Minggu lalu saya memulai seri pendek tentang korelasi statistik/statistik dengan produksi sepak bola fantasi – terkait karier, proyeksi sepanjang musim, dan performa dalam musim. Jika Anda melewatkannya, klik untuk melihat statistik Running Back yang penting, dan jangan. Selain itu, ada pembahasan tentang penggunaan “prediksi/prediksi” di artikel minggu lalu, jadi mari kita bahas secara singkat.
Sekali lagi, ada tiga bidang yang kami lihat dengan “metrik”. Metrik yang menentukan karier adalah ukuran, kecepatan, terukur, rancangan investasi, dll. Semua ini sering digunakan diprediksi kemungkinan pemain berhasil di NFL. Proyeksi musim penuh/pramusim sangat berguna diprediksi kinerja pemain (jumlah mereka). Di musim inilah hal ini menjadi sedikit sulit, karena banyak yang berkorelasi secara inheren karena “berfungsi mundur”, tetapi seperti yang disebutkan dalam komentar minggu lalu, mereka bisa diprediksi regresi untuk pemain yang melebihi atau berkinerja buruk dari norma.
Cara termudah untuk menjelaskan manfaatnya di sini adalah dengan upaya terburu-buru Goal-to-Go. Tingkat rata-rata mencetak touchdown pada upaya bergegas G2G (di dalam garis 5 yard) adalah 29,9% (delapan musim terakhir). Jadi, upaya terburu-buru G2G adalah 1) lebih bernilai dibandingkan upaya terburu-buru lainnya dan 2) jika pemain memiliki skor 1-untuk-10 atau 8-untuk-10, sebaiknya melihat kemunduran terhadap norma ketika dia terus melihat pekerjaan/peluang itu. Tidak, ini tidak sempurna – oleh karena itu tingkat korelasinya tidak 1:1 – tetapi ada statistik yang berharga, terutama untuk memproyeksikan satu musim penuh, dan ada banyak sekali statistik tidak relevan yang dilempar setiap tahun (siapa pun yang memiliki tinggi penerima lebar ) ?).
Menggunakan database statistik TruMedia, kali ini saya menelusuri receiver — baik receiver lebar maupun sempit — dengan minimal 100 target untuk penerima lebar dan 50 target untuk penerima sempit selama delapan musim terakhir. Jika Anda belum familiar dengan R-squared (juga dikenal sebagai rSq, r²), ini menunjukkan variasi/korelasi antara dua variabel dengan 0 tidak ada korelasi dan 1 adalah hubungan sempurna/tepat.
Sebagai contoh visual, berikut adalah dua peta titik data statistik korelasi tinggi dan korelasi rendah.
Korelasi Tinggi (Ketat)
Korelasi Rendah (Penerima Lebar)
Penerima lebar
Akhir yang Ketat
Statistik karir
Saya menyorotnya dengan warna biru, dan coba tebak? Pada dasarnya hal-hal tersebut tidak ada artinya. Anda bahkan mungkin terkejut melihat betapa tidak relevannya waktu 40 yard dengan berlari kembali, meskipun ini lebih relevan dengan tujuan yang ketat. Yang tertinggi untuk wideout adalah shuttle 20 yard, namun korelasi 0,031 berarti tidak ada relevansinya.
Statistik proyeksi pramusim/sepanjang musim
Saya menyertakan metrik peluang tertimbang yang serupa dengan metrik yang dijalankan Scott Barrett. Ya, itu diucapkan terbalik, tetapi rumusnya didasarkan pada “rata-rata skor poin fantasi” pada target di luar zona merah, target di dalam zona merah (kita tahu ini lebih berharga), bergegas di luar 20 dan bergegas di dalam 20. Ini lebih berharga untuk proyeksi pramusim. Rute dan volume merupakan faktor penting dan mungkin tampak jelas.
Metrik peringatan dalam musim dan regresi
Target, TeamTGT% (persentase target tim yang ditujukan kepada pemain tersebut), Air Yards per Game, Yards per Route Run dan beberapa statistik per game dapat menunjukkan regresi, nilai potensial dalam menunggu (Air Yards tinggi dan YPRR jika lebih banyak yang diberikan snaps /bergerak pada grafik kedalaman). Yards After the Catch sebagian besar tidak ada artinya, begitu pula Yards After Contact untuk berlari kembali, dan sebagian besar persentase di luar TeamTGT% tidak menjadi masalah.
(Foto oleh Gregory Shamus/Getty Images)