关于不确定排序与次序的贝叶斯推断：在球员与阵容排名中的应用
统计方法学
2022-04-12 v4 应用统计
摘要
对实体间的排名或次序关系感兴趣是常见需求。在复杂环境中，若无法直接度量用于排序的单变量统计量，此类推断通常依赖于具有实体特定参数的统计模型。这些参数可被视为刻画实体间变异的分层模型中的随机效应。本文中，我们特别关注依据对球队绩效的贡献对篮球球员进行排序的问题。利用美国职业篮球协会（NBA）的数据，我们发现许多球员具有相近的潜在能力水平，使得任何单一的估计排名都极具误导性。现有文献未能提供充分考量不确定性的次序关系总结。受此驱动，我们提出一种贝叶斯策略来刻画球员与阵容间次序关系推断的不确定性。我们的方法适应于次序不确定性高的场景，通过产生更保守的结果以提升可解释性。这通过决策理论框架内的一个奖励函数实现。我们将该方法应用于2009-10赛季NBA的数据。
引用
@article{arxiv.1907.04842,
title = {Bayesian inferences on uncertain ranks and orderings: Application to ranking players and lineups},
author = {Andres F. Barrientos and Deborshee Sen and Garritt L Page and David B Dunson},
journal= {arXiv preprint arXiv:1907.04842},
year = {2022}
}