📊 statistics

Interpretable Forecasting of FIFA World Cup Tournament Progression Using Penalized Logistic Regression and Bootstrap Stability Selection

Deze studie presenteert een interpreteerbaar voorspellingskader met behulp van gepenaliseerde logistische regressie en bootstrap stabiliteitsselectie op historische teamgegevens om de progressie in het FIFA Wereldkampioenschap te voorspellen, waarbij belangrijke voorspellers zoals marktwaarde en FIFA-ranglijst worden geïdentificeerd en Argentinië, Frankrijk, Spanje, Engeland, Duitsland en Nederland worden voorspeld als topfavorieten voor het 2026-toernooi.

Oorspronkelijke auteurs: Francis Okyere, Francis Mawutor Amuyao, Sherif Mohammed

Gepubliceerd 2026-07-03✓ Author reviewed ⓘ

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Francis Okyere, Francis Mawutor Amuyao, Sherif Mohammed

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert te voorspellen wie de FIFA Wereld Cup gaat winnen. Het is also_ de poging om de winnaar van een enorme, prestigieuze kookwedstrijd te raden waarbij de jury onvoorspelbaar is, de ingrediënten elke vier jaar veranderen en de regels strikt zijn. De meeste mensen gokken gewoon op basis van een onderbuikgevoel of wie de meest beroemde chefs (spelers) heeft. Maar dit artikel probeert een "recept" van wiskunde en data te gebruiken om een slimmere gok te doen.

Hier is het verhaal van dat onderzoek, eenvoudig uitgelegd:

De Grote Vraag

De auteurs wilden de vraag beantwoorden: Wat maakt een voetbalteam echt succesvol in de Wereld Cup? Hebben ze de duurste spelers nodig? De beste geschiedenis? Of is het gewoon geluk? Ze wilden een "glazen bol" bouwen die niet alleen gokt, maar ook uitlegt waarom het die gok maakte.

De Ingrediënten (De Data)

Ze verzamelden een enorme lijst met feiten over elk nationaal team dat door de jaren heen in de Wereld Cup heeft gespeeld. Denk hierbij aan een gigantisch spreadsheet met 192 rijen (elke rij vertegenwoordigt een team in een specifiek toernooi) en 17 kolommen met informatie.

De "Scorekaart": Hoeveel is het hele team waard op de transfermarkt? (Squad Market Value)
De "Reputatie": Wat is hun huidige ranglijst? (FIFA Ranking)
Het "CV": Zijn ze eerder in de finales gekomen? Hoe vaak hebben ze recentelijk gewonnen?
Het "Thuisvoordeel": Wordt het toernooi in hun eigen achtertuin gespeeld? (Host Nation)

Ze wilden vier specifieke mijlpalen voorspellen:

Bereikten ze de kwartfinales?
Bereikten ze de halve finales?
Bereikten ze de finale?
Wonnen ze het gehele toernooi?

De Keukengereedschappen (De Methoden)

De onderzoekers probeerden vier verschillende "kookmethoden" (statistische modellen) om te zien welke de beste voorspellingen maakte:

Het Klassieke Recept (Logistische Regressie): Een eenvoudige, ouderwetse wiskundige methode.
De "Vrekkige" Recepten (Ridge, Lasso, Elastic Net): Dit zijn geavanceerde moderne methoden die ontworpen zijn om zeer strikt te zijn. Ze proberen "ruisende" ingrediënten te negeren die het recept in de war kunnen brengen. Het zijn als een chef die erop staat om alleen de top 3 ingrediënten te gebruiken en de rest te negeren om het simpel te houden.

De Twist: Normaal gesproken wordt van verwacht dat de chique, strikte methoden winnen in de data science. Maar in dit geval bleek het Klassieke Recept (eenvoudige Logistische Regressie) de beste chef te zijn. Het voorspelde de winnaars nauwkeuriger dan de strikte, chique methoden.

De "Stabiliteitstest" (Bootstrap Stability Selection)

Om er zeker van te zijn dat ze niet gewoon geluk hadden, deden de onderzoekers een "stresstest". Stel je voor dat je 1.000 verschillende mensen vraagt om de belangrijkste ingrediënten uit de lijst te kiezen, maar elke persoon ziet slechts een willekeurige handvol van de data.

Als een ingrediënt (zoals "Teamwaarde") door bijna iedereen wordt gekozen, is het een stabiel ingrediënt.
Als een ingrediënt slechts één keer wordt gekozen en daarna weer wordt vergeten, is het onbetrouwbaar.

De Resultaten: Ze vonden een kleine groep "Super-Ingrediënten" waar bijna iedereen het over eens was:

Totale Squad Market Value: De belangrijkste factor. In de basis: hoe rijker en talentvoller het hele team is, hoe verder ze komen.
FIFA Ranking: Hun huidige reputatie doet ertoe.
Geschiedenis: Teams die eerder in de finales zijn gekomen of eerder hebben gewonnen, hebben een grotere kans om dat opnieuw te doen.
Recente Vorm: Hoe ze de afgelopen jaren hebben gespeeld.
Gaststatus: Spelen in eigen land geeft een lichte boost.

De Glazen Bol: Voorspelling 2026

Met behulp van hun "Klassieke Recept" keken ze vooruit naar de Wereld Cup van 2026. Hier is wie hun wiskunde zegt dat het goed zal doen:

De Kwartfinalisten: Brazilië, Frankrijk, Engeland, Duitsland en Spanje zijn het meest waarschijnlijk om deze fase te bereiken.
De Halve Finalisten: Frankrijk ziet er erg sterk uit voor deze fase, gevolgd door Nederland en Duitsland.
De Finalisten: Frankrijk is de favoriet om de finale te bereiken.
De Winnaar: Argentinië wordt voorspeld de grootste kans te hebben om de trofee op te tillen, gevolgd door Frankrijk en Spanje.

De Belangrijkste Les

Het artikel leert ons twee grote lessen:

Simpel is vaak beter: Je hebt niet altijd de meest ingewikkelde wiskunde nodig om het beste antwoord te krijgen. Soms werkt een rechtstreekse blik op de data het beste.
Geld en Geschiedenis doen ertoe: Als je wilt weten wie de Wereld Cup gaat winnen, kijk dan naar hoeveel het team waard is en hoe ze in het verleden hebben gepresteerd. Dat zijn de twee grootste aanwijzingen.

De auteurs zeiden niet alleen "Argentinië gaat winnen." Ze bouwden een transparant instrument dat zegt: "Op basis van de data heeft Argentinië de beste kansen, en dit zijn de specifieke redenen waarom." Het is als het hebben van een weersverwachting die je niet alleen vertelt of het gaat regenen, maar ook precies hoeveel water er in de wolken zit.

Technische Samenvatting: Interpreteerbare Voorspelling van het Verloop van het FIFA Wereldkampioenschap

Probleemstelling
Het voorspellen van de progressie van teams door de verschillende stadia van het FIFA Wereldkampioenschap vormt een complexe statistische uitdaging vanwege de wisselwerking tussen teamkwaliteit, historische prestaties en toernooi-specifieke variabelen. In tegenstelling tot voorspellingen op wedstrijdniveau, betreft de progressie in een toernooi een opeenvolging van knock-outrondes waarbij een enkel resultaat bepaalt of een team doorgaat, wat leidt tot een sterk ongebalanceerd classificatieprobleem (bijvoorbeeld slechts zes winnaars in de historische dataset). Bovendien zijn standaardindicatoren voor teamsterkte—zoals FIFA-ranglijsten, marktwaarden en historische prestaties—vaak sterk gecorreleerd, wat leidt tot multicollineariteit die modelraming en interpretatie bemoeilijkt. Terwijl eerder onderzoek zich richtte op individuele wedstrijdresultaten met behulp van diverse machine learning-technieken, is er een gat in de ontwikkeling van interpreteerbare kaders die specifiek gericht zijn op het voorspellen van progressie door opeenvolgende toernooistadia (kwartfinalist, semifinalist, finalist en winnaar).

Methodologie
De studie maakte gebruik van een dataset van 192 team-toernooi-observaties uit historische FIFA Wereldkampioenschappen, bestaande uit 17 predictoren. De analyse maakte gebruik van een vijffasen analytisch kader:

Data Preprocessing: Ontbrekende waarden werden geïmputeerd met behulp van medianen (numeriek) of modi (categorisch), en continue predictoren werden gestandaardiseerd om compatibiliteit met gepenaliseerde regressie te waarborgen.
Modelontwikkeling: Vier binaire uitkomsten werden gemodelleerd met behulp van:
- Baseline Logistische Regressie.
- Varianten van Gepenaliseerde Logistische Regressie: Ridge ( $L_2$ -penalty), Lasso ( $L_1$ -penalty) en Elastic Net (gecombineerde $L_1$ - en $L_2$ -penalties).
Hyperparameter Tuning: Modellen werden getuned met behulp van tien-voudige kruisvalidatie, waarbij de optimale regularisatieparameter ( $\lambda$ ) werd geselecteerd via de one-standard-error regel om parsimonie (eenvoud) te bevoordelen.
Stabiliteitsselectie: Om de robuustheid van de variabeleselectie aan te pakken, paste de studie bootstrap stabiliteitsselectie toe (Meinshausen & Bühlmann, 2010). Dit hield herhaaldelijk resampling in om de selectiefrequentie van elke predictor te berekenen, waarbij variabelen werden geïdentificeerd die consistent belangrijk blijven over de iteraties heen.
Evaluatie: Prestaties werden beoordeeld op basis van discriminatie (Area Under the ROC Curve, AUC), probabilistische accuratesse (Brier Score) en kalibratieanalyse. DeLong-testen werden gebruikt om AUC-waarden tussen modellen te vergelijken.

Belangrijkste Resultaten

Voorspellende Prestaties: In tegen strijd met de hypothese dat gepenaliseerde methoden de standaard logistische regressie zouden overtreffen vanwege multicollineariteit, behaalde het baseline logistische regressiemodel consequent de hoogste voorspellende accuratesse voor alle vier de uitkomsten.
- AUC-waarden: Het baseline model behaalde AUC-waarden variërend van 0,826 (kwartfinalist) tot 0,910 (winnaar).
- Gepenaliseerde Modellen: Hoewel Ridge, Lasso en Elastic Net competitief presteerden voor eerdere stadia (kwartfinalist en semifinalist), slaagden zij er niet in effectief te discrimineren voor de uitkomst "winnaar", met AUC-waarden van 0,500 (gelijk aan willekeurig gokken). De auteurs schrijven dit toe aan de extreme klasse-imbalans (slechts 6 winnaars) en de potentie van agressieve regularisatie om coëfficiënten excessief te verkleinen in laag-dimensionale settings met een sterke signaalsterkte.
Stabiele Predictoren: Bootstrap stabiliteitsselectie identificeerde een kleine, robuuste set determinanten voor toernooi-succes:
- Totale Marktwaarde van de Selectie: De meest stabiele predictor voor alle stadia (gemiddelde stabiliteitsscore: 0,693).
- Andere Belangrijke Variabelen: Verliezen in de voorgaande vier jaar, pre-toernooi FIFA-ranglijst, eerdere WK-finale/semi-finale verschijningen en de status van het gastland.
- Contextuele Factoren: Confederatie-lidmaatschap (Europa en Zuid-Amerika) en recente competitieve vorm (overwinningen/doelpunten) vertoonden eveneens matige stabiliteit.
2026 Voorspellingen: Door het baseline logistische regressiemodel toe te passen op het 2026 toernooi, genereerde de studie probabilistische voorspellingen:
- Kampioen: Argentinië (hoogste waarschijnlijkheid: 0,380), gevolgd door Frankrijk (0,289) en Spanje (0,211).
- Diepe Progressie: Frankrijk, Nederland, Duitsland, Engeland en Spanje werden geïdentificeerd als belangrijke kanshebbers voor de semi-finale en finale stadia.
- Opkomende Teams: Marokko, Senegal en Japan werden gehighlight als sterke vertegenwoordigers voor hun respectievelijke confederaties.

Betekenis en Bijdragen
Het artikel claimt verschillende bijdragen aan het veld van sportanalyse:

Verschuiving in Focus: Het beweegt verder dan individuele wedstrijdvoorspelling naar het modelleren van progressie door toernooistadia, waarbij de specifieke dynamiek van knock-outtoernooien wordt geadresseerd.
Interpreteerbaarheid boven Complexiteit: De studie demonstreert dat eenvoudige, interpreteerbare statistische modellen (logistische regressie) complexe gepenaliseerde en machine learning-benaderingen kunnen overtreffen in specifieke contexten, met name wanneer de predictor-dimensie bescheiden is ten opzichte van de steekproefomvang en het signaal sterk is.
Robuuste Variabele Identificatie: Door bootstrap stabiliteitsselectie te integreren, biedt het onderzoek een transparante methode voor het identificeren van betrouwbare determinanten van succes, waarbij verder wordt gegaan dan enkelvoudige model-variabeleselectie om reproduceerbaarheid te waarborgen.
Praktisch Nut: Het kader biedt een transparant instrument voor voetbalbelanghebbenden (coaches, analisten, federaties) om onzekerheid te kwantificeren en de kansen van teams te evalueren op basis van historische patronen en pre-toernooi kenmerken, in plaats van te vertrouwen op "black box" algoritmen.

Beperkingen
De auteurs merken bescheiden beperkingen op, waaronder de kleine steekproefomvang die inherent is aan de vierjarige toernooicyclus, de afhankelijkheid van statische pre-toernooi data (het uitsluiten van dynamische factoren zoals blessures of tactieken tijdens de wedstrijd) en de extreme zeldzaamheid van de "winnaar" uitkomst, wat de zekerheid van die specifieke voorspelling beperkt. De studie suggereert dat toekomstig werk wedstrijd-niveau data moet bevatten en het kader moet toepassen op andere competities (bijv. het Vrouwen WK, continentale kampioenschappen) om de generaliseerbaarheid te testen.