📊 statistics

Simultaneous Estimation of Ballpark Effects and Team Defense Using Total Bases Residuals

Deze studie introduceert een interpreteerbaar kader op basis van Total Bases Residuals om met Statcast-data van 2015 tot 2024 gelijktijdig de effecten van ballparkomgevingen en teamverdediging te schatten, waarbij de resultaten consistent zijn met recente ontwikkelingen in het honkbal en worden gestandaardiseerd voor makkelijke vergelijking.

Oorspronkelijke auteurs: Jhe-Jia Wu, Tian-Li Yan, Ting-Li Chen

Gepubliceerd 2026-03-24

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Jhe-Jia Wu, Tian-Li Yan, Ting-Li Chen

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 naar een honkbalwedstrijd kijkt. Een speler slaat de bal hard weg. Wat gebeurt er daarna? Ligt het aan hoe goed hij heeft geslagen? Ligt het aan hoe goed het veld van de tegenpartij is? Of ligt het misschien aan het stadion zelf?

Soms is het stadion zo groot dat de bal eruit vliegt (een 'hitter-friendly' park), en soms is het zo klein of heeft het zo'n rare wind dat de bal blijft liggen (een 'pitcher-friendly' park). Ook kan het zijn dat het veld van de tegenpartij zo goed is dat ze elke bal vangen, terwijl een ander team veel fouten maakt.

Het probleem voor statistici is: hoe weet je wat wat is? Als een team veel punten scoort, is dat omdat ze goede spelers hebben, of omdat ze in een makkelijk stadion spelen? En als een team veel fouten maakt, is dat omdat ze slecht veldspelen, of omdat ze in een stadion spelen waar de bal raar stuitert?

De auteurs van dit paper (Jhe-Jia Wu, Tian-Li Yan en Ting-Li Chen) hebben een slimme manier bedacht om dit allemaal uit elkaar te halen. Ze noemen hun methode "Total Bases Residuals" (TBR), maar laten we het gewoon "De Restwaarde" noemen.

Hier is hoe het werkt, vertaald in een simpele analogie:

1. De "Verwachte" Bal (De Rekenmachine)

Stel je voor dat je een supergeavanceerde rekenmachine hebt. Deze rekenmachine kijkt naar twee dingen:

Hoe hard de bal werd geslagen (Exit Velocity).
Onder welke hoek de bal de lucht in ging (Launch Angle).

Als een bal 100 mijl per uur hard wordt geslagen onder een hoek van 25 graden, zegt de rekenmachine: "Op basis van alle honkbalgeschiedenis, zou deze bal gemiddeld 1,5 bases moeten opleveren."

2. De "Restwaarde" (Het Verrassingsmoment)

Nu kijken we naar wat er echt gebeurt.

Als de bal 2 bases oplevert (meer dan de 1,5 die de rekenmachine voorspelde), is dat een positieve restwaarde. Iets heeft geholpen om de bal verder te krijgen.
Als de bal maar 0,5 bases oplevert (minder dan de 1,5), is dat een negatieve restwaarde. Iets heeft de bal tegengehouden.

Deze "restwaarde" is het geheim. Omdat we al hebben afgetrokken wat de kracht van de slagman en de hoek van de bal zouden moeten doen, blijft er alleen over: het stadion en de verdediging.

3. Het Grote Puzzelspel (De Simultane Oplossing)

De auteurs hebben een enorme puzzel gemaakt. Ze hebben data van 10 jaar (2015-2024) gebruikt en alle honkbalwedstrijden in één groot model gezet.

Stel je voor dat je een enorme muur hebt met 30 vakken voor de stadiums en 30 vakken voor de teams.

Als er in vakje "Stadion A" veel positieve restwaarden zijn, betekent dat: "Dit stadion helpt de aanval."
Als er in vakje "Team B" veel negatieve restwaarden zijn (terwijl ze tegen verschillende tegenstanders spelen), betekent dat: "Dit team is een verdedigingsmonster."

Ze hebben dit allemaal tegelijkertijd opgelost (daarom "simultaan" in de titel). Ze kijken niet alleen naar één wedstrijd, maar naar duizenden, zodat het toeval (soms slaag je gewoon een bal die je niet had moeten slaan) eruit valt.

Wat hebben ze ontdekt?

1. Het stadion is niet altijd wat het lijkt
Soms zeggen de officiële MLB-statistieken dat een stadion goed is voor aanvallers. Maar als je kijkt naar de "restwaarde", zie je dat het misschien juist de verdediging van het thuisploeg is die daarvoor zorgt. De auteurs tonen aan dat hun methode vaak beter past bij wat er echt gebeurt op het veld dan de oude methoden.

2. De verdediging verandert
Ze hebben ook gekeken naar hoe goed de teams verdedigen. Ze vergelijken hun resultaten met bekende statistieken zoals "Defensive Runs Saved" (DRS) en "Outs Above Average" (OAA).

Hun methode komt vaak overeen met wat we zien: als een team in hun eigen stadion en bij uitwedstrijden tegenstanders minder bases laat scoren dan verwacht, is dat een goed verdedigend team.
Ze merken op dat hun methode soms anders uitvalt dan de officiële cijfers, maar dat hun uitkomsten logischer zijn als je kijkt naar de prestaties van de tegenstanders.

3. De "Magische Bal" en de "Slimme Velders"
De auteurs kijken ook naar de trend over de tijd. Ze zien een duidelijke lijn:

2017-2019: De bal leek "opgepompt" (de "juiced ball"). De intercept (het gemiddelde) ging omhoog. De bal vloog verder.
2020-2022: De bal werd weer "minder levendig" en de verdediging werd slimmer (door data-analyse en betere posities). De intercept ging omlaag.
2023: De MLB verbood extreme verdedigingsverschuivingen (de "shift"). Hierdoor ging de intercept weer iets omhoog, omdat de verdediging minder extreem kon staan.

Dit laat zien dat hun model niet alleen statistieken rekent, maar ook echt de veranderingen in het spel van honkbal kan "voelen".

Waarom is dit belangrijk?

Vroeger was het moeilijk om te zeggen: "Is dit team goed, of is dit stadion gewoon makkelijk?"
Met deze nieuwe methode kunnen we zeggen: "Oké, dit stadion is 10% makkelijker dan gemiddeld, en dit team is 5% beter in verdedigen dan gemiddeld."

Ze hebben zelfs een nieuwe standaardindex bedacht (een soort "honingraat-score" van 100).

100 = Gemiddeld.
120 = 1 standaardafwijking boven het gemiddelde (zeer goed).
80 = 1 standaardafwijking onder het gemiddelde (minder goed).

Dit maakt het makkelijker om te vergelijken, net zoals je temperatuur in graden Celsius vergelijkt in plaats van in "warmte-eenheden".

Conclusie

Deze paper is als het hebben van een X-ray bril voor honkbal. Door de "restwaarde" van de bal te meten, kunnen we zien wat er echt gebeurt achter de schermen: welke stadions de bal helpen, welke teams de bal tegenhouden, en hoe het spel van honkbal zelf verandert door nieuwe regels en een veranderende bal. Het is een simpele, maar krachtige manier om de chaos van honkbal in te delen in logische stukjes.

Probleemstelling

Het schatten van park-effecten (invloed van het stadion) en teamverdediging in honkbal is statistisch uitdagend omdat de uitkomsten van geslagen ballen (batted-ball outcomes) worden beïnvloed door meerdere interactieve factoren:

Kwaliteit van contact: Uitloopsnelheid (Exit Velocity - EV) en lanceerhoek (Launch Angle - LA).
Omgeving: De fysieke kenmerken van het stadion (afmetingen, hoogte, atmosferische omstandigheden).
Verdediging: De prestaties van het veldspelende team.
Toeval: Willekeurige variatie.

Traditionele methoden, zoals de "home-road ratio" (thuis/uit-verhouding), maken sterke aannames over evenwichtige schema's en gelijke teamkwaliteit, wat leidt tot vertekening ("inflationary bias"). Bestaande verdedigingsmetrieken (zoals Def, OAA, UZR) zijn vaak complex, afhankelijk van tracking-data en worden los van park-effecten ontwikkeld. Het ontbreekt vaak aan een geïntegreerd raamwerk dat deze componenten simultaan kan scheiden zonder complexe modellering van individuele spelers.

Methodologie

De auteurs stellen een eenvoudig, interpreteerbaar regressie-raamwerk voor dat gebruikmaakt van Total Bases Residuals (TBR).

1. Constructie van Residuen (TBR):

Controle voor contactkwaliteit: De auteurs gebruiken Statcast-data (2015-2024) om een verwachte uitkomst te definiëren op basis van EV en LA. Het EV-LA-ruimte wordt opgedeeld in een fijn raster (bins van 3 mph en 3 graden).
Verwachte Total Bases ( $\mu_g$ ): Voor elke cel $g$ in het raster wordt het gemiddelde aantal bases (Total Bases) berekend over alle geslagen ballen in die cel.
Residu ( $R_i$ ): Voor elke individuele geslagen bal $i$ wordt het residu gedefinieerd als het verschil tussen de waargenomen bases en de verwachte bases:
$R_i = TB_i - \mu_{g(i)}$
Een positief residu betekent dat de bal meer bases opleverde dan verwacht op basis van de contactkwaliteit; een negatief residu betekent minder. Dit residu vangt de gecombineerde effecten van het stadion en de verdediging, terwijl contactkwaliteit is gecontroleerd.

2. Simultane Schattingsmodel:
De auteurs passen een additief lineair model toe op de geresidueerde data:
$R_i = \beta_0 + \beta_{park}^{p(i)} - \beta_{def}^{d(i)} + \varepsilon_i$
Waarbij:

$\beta_{park}^{p}$ het effect van het stadion $p$ is.
$\beta_{def}^{d}$ het verdedigingseffect van team $d$ is (met een min-teken omdat een betere verdediging leidt tot minder bases voor de tegenstander).
$\beta_0$ is het intercept (het algemene niveau van de competitie).

Om identificeerbaarheid te garanderen, wordt één referentiestadion (Truist Park) en één referentieteam (Atlanta Braves) op nul gesteld. De schattingen worden vervolgens gecentreerd rond het competitiegemiddelde.

3. Aggregatie en Schatting:
Om de rekenkracht te optimaliseren, worden observaties geaggregeerd per combinatie van stadion en verdedigend team ( $p, d$ ). Een gewogen kleinste-kwadratenmethode (Weighted Least Squares) wordt gebruikt, waarbij het gewicht gelijk is aan het aantal kansen in die cel.

4. Standaardisatie:
Om effecten makkelijker te interpreteren en te vergelijken, wordt een gestandaardiseerde index ingevoerd op basis van de Z-score:
$Index = 100 + 20 \times z$
Hierbij is 100 het competitiegemiddelde, 120 één standaardafwijking boven het gemiddelde, en 80 één standaardafwijking onder het gemiddelde.

Belangrijkste Resultaten

1. Geschatte Park-effecten:

De geschatte park-effecten correleren sterk met de algemene reputatie van stadions (bijv. Coors Field is zeer hitter-vriendelijk, Oracle Park pitcher-vriendelijk).
Vergelijking met MLB-officiële metrics: Er zijn systematische verschillen met de officiële MLB park-factoren. De auteurs tonen aan dat hun model, dat verdediging en contactkwaliteit expliciet controleert, consistenter is met de waargenomen thuis/uit-patronen.
- Voorbeeld: Bij Comerica Park (DET, 2017) geeft de officiële metric een hitter-vriendelijk beeld (128), terwijl het model een pitcher-vriendelijk beeld schetst (70). De data toont aan dat tegenstanders daar minder bases halen dan elders, wat het model ondersteunt.
- Voorbeeld: Bij Minute Maid Park (HOU, 2015) schat het model een sterk hitter-vriendelijk effect (154) in tegenstelling tot de officiële metric (92), wat overeenkomt met de hoge offensieve output van zowel Houston als de tegenstanders thuis.

2. Geschatte Teamverdediging:

De geschatte verdedigingseffecten worden vergeleken met Defensive Runs Above Average (Def) en Outs Above Average (OAA).
Hoewel de correlaties matig zijn (rond 0.44 met Def en 0.53 met OAA), tonen casestudies aan dat de TBR-residuen vaak beter overeenkomen met de auteurs' schattingen dan met de officiële metrics.
Waar officiële metrics soms afwijken, laten de thuis/uit-vergelijkingen van de TBR vaak de richting van de auteurs' schattingen zien (bijv. een team dat thuis en uit consistent minder bases toestaat dan tegenstanders, wordt door het model correct als sterk verdedigend ingeschat).

3. Trend in het Competitiegemiddelde (Intercept):

Het intercept van het model toont een duidelijke dalende trend van 2015 tot 2024.
2017-2019: Positieve intercepten, wat overeenkomt met de "juiced ball"-era (meer ballen die verder vliegen).
2020-2022: Negatieve intercepten, wat wijst op een algemene verbetering van de verdediging of een minder levendige bal.
2023: Een lichte stijging, wat correleert met de invoering van beperkingen op extreme infield shifts door de MLB.
Dit suggereert dat het model gevoelig is voor veranderingen in de fysieke eigenschappen van de bal en strategische verschuivingen in de competitie.

Bijdragen en Significatie

Geïntegreerde Benadering: Het artikel biedt een uniek raamwerk dat park-effecten en teamverdediging simultaan schat, waardoor confounding tussen deze factoren wordt verminderd.
Interpretabiliteit: Door gebruik te maken van Total Bases Residuen en een gestandaardiseerde index (100-schaal), worden complexe statistische resultaten direct interpreteerbaar voor analisten en fans, vergelijkbaar met traditionele metrics zoals OPS+ of ERA+.
Validatie van Methodologie: De resultaten tonen aan dat het scheiden van contactkwaliteit (via EV/LA) essentieel is om de zuivere omgevings- en verdedigingseffecten te isoleren. De methodologie verklaart discrepanties met officiële metrics door te wijzen op de invloed van teamverdediging in de traditionele berekeningen.
Inzicht in Competitietrends: De analyse van het intercept levert empirisch bewijs voor de impact van veranderingen in de bal en defensieve strategieën (zoals shift-restricties) op de uitkomsten van de competitie als geheel.

Beperkingen en Toekomstig Werk

Richting van de bal: Het model houdt momenteel geen rekening met de richting van de geslagen bal, wat de nauwkeurigheid voor asymmetrische stadions kan beperken.
Spelerniveau: Het model schat teamverdediging op basis van geaggregeerde uitkomsten en deconstrueert niet de bijdrage van individuele spelers.
Niet-lineaire effecten: De huidige aanname is additief; interacties tussen park en verdediging (bijv. een team dat zich aanpast aan zijn eigen park) worden nog niet gemodelleerd.

Samenvattend biedt dit artikel een robuuste, datagedreven methode om de complexe interacties tussen stadion, verdediging en contactkwaliteit in het honkbal te ontrafelen, met resultaten die zowel statistisch onderbouwd als praktisch relevant zijn.