基于反事实虚拟模拟估计棒球团队击球策略的效应

在棒球中，场上每一次play都被定量评估，并对个人与团队策略产生影响。加权上垒平均（wOBA）作为衡量击球员击球贡献的指标而广为人知。然而，该指标忽略了比赛局面，如垒上跑者，而教练与击球员在采用多种击球策略时已知会考虑这些局面，但这些策略的有效性尚属未知。这可能是因为（1）我们无法获知击球员的策略，且（2）难以估计策略的效应。在此，我们提出一种利用反事实击球模拟估计该效应的新方法。为此，我们提出一个深度学习模型，在击球策略改变时转换击球能力。该方法可估计各种策略的效应，而传统上利用实际比赛数据难以做到。我们发现，当击球策略的切换成本可忽略时，使用不同策略增加了得分；当考虑切换成本时，增加得分的条件受限。我们的验证结果表明，我们的模拟能够厘清使用多种击球策略的效应。