📊 statistics

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

该研究利用 2015 至 2024 年的 Statcast 数据，提出了一种基于总垒数残差（TBR）的统一回归框架，能够同时估算棒球场效应与球队防守表现，并通过标准化指数揭示了这些指标与联盟趋势（如防守布阵限制及用球变化）的一致性。

原作者： Jhe-Jia Wu, Tian-Li Yan, Ting-Li Chen

发布于 2026-03-24

📖 1 分钟阅读☕ 轻松阅读

原作者： Jhe-Jia Wu, Tian-Li Yan, Ting-Li Chen

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

这篇论文就像是在棒球世界里当了一回“超级侦探”，试图解开一个困扰已久的谜题：当球被打出去后，到底是因为场地太“友好”让球飞得更远，还是因为防守方太“菜”没接住球？

以前，人们很难把这两者分开。这就好比你在餐厅吃饭，菜很难吃，你很难分清是因为厨师（击球手）手艺不行，还是因为餐厅（球场）的灯光太暗让你看不清，或者是服务员（防守方）上菜太慢。

这篇论文提出了一套简单又聪明的方法，用“总垒包残差”（Total Bases Residuals, TBR）这个概念，把这两者给“剥”开了。

以下是用大白话和生活中的比喻来解释这篇论文的核心内容：

1. 核心难题：怎么分清“场地”和“防守”？

在棒球里，球被打出去后的结果（是安打、全垒打还是出局）受很多因素影响：

击球质量：球被打得有多快、角度多刁钻（这是击球手的本事）。
场地环境：有的球场风大、有的海拔高、有的外野墙特别矮（这是“主场优势”）。
防守表现：防守队员跑得快不快、判断准不准（这是防守队的本事）。
运气：有时候球就是刚好落在两个防守队员中间。

以前的统计方法（比如官方数据）往往把“场地”和“防守”混在一起算。如果一支球队在主场打得很好，官方数据可能会说“这场地是击球手的天堂”，但实际上可能是因为那年的防守队员特别弱，或者对手太弱。

2. 他们的“独门秘籍”：TBR（总垒包残差）

作者们想出了一个绝妙的办法，就像先给球“称重”，再看它“飞得怎么样”。

第一步：建立“标准体重”
想象一下，每个被打出去的球都有一个“标准体重”（Expected Total Bases）。这个标准只取决于球被打出去时的初速度（Exit Velocity）和发射角度（Launch Angle）。
- 比喻：就像你扔石头，如果你用同样的力气（速度）和同样的角度扔，石头理论上应该飞多远是固定的。
第二步：计算“残差”（TBR）
作者们拿实际飞行的距离减去理论应该飞的距离。
- 如果球飞得比理论远（正数），说明要么场地太“助兴”（比如风大、墙矮），要么防守方太“漏勺”。
- 如果球飞得比理论近（负数），说明要么场地太“压抑”（比如风阻大），要么防守方太“神勇”。
第三步：同时破案
他们收集了成千上万个这样的数据，用一个数学模型同时计算：
- 这个场地是不是普遍让球飞得更远？（场地效应）
- 这支防守队伍是不是普遍让球飞得更近？（防守效应）
比喻：这就好比你在一个有很多不同房间（球场）的迷宫里，每个房间都有不同重量的地板（场地效应），同时每个房间都有不同灵敏度的保安（防守队）。通过观察成千上万次扔球实验，数学模型能算出：到底是地板太滑让球滚远了，还是保安太笨没拦住球。

3. 主要发现：官方数据 vs. 他们的数据

作者把他们的结果和 MLB（美国职棒大联盟）的官方数据做了对比，发现了一些有趣的事情：

有些场地被“高估”或“低估”了：
- 比如底特律的 Comerica Park，官方数据觉得它是“击球天堂”（容易得分），但作者发现，其实是因为那几年底特律队的防守特别弱，导致客队在那里也打得很好。一旦把防守因素剔除，发现那里其实是个“投手乐园”。
- 反之，休斯顿的 Minute Maid Park，官方觉得它比较“中性”，但作者发现，只要把防守因素算进去，那里其实是个真正的“击球天堂”。
防守评价更准了：
作者还计算了每支球队的防守能力。他们发现，有些球队在官方数据里防守一般，但在他们的模型里，防守其实很强（因为他们在同样的击球质量下，让球飞得更近）。这就像是一个守门员，虽然没扑出很多球，但他把球都挡在了门线上，让对手很难得分。

4. 一个有趣的“大趋势”：棒球变“重”了还是变“轻”了？

作者还发现了一个全联盟的大趋势。他们观察到一个叫“截距”（Intercept）的数值在随时间变化：

2017-2019 年：数值很高。这被称为“加料球”（Juiced Ball）时代，球飞得特别远，全垒打满天飞。
2020 年后：数值开始下降。这说明球可能变“重”了，或者空气阻力变大了，球飞不远了。
2023 年：数值又稍微回升。这正好对应 MLB 禁止了极端的“内野防守移位”（Shift Ban），防守阵型变了，球更容易落地成安打。

这就像是在观察天气的变化：有时候风大（球飞得远），有时候风小（球飞得近）。作者的方法能敏锐地捕捉到这种“气候”的变化，而不仅仅是看哪支球队赢了。

5. 总结：为什么要关心这个？

这篇论文的价值在于它提供了一个更干净、更公平的视角：

给场地“去魅”：不再盲目相信某个球场就是“击球天堂”，而是能分清是场地本身的问题，还是防守太烂的问题。
给防守“正名”：有些防守好的球队，因为对手太弱或者运气不好，在旧数据里被低估了。新方法能更真实地反映他们的防守水平。
统一标尺：作者发明了一个“标准化指数”（类似考试排名），让不同年份、不同球队、不同球场的数据可以直接比较。就像把不同难度的试卷都换算成标准分，一看就知道谁是真的强。

一句话总结：
这篇论文就像给棒球比赛装了一个"X 光机”，把击球质量、场地优势和防守水平层层剥离，让我们能更清楚地看到：到底是谁在真正主宰比赛的走向，是那个飞行的球，还是那个接球的守门员，或者是那个让球飞得更远的球场。

这是一份关于论文《基于总垒数残差的球场效应与球队防守同时估计》（Simultaneous Estimation of Ballpark Effects and Team Defense Using Total Bases Residuals）的详细技术总结。

1. 研究背景与问题 (Problem)

在棒球数据分析中，准确评估**球场效应（Ballpark Effects）和球队防守能力（Team Defense）**是一个长期存在的挑战。主要难点在于：

多因素混杂：击球结果（Batted-ball outcomes）受多种因素共同影响，包括击球质量（Contact Quality）、球场环境、防守表现以及随机波动。
传统方法的局限性：
- 早期的“主客场比率法”（Home-Road Ratio）假设赛程平衡且球队实力相当，但在实际中往往因数学上的依赖关系导致“通胀偏差”（Inflationary Bias）。
- 现有的防守指标（如 Def, OAA, UZR, DRS）通常基于复杂的模型或追踪数据，且往往独立于球场效应的估计，未能将两者在统一框架下解耦。
- 如果不先分离接触质量（Contact Quality），很难将观察到的结果差异唯一归因于球场或防守方。

核心目标：提出一个简单且可解释的框架，利用 Statcast 数据，在控制击球质量的前提下，同时分离并估计球场环境效应和球队防守效应。

2. 方法论 (Methodology)

该研究提出了一种基于**总垒数残差（Total Bases Residuals, TBR）**的统计框架，主要包含以下步骤：

2.1 构建条件期望与残差 (Outcome Residuals)

控制变量：利用 Statcast 数据中的**击球初速（Exit Velocity, EV）和发射角（Launch Angle, LA）**作为衡量接触质量的代理变量。
网格划分：将 EV（0-120 mph，步长 3 mph）和 LA（-90 到 90 度，步长 3 度）空间划分为细网格。
期望值计算：对于每个网格单元 $g$ ，计算该接触质量下所有击球的平均总垒数（Expected Total Bases, $\mu_g$ ）。这代表了联盟平均水平下的预期表现。
残差定义：定义单次击球的总垒数残差 $R_i$ $R_{i}$ 为实际总垒数 $TB_i$ $T B_{i}$ 减去期望值 $\mu_{g(i)}$ $μ_{g (i)}$ ：
$R_i = TB_i - \mu_{g(i)}$
- $R_i > 0$ ：表现优于该接触质量下的联盟平均水平。
- $R_i < 0$ ：表现低于平均水平。
- 通过此步骤，击球质量的影响被剔除，残差主要反映球场环境和防守表现。

2.2 同时估计模型 (Simultaneous Estimation Model)

构建一个线性回归模型，将残差分解为球场效应和防守效应：
$R_i = \beta_0 + \beta^{park}_{p(i)} - \beta^{def}_{d(i)} + \epsilon_i$

$\beta^{park}_{p}$ ：第 $p$ 个球场的效应（正值表示利于进攻，负值表示利于防守）。
$\beta^{def}_{d}$ ：第 $d$ 支防守球队的效应（正值表示防守优于平均，负值表示劣于平均）。
识别约束：设定亚特兰大勇士队（Atlanta Braves）及其主场 Truist Park 为参考类别（系数为 0），以确保模型可识别。
聚合估计：为了提高效率，将相同 $(p, d)$ 组合的观测值聚合，使用加权最小二乘法（Weighted Least Squares）进行估计，权重为样本量。

2.3 结果标准化与解释 (Standardization)

为了便于跨球队、跨球场和跨赛季比较，研究引入了基于 Z-score 的标准化指数：
$Index = 100 + 20 \times z$
其中 $z = (\hat{\beta} - \bar{\beta}) / s_{\beta}$ 。

100 代表联盟平均水平。
120 代表高于平均水平 1 个标准差。
该指数比传统的比率指标（如 SLG+）更能直观地反映极端程度。

3. 关键贡献 (Key Contributions)

统一的估计框架：首次在一个统一的回归模型中同时估计球场效应和球队防守效应，解决了两者相互混杂的问题。
基于物理数据的残差构建：利用 EV 和 LA 构建非参数的期望基准，避免了传统方法对击球质量分布的强假设，更纯粹地分离出环境和防守因素。
标准化指数系统：提出了一种基于标准差的标准化指数，使得不同年份、不同量级的效应可以直接比较，克服了传统比率指标在分布尾部信息不足的问题。
揭示联盟趋势：通过模型截距的变化，捕捉到了联盟整体防守水平随时间的演变趋势。

4. 主要结果 (Results)

4.1 球场效应估计

一致性验证：模型估计结果与常识相符（如库尔斯球场 Coors Field 为高进攻值，甲骨文球场 Oracle Park 为低进攻值）。
与官方数据的差异分析：
- 研究发现，当模型估计值与 MLB 官方球场因子（Park Factors）出现显著差异时，通常是因为官方数据未完全剔除防守和击球质量的影响。
- 案例：2017 年底特律老虎队（Comerica Park），官方因子显示利于进攻（128），但模型估计为利于防守（70）。分析显示，客队在该球场的残差显著低于客场平均水平，而主队差异不大，证实了该球场实际利于投手。
- 案例：2015 年休斯顿太空人队（Minute Maid Park），模型估计利于进攻（154），高于官方值（92），因为主客队在该球场的进攻残差均显著高于平均水平。
稳定性：模型估计的球场效应随时间的波动（标准差）略低于官方数据，表明模型更稳定。

4.2 球队防守效应估计

与现有指标对比：
- 与 Def（Defensive Runs Above Average）对比：在大多数差异较大的案例中，模型的估计结果与主客场 TBR 的观测模式更一致。例如，当某队防守优于对手时，模型给出高分，而 Def 可能给出低分。
- 与 OAA（Outs Above Average）对比：OAA 与模型估计的相关性略高于 Def（平均相关系数 0.53 vs 0.44），因为 OAA 也基于击球追踪数据。但在部分年份（如 2024 年亚利桑那响尾蛇队），模型估计与观测到的主客场表现存在偏差，可能受联盟整体基准变化影响。
结论：模型估计的防守能力在解释主客场表现差异方面，往往比现有指标更具解释力。

4.3 联盟整体趋势（截距变化）

截距趋势：模型截距（反映联盟整体残差水平）从 2015-2019 年的正值（利于进攻）转变为 2020 年后的负值（利于防守），2022 年达到最低点（-0.0331）。
原因分析：这一趋势与 MLB 的历史事件高度吻合：
- 2017-2019：“加力球”（Juiced Ball）时代，空气动力学阻力降低，导致击球飞行距离增加。
- 2020 年后：MLB 调整用球以减少活力，并引入数据驱动的防守布阵（Shifts），导致整体防守效率提升。
- 2023 年：截距回升，与 MLB 限制极端内野移位（Shift Restrictions）的政策实施时间一致。

5. 意义与局限性 (Significance & Limitations)

意义：

提供了一种更纯净的视角来评估球场和防守，剥离了击球质量噪音。
证明了基于残差的统一模型能有效捕捉联盟层面的宏观变化（如用球变化、防守策略调整）。
提出的标准化指数为跨时空比较提供了更直观的统计工具。

局限性与未来方向：

防守范围：模型仅涵盖击球事件（Batted-ball events），未包含捕手接球（Framing）、阻杀跑垒等防守贡献。
方向性缺失：期望基准仅基于 EV 和 LA，未考虑击球方向。对于具有明显不对称尺寸的球场（如芬威公园），可能无法完全捕捉其特殊效应。
球员层面：模型给出的是球队层面的估计，未分解到具体球员。
交互作用：假设球场效应和防守效应是加性的，未考虑球队可能根据主场特点定制防守策略的交互效应。
结果指标：使用总垒数（Total Bases）而非直接跑垒得分（Run Value），虽然信息量更大，但与得分的非线性关系仍需进一步探索。

总体而言，该论文通过统计创新，成功解耦了棒球比赛中复杂的相互作用因素，为理解球场环境和防守表现提供了新的、更稳健的量化视角。