouwen hij moet hebben in een oud boek over de vaardigheden van een team. Als het team precies speelt zoals ze vorige maand deden, plaatst de bibliothecaris een zware "spike" op het oude boek en zegt: "Vertrouw dit volledig!" Maar als het team een nieuwe coach heeft gekregen of hun beste spits heeft verloren, schuift de bibliothecaris het boek op een "slab" en zegt: "Deze oude informatie is waarschijnlijk fout; laten we kijken naar wat er nú gebeurt." Dit stelt het model in staat om kracht te lenen uit het verleden wanneer dat veilig is, maar die oude gegevens direct los te laten wanneer zaken veranderen.
De onderzoekers testten dit idee op zes verschillende soorten wiskundige modellen met gegevens van de afgelopen vijf seizoenen van drie grote Europese competities: de Duitse Bundesliga, de Engelse Premier League en de Spaanse La Liga. Ze splitsten elk seizoen in twee helften om mid-seizoen veranderingen op te vangen, zoals de wintertransferperiodes. Toen ze hun nieuwe "gewogen" aanpak vergeleken met oudere methoden die uitgingen van een constante veranderingssnelheid, waren de resultaten duidelijk. Het nieuwe model voorspelde wedstrijdresultaten consequent nauwkeuriger, vooral in de laatste, hooggespannen rondes van het seizoen. Bijvoorbeeld, in de Engelse Premier League behaalde hun beste model (een Skellam-model) een "Brier-score" van 0,545 voor de laatste ronde, terwijl hun beste model in La Liga (een diagonaal-geïnflateerd bivariant Poisson-model) een score van 0,462 behaalde. Lagere scores betekenen hier betere voorspellingen.
Het artikel keek ook naar hoe het model specifieke teams volgde. Het spoorde succesvol op wanneer een team als Bayern München een dip beleefde of wanneer het aanvallende vermogen van Manchester United over meerdere jaren verzwakte, waarbij het de schattingen veel sneller aanpaste dan de oudere modellen konden. De auteurs ontdekten dat door het toekennen van aparte "gewichten" aan de aanvallende en verdedigende vaardigheden van een team, het model situaties kon afhandelen waarin de aanval van een team snel kon veranderen terwijl de verdediging stabiel bleef, of andersom. Ze maakten dit hulpmiddel zelfs publiekelijk beschikbaar als een gratis softwarepakket genaamd footBayes. Hoewel het artikel suggereert dat deze aanpak een significante verbetering is, merken de auteurs voorzichtig op dat dit een bevinding is op basis van simulaties, en dat toekomstig werk nog meer gegevens kan bevatten, zoals spelersblessures of marktwaarden, om de voorspellingen nog scherper te maken. Uiteindelijk suggereert dit onderzoek dat het behandelen van het vermogen van een voetbalteam als een flexibel, veranderend verhaal—in plaats van een statiek feit—leidt tot veel betere gokken over wie de volgende wedstrijd zal winnen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.