期望进球模型中的偏差会混淆终结能力

期望进球已成为足球分析中评估终结技能的流行工具。它涉及将球员的累积 xG 与其实际进球产出进行比较，其中持续的优异表现表明强大的终结能力。然而，由于球员难以持续超越其累积 xG，使用 xG 评估足球中的终结技能仍存在争议。在本文中，我们旨在解决围绕使用 xG 统计数据评估终结技能的局限性和细微差别。具体而言，我们探讨了三个假设：（1）由于射门结果的高方差和有限的样本量，实际进球与期望进球之间的偏差是一个不充分的指标；（2）将所有射门纳入累积 xG 计算可能是不合适的；（3）xG 模型包含由数据中的相互依赖性引起的偏差，这些偏差会影响技能测量。我们发现，持续超越累积 xG 需要高射门量和出色的终结能力，包含所有射门类型可能会掩盖优秀前锋的终结能力，并且存在一种持续的偏差，使得优秀终结者的实际进球和期望进球比实际情况更为接近。总体而言，我们的分析表明，我们需要更细致的定量方法来调查球员的终结能力，我们通过使用 AI 公平性中的一种技术学习了一个针对多个球员子组进行校准的 xG 模型来实现这一点。作为一个具体用例，我们表明（1）标准的有偏 xG 模型低估了梅西的 GAX 达 17%，（2）梅西的 GAX 比典型的高射门量精英前锋高 27%，表明梅西甚至比人们普遍认为的更是一位非凡的终结者。