📈 economics

Drivers of Success: A Bayesian State-Space Model to Disentangling Latent Driver and Constructor Abilities in Formula One

Dit artikel introduceert een Bayesiaans toestandsruimtemodel dat er succesvol in slaagt de dynamische, latente vaardigheden van Formule 1-coureurs en constructeurs te ontrafelen door kwalificatietijden en race-ranglijsten van 2014 tot 2021 te analyseren, waarbij wordt onthuld dat hoewel de prestaties van coureurs relatief stabiel blijven, de capaciteiten van constructeurs een grotere variabiliteit vertonen en vaak een dominantere rol spelen in de uitslagen van races.

Oorspronkelijke auteurs: Tim Lindner, Rui Jorge Almeida, Nalan Baştürk, Stephan Smeekes

Gepubliceerd 2026-08-06

📖 3 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Tim Lindner, Rui Jorge Almeida, Nalan Baştürk, Stephan Smeekes

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 kookwedstrijd met een hoge inzet kijkt. Je ziet het eindgerecht op het bord, maar je ziet de ingrediënten of de techniek van de chef niet. Was de maaltijd geweldig omdat de chef een genie is, of omdat de keuken was voorzien van de beste ingrediënten ter wereld? In de wereld van sportstatistieken is dit een klassieke puzzel: hoe scheid je de vaardigheid van de individuele atleet van de kwaliteit van het team of de uitrusting die zij vertegenwoordigen? Deze vraag bevindt zich op het snijvlak van statistiek en sportwetenschap, een veld dat wiskunde gebruikt om verborgen patronen in prestaties te ontrafelen. Om dit op te lossen, gebruiken onderzoekers vaak "latente variabele modellen", wat chique wiskundige hulpmiddelen zijn die gokken op onzichtbare kwaliteiten (zoals "talent" of "machinekwaliteit") op basis van wat we daadwerkelijk kunnen zien (zoals rijtijden of scores). Ze gebruiken ook "state-space modellen", die als tijdmachines voor data werken, waardoor deze onzichtbare kwaliteiten gedurende het seizoen kunnen veranderen en evolueren. Begrijpen wie er werkelijk verantwoordelijk is voor het succes in de Formule 1 doet ertoe, want het beslecht het eeuwenoude debat: is de coureur de held, of is de auto de echte ster?

In dit artikel pakken Tim Lindner en zijn collega's precies dit mysterie aan met behulp van een nieuw wiskundig recept genaamd een Bayesiaans state-space model. Ze bekeken de Formule 1-racestatistieken uit het "hybride tijdperk" (2014 tot 2021), een periode waarin de auto's complexe hybride motoren gebruikten. In plaats van alleen naar raceresultaten te kijken, voerden ze twee verschillende soorten data in hun model: de snelste rondetijden tijdens de kwalificatiesessie (wat een soort solo-sprint is) en de uiteindelijke raceclassificaties (wat een groepsrace is). Het model behandelt de coureur en de autofabrikant (een "constructor" genoemd) als twee afzonderlijke, onzichtbare krachten die voortdurend verschuiven en veranderen over de tijd.

De onderzoekers ontdekten dat hoewel zowel de coureur als de auto belangrijk zijn, ze heel verschillend reageren. Het model suggereert dat het vermogen van een coureur als een gestage rivier is; het stroomt relatief soepel en blijft stabiel over de tijd. Een coureur kan iets beter of slechter worden, maar het kerngetalent schommelt niet wild van de ene race naar de andere. Het vermogen van de constructor is echter meer als een stormachtige zee. De prestaties van de autoteams fluctueren veel dramatischer, met grote sprongen en dalingen in capaciteit naarmate ze nieuwe onderdelen ontwikkelen of problemen oplossen.

Misschien wel de meest interessante ontdekking is dat voor veel combinaties van coureur en auto, de auto daadwerkelijk meer bijdraagt aan het eindresultaat dan de coureur. Het model laat zien dat de "constructor-vaardigheid" vaak een grotere impact heeft op de gedeelde prestatiescore dan de "coureur-vaardigheid". De auteurs merken echter voorzichtig op dat hun model niet perfect is. Wanneer ze het testten door raceresultaten te simuleren, deed het een goede job bij het voorspellen van de algemene flow van kwalificatietijden. Maar wanneer het aankwam op raceclassificaties, had het model moeite om de pure dominantie van de allerbeste teams volledig te vatten. Het suggereerde dat hoewel de wiskunde goed werkt voor het middenveld, de "superstormen" van de topteams iets moeilijker te voorspellen zijn met dit specifieke instrument. Uiteindelijk biedt de studie een manier om de eer wiskundig te verdelen, waarmee ons wordt getoond dat in de Formule 1 de motor onder de motorkap vaak net zo belangrijk is als de handen aan het stuur.

Technische Samenvatting: Factoren van Succes in de Formule 1

Probleemstelling
Prestaties in de Formule 1 zijn een gezamenlijk product van de vaardigheid van de coureur en de capaciteit van de constructeur (het team), maar deze bijdragen zijn niet observeerbaar en evolueren dynamisch over de tijd. Het scheiden van deze effecten is methodologisch uitdagend vanwege drie factoren: het tijdvariërende karakter van vermogens, de frequente wisselingen in de combinaties van coureur en constructeur, en de heterogeniteit van de geobserveerde uitkomsten. Specifiek bestaat de data uit twee verschillende typen uitkomsten: continue snelste kwalificatietijden en ordinale race-eindposities (gedeeltelijke rangschikkingen). Bestaande literatuur behandelt deze problemen vaak geïsoleerd—door gebruik te maken van statische modellen, analyses met één uitkomst, of dynamische rangschikkingsmodellen die geen continue prestatie-indicatoren gezamenlijk integreren. Bovendien analyseren standaard twee-weg worker-firm modellen in de econometrie doorgaans een enkele continue uitkomst en missen zij kaders waarbij zowel individuele als groeps-effecten volgens aparte stochastische evolutievergelijkingen binnen een gezamenlijke state-space structuur verlopen.

Methodologie
De auteurs stellen een Bayesiaans state-space model voor dat gestandaardiseerde kwalificatietijden en race-rangschikkingen gezamenlijk analyseert om latente coureurscapaciteiten en constructeurscapaciteiten te ontrafelen.

Observatievergelijkingen: Het model behandelt de twee uitkomsten met uitkomstspecifieke steekproefverdelingen die verbonden zijn door gedeelde latente toestanden.
- Kwalificatie: Gemodelleerd als een continue uitkomst met behulp van een Normale verdeling. De geobserveerde tijd wordt gestandaardiseerd binnen elke Grand Prix om rekening te houden met variaties in circuits en weersomstandigheden.
- Race: Gemodelleerd als een uitkomst van een gedeeltelijke rangschikking. De race-eindpositie wordt geïnduceerd door een latente race-prestatievariabele die een Gumbel-verdeling volgt, wat analytisch leidt tot een Plackett-Luce likelihood. De race-vergelijking bevat de startpositie op de grid als covariaat, in erkenning van het feit dat de gridpositie wordt bepaald door de kwalificatieprestatie.
Latente Toestandsdynamiek: Zowel de coureurscapaciteiten ( $a_{d,t}$ ) als de constructeurscapaciteiten ( $c_{k,t}$ ) worden gemodelleerd als afzonderlijke random-walk processen die evolueren op het niveau van de Grand Prix. Deze toestanden worden additief ontleed in de prestatievoorspellers voor beide uitkomsten. De geobserveerde contractuele toewijzing ( $z_{d,t}$ ) bepaalt welke constructeurstoestand in de specifieke voorspeller van een coureur terechtkomt.
Identificatiestrategie: De identificatie van de dynamische decompositie rust op drie pijlers:
1. Gezamenlijke Likelihood: De continue kwalificatievergelijking en de rangschikkingslikelihood bieden complementaire informatie, wat gemeenschappelijke verschuivingen in latente componenten beperkt die een rangschikkingsmodel alleen niet kan identificeren.
2. Sum-to-Zero Constraints: Om de locatie en schaal van de latente toestanden vast te leggen, legt het model beperkingen op die de coureur- en constructeurscapaciteiten voor elke Grand Prix centreren op nul. Dit wordt geïmplementeerd via specifieke prior-specificaties die negatieve correlaties induceren in de innovatietermen van de state-vergelijkingen.
3. Variatie in Toewijzing: De variatie in de toewijzing van coureur aan constructeur over de tijd (bijv. coureurs die van team wisselen) stelt het model in staat om persistent coureurscapaciteit te onderscheiden van constructeurscapaciteit, analoog aan werknemersmobiliteit in twee-weg fixed effects modellen.
Inferentie: Bayesiaanse inferentie wordt uitgevoerd met de No-U-Turn Sampler (NUTS), een Hamiltonian Monte Carlo algoritme, onder zwak informatieve priors die coureurscapaciteiten en constructeurscapaciteiten symmetrisch behandelen. Deze aanpak is gekozen boven standaard Kalman-filters vanwege de niet-Gaussische aard van de rangschikkingslikelihood.

Belangrijkste Bijdragen

Gezamenlijke Modellering van Heterogene Uitkomsten: Het artikel integreert een continue uitkomst en een gedeeltelijke rangschikkingsuitkomst binnen één enkel dynamisch kader, waarmee mixed-outcome latent-variabele modellen wordt uitgebreid naar het state-space domein.
Dynamische Twee-Weg Decompositie: In tegen tegenstelling tot statische worker-firm modellen, staat dit kader toe dat zowel het individuele als het groeps-effect stochastisch evolueert over de tijd, terwijl ze worden geïdentificeerd via geobserveerde toewijzingsstructuren.
Methodologische Synthese: Het model overbrugt de literatuur over mixed-outcome modellen, dynamische rangschikkingsmodellen (bijv. dynamische Plackett-Luce) en econometrische twee-weg effecten, en biedt een verenigde aanpak voor het deconstrueren van gedeelde prestatievoorspellers.

Empirische Resultaten
Toegepast op het hybride tijdperk van de Formule 1 (2014–2021), levert het model de volgende bevindingen op:

Heterogeniteit: Er is substantiële heterogeniteit in zowel de coureurscapaciteiten als de constructeurscapaciteiten over de gehele steekproef.
Stabiliteit versus Volatiliteit: Coureurscapaciteiten zijn over het algemeen stabieler over de tijd en vertonen een geleidelijke evolutie. In contrast hiermee vertonen constructeurscapaciteiten grotere variatie, met meer uitgesproken en soms abrupte veranderingen binnen en tussen seizoenen.
Relatieve Bijdragen: Voor verschillende coureur–constructeur-combinaties draagt de constructeurcomponent sterker bij aan de gedeelde prestatievoorspeller dan de coureurcomponent. Echter, de relatieve bijdrage varieert aanzienlijk afhankelijk van de specifieke combinatie en tijdsperiode.
Voorspellende Prestaties: Het model reproduceert continue kwalificatie-uitkomsten redelijk goed. De race-rangschikkingscomponent vertoont echter meer moeite met het reproduceren van de aanhoudende dominantie van top-tier combinaties (bijv. Verstappen/Red Bull in 2021), waarbij de frequentie van top-twee finishes wordt onderschat vergeleken met de geobserveerde data.
Onzekerheid: De posterieure onzekerheid is over het algemeen groter voor constructeurscapaciteiten dan voor coureurscapaciteiten, wat de grotere volatiliteit in constructeurprestaties en de specifieke structuur van de toewijzingsdata weerspiegelt.

Betekenis en Claims
Het artikel claimt een rigoureus statistisch kader te bieden voor het deconstrueren van gezamenlijke prestaties in teamsporten waar individuele en groepsbijdragen niet observeerbaar en dynamisch zijn. Door gebruik te maken van de specifieke structuur van de Formule 1-data—waarbij coureurs van team wisselen en uitkomsten op verschillende schalen worden gemeten—slaagt het model erin om afzonderlijke latente trajecten voor coureurs en constructeurs te identificeren. De auteurs merken op dat hoewel het model op maat is gemaakt voor de Formule 1, de onderliggende structuur toepasbaar is op andere settings die betrokken zijn bij heterogene longitudinale uitkomsten die afhangen van afzonderlijk evoluerende individuele en groeps-effecten, zoals organisatorische uitkomsten of andere teamsporten. De studie concludeert bescheiden dat hoewel de decompositie succesvol is, het race-rangschikkingsmodel beperkingen behoudt in het vastleggen van de extreme staarten van prestatiedominantie.

Technische Samenvatting: Factoren van Succes in de Formule 1

Meer zoals dit