📊 statistics

Absolute and Relative Performance Indicators Associated with Match Success Across Six European Professional Football Leagues

这项针对欧洲六大联赛中 2,058 场比赛的研究表明，虽然相对表现指标（球队与对手之差）在预测比赛结果方面比绝对指标更有效，但通过整合绝对指标和相对指标可以实现最准确的预测模型。

原作者： Ângelo Brito

发布于 2026-08-05

📖 1 分钟阅读☕ 轻松阅读

原作者： Ângelo Brito

原始论文采用 CC BY 4.0 许可（https://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

想象一下你正在观看一场足球比赛。几十年来，分析师们一直痴迷于统计一支球队所做的一切：他们传了多少次球？他们控球了多久？他们射门了多少次？这就像仅仅通过一个厨师切了多少食材来评判他，却从未品尝过汤的味道，也从未观察过另一位厨师在做什么。这就是“绝对”表现的世界——在真空状态下观察一支球队的数据。但足球并非独奏，它是两支球队之间一场持续且混乱的舞蹈。如果 A 队传球 500 次，这很了不起，但如果 B 队传球 600 次呢？突然间，A 队的 500 次传球看起来不再是胜利，而更像是一种挣扎。这篇论文提出了一个简单但具有革命性的问题：为了真正理解谁会获胜以及为什么获胜，我们应该仅仅计算一支球队做了什么，还是应该衡量他们比对手做得“好多少”？这个答案改变了我们看待这项“美丽游戏”的方式。

这项由里斯本大学的 Ângelo Brito 领导的研究，决定通过观察一座庞大的数据大山来解决这场争论：涵盖了欧洲六大顶级职业联赛（包括英超、西甲和意甲）在 2023-2024 赛季中的每一场比赛。那是 2,058 场比赛和超过 4,000 场球队表现的数据需要进行处理。作者不仅是在寻找新的统计数据，他还在测试三种不同的“解读”比赛的方式。首先，他观察了绝对指标（一支球队自身表现如何）；其次，他观察了相对指标（一支球队的表现与对手表现之间的差异）；第三，他尝试将两者结合。

研究结果就像裁判的哨声一样清晰明了。当作者试图仅使用“绝对”统计数据（如总传球数或射门数）来预测谁会获胜时，模型表现尚可，但经常失准，预测准确率约为 79%。然而，当他转向“相对”统计数据——本质上是在问，“A 队比 B 队多出了多少次射门？”——模型变成了一个水晶球。突然间，它能以 91% 的准确率预测胜负。“相对”方法是一个巨大的飞跃。它表明，除非你知道对手只射门 3 次，否则知道一支球队有 15 次射正射门其实意义不大。15 与 3 之间的差距才是驱动胜利的关键。

研究发现，预测获胜的最强有力指标不仅仅在于拥有优秀的进攻，而在于拥有比对手更好的进攻。具体而言，射正次数比对手多，并且能更高效地将这些射门转化为进球，便是通往胜利的金钥匙。当作者将这两类数据（绝对与相对）结合时，模型变得更加出色，准确率达到了 93%。但关键在于：这种提升几乎全部来自于“相对”部分。加入“绝对”数值仅带来了微小且有限的提升。

那么，这对足球分析的未来意味着什么？论文指出，我们需要停止孤立地观察球队。一支球队的表现不仅仅是记分牌上的一个数字；它是一种关系。就像比赛不在于你跑得有多快，而在于你比身边的人快了多少，足球的成功是由你与对手之间的差距定义的。虽然统计总传球数和射门数对于理解一支球队的风格仍然有用，但如果你想知道一支球队为何赢或为何输，你必须观察其中的差异。论文总结道，模拟足球成功的最佳方式是关注一支球队如何超越其对手，这证明了在足球比赛中，语境即是王道，而唯一真正重要的统计数据，是那个比较双方差异的数据。

技术摘要：与六大欧洲职业足球联赛比赛成功相关的绝对与相对表现指标

问题陈述

足球表现分析传统上侧重于识别与竞技成功相关的绝对比赛表现指标（例如：总射门次数、控球率）。然而，在如何对竞技表现进行分析表征方面，存在显著的方法论差距。足球是一个交互系统，任何行动的意义都取决于对手的行为；然而，大多数研究依赖于孤立的球队统计数据，隐含地假设这些数据能够充分代表竞技表现。本研究旨在解决一个基本问题：竞技成功究竟是更准确地由绝对指标、相对指标（球队与对手之差），还是两者的结合来表征。

研究方法

研究设计与样本：
本回顾性观察研究采用比较与预测设计，分析了 2023–2024 赛季欧洲六个职业国内联赛的数据：英格兰超级联赛、西班牙足球甲级联赛、意大利足球甲级联赛、德国足球甲级联赛、法国足球甲级联赛和葡萄牙足球超级联赛。数据集包含 2,058 场正式比赛，共计 4,116 个球队-比赛观测值（每场比赛两个观测值）。

变量：
研究考察了三种分析表征方式：

绝对指标： 球队独立记录的数值（例如：控球率 %、总射门次数、射正次数、传球准确率、进攻效率）。
相对指标： 计算为焦点球队的数值与同一场比赛中对手数值之间的差异（例如：相对射正次数 = 球队射正次数 − 对手射正次数）。
组合指标： 绝对变量与相对变量的整合。

统计分析：

描述性与推断性分析： 使用单因素方差分析（one-way ANOVAs）比较胜、平、负场次间的指标，并使用偏 $\eta^2$ 量化效应量。
预测建模： 估计了用于预测胜利（对比非胜利）的多变量逻辑回归模型。研究对比了三个模型：仅使用绝对指标的模型、仅使用相对指标的模型，以及使用组合集的模型。
性能度量： 使用受试者工作特征曲线下面积（AUC）、准确率（accuracy）、灵敏度（sensitivity）、特异度（specificity）和 Brier 分数对模型进行评估。
最终模型选择： 对组合模型应用了后向逐步回归程序，以识别胜利的独立预测因子。标准误在比赛层面进行了聚类，以处理源自单一赛事的两个非独立球队观测值的问题。

关键结果

1. 判别能力（描述性分析）：
相对指标在判别能力上始终优于绝对指标。

效应量： 在相对于对手的进攻优势方面观察到了最大的效应量。相对进攻效率 ( $\eta_p^2 = 0.398$ )、相对射正次数 ( $\eta_p^2 = 0.261$ ) 和相对射门准确率 ( $\eta_p^2 = 0.159$ ) 显示出显著大于其绝对对应值的效应。
绝对指标： 虽然获胜球队在绝对层面上通常优于失利球队（例如：控球率、总射门次数），但其效应量较小（例如：控球率 $\eta_p^2 = 0.028$ ），表明仅靠绝对产出对结果方差的解释能力有限。

2. 预测性能（逻辑回归）：

绝对模型： 实现了 0.87 的 AUC、78.8% 的准确率和 0.143 的 Brier 分数。其灵敏度（65.7%）明显低于特异度（86.5%）。
相对模型： 显著优于绝对模型，其 AUC 为 0.96，准确率为 90.9%，Brier 分数为 0.071。灵敏度提升至 86.3%。
组合模型： 产生了最高的整体性能（AUC = 0.97，准确率 = 93.3%，Brier 分数 = 0.058）。然而，相较于仅使用相对指标的模型，其提升幅度较小（AUC 增加 0.01；准确率增加 2.4 个百分点），这表明预测能力的提升主要来自于相对表征。

3. 胜利的独立预测因子：
在最终的多变量模型（组合方法）中，有三个指标仍与胜利保持独立相关性：

相对射正次数： 最强关联（优势比 [OR] = 31.59）。
相对进攻效率： 强关联（OR = 25.88）。
绝对进攻效率： 保留了补充性的解释价值（OR = 3.29）。

核心贡献

方法论转向： 本研究证明，表现的分析表征方式（绝对 vs. 相对）是足球研究中解释力和预测力的决定性因素。研究认为，通过球队与对手的差异来捕捉竞技优势，比通过孤立的产出统计数据更为有效。
解决不一致性： 研究结果为文献中关于诸如控球率等变量重要性的历史不一致性提供了方法论上的解释。研究指出，报告的重要性差异可能源于表现是被孤立分析，还是相对于对手进行分析。
模型优化： 研究确立了虽然整合绝对指标能提供适度的补充改进，但建模比赛成功的绝大部分解释增益来自于通过对手参照值对球队表现进行情境化处理。

意义与主张

本文声称，其主要贡献不在于发现了新的表现指标，而在于证明了如何表征表现会从根本上影响从竞技成功中提取的信息。

表现的关联性质： 结果支持了这样一种概念观点，即足球是一个交互系统，其中统计数据的意义取决于对手的行为。因此，通过球队–对手差异来表征表现，比分析孤立的球队统计数据提供了更具信息量的分析框架。
互补角色： 研究认为，绝对指标与相对指标并非互斥，而是描述不同的维度。绝对指标表征球队“如何”比赛（产出），而相对指标则量化了建立的“竞争优势”。对于解释或模拟比赛成功的特定目标，相对框架更为优越，尽管整合两者能产生最稳健的模型。
实践意义： 对于应用型表现分析，本文建议虽然绝对统计数据对于描述比赛风格仍然具有价值，但理解比赛结果需要将这些统计数据与对手参照值结合起来解释，以捕捉竞技情境。

作者保持了审慎的态度，指出这些发现是基于单赛季普查数据的，且“进攻效率”与胜利的强关联部分归因于其在数学上与结果（进球数）的接近性。作者呼吁未来的研究应在多个赛季、不同背景以及更细粒度的追踪数据中验证这些关系原则。