Bayesian weighted discrete-time dynamic models for association football prediction
本文介绍了一种贝叶斯加权离散时间动态建模框架，该框架利用通过尖峰与平板超先验实现的自适应收缩来灵活追踪随时间变化的球队能力，证明了其在主要欧洲足球联赛中优于现有方法的预测性能，并已在开源 R 程序包 `footBayes` 中实现。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图预测未来，但你不是在看水晶球，而是在看计分板。这就是体育分析的世界，在这个领域中，数学家和统计学家扮演着侦探的角色，试图弄清楚一支球队为何获胜或失败。长期以来，这些侦探使用一个简单的规则：他们假设一支球队的技能水平就像一座雕像——固定在一个地方，永不改变。如果一支球队去年擅长进攻，模型就会假设他们今天同样擅长进攻，却忽略了球员会受伤、教练会被解雇，或者明星球员会被交易到其他城市。但在现实世界中，球队更像是生命体，会生长、萎缩并每周改变主意。科学家们面临的大问题是：我们如何构建一个足够灵活的数学模型，既能捕捉到这些突然的变化，又不会因此感到困惑？
本文介绍了一种利用“贝叶斯加权动态模型”进行足球比赛预测的巧妙新方法。可以将其想象为一个智能的、具有适应性的记忆系统。在过去，模型要么完全忘记过去，要么过于死板地记忆过去，将旧数据视为全新的数据。作者 Roberto Macrì-Demartino、Leonardo Egidi 和 Nicola Torelli 提出了一种使用带有“尖峰-平板”（spike-and-slab）逻辑的“相称先验”（commensurate priors）系统。想象一位图书管理员正在决定对关于一支球队技能的旧书给予多少信任。如果球队的表现与上个月完全一致，管理员会在旧书上放一个沉重的“尖峰”，说：“完全信任它！”但如果球队换了新教练或失去了最强的前锋，管理员就会把这本书滑向“平板”，说：“这些旧信息可能错了；让我们看看现在正在发生什么。”这使得模型可以在安全的情况下借鉴过去的力量，但在情况发生变化时能立即放弃那些旧数据。
研究人员利用来自德国德甲、英格兰超级联赛和西班牙足球甲级联赛这三个欧洲主要联赛过去五个赛季的数据，对这种想法进行了六种不同数学模型的测试。他们将每个赛季分为两半，以捕捉如冬季转会窗口等赛季中期的变化。当他们将这种新的“加权”方法与假设变化率为常量的旧方法进行比较时，结果显而易见。新的模型始终能更准确地预测比赛结果，尤其是在赛季末的高压阶段。例如，在英格兰超级联赛中，他们最好的模型（Skellam 模型）在最后一轮达到了 0.545 的“布赖尔分数”（Brier score），而在西甲联赛中，他们最好的模型（对角线膨胀二元泊松模型）达到了 0.462。在这里，较低的分数意味着更好的预测效果。
论文还观察了模型如何追踪特定球队。它成功地察觉到了像拜仁慕尼黑这样的球队何时陷入低谷，或者曼联的进攻如何在几年内逐渐减弱，其调整估计值的速度比旧模型快得多。作者发现，通过给球队的进攻和防守技能分配不同的“权重”，该模型可以处理这样一种情况：即一支球队的进攻可能变化很快，而其防守保持稳定，反之亦然。他们甚至将这个工具作为一个名为 footBayes 的免费软件包向公众开放。虽然论文表明这种方法是一项显著的进步，但作者也谨慎地指出，这是一个基于模拟的研究结果，未来的工作可以包含更多数据，如球员伤病或市场价值，以使预测更加精准。最终，这项研究表明，将一支足球队的实力视为一个灵活变化的动态故事——而非一个静态的事实——能让我们对下一场比赛谁会获胜做出更准确的猜测。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。