若其真的射门？基于层次贝叶斯框架的反事实预期进球数
信号处理
2025-12-01 v1 人工智能
应用统计
摘要
本研究构建了一种层次贝叶斯框架，整合专家领域知识以量化球员在预期进球数(xG)估计中的个体效应，弥补了常规模型将所有球员视为相同射手者的局限性。我们使用来自StatsBomb 2015-16数据的9970次射门和Football Manager 2017的球员评级，结合贝叶斯逻辑回归与明确的先验知识，以稳定来自射门较少的球员的估计。层次模型相对于弱先验显著降低了后验不确定性，并实现了强大的外部有效性：层次模型与基线预测的相关系数为R2=0.75，而XGBoost基准模型相对于StatsBomb xG的验证结果达到R2=0.833。该模型揭示了可解释的专长轮廓，包括一对一射门（Aguero、Suarez、Belotti、Immobile、Martial）、远射（Pogba）以及第一触球执行（Insigne、Salah、Gameiro）。它还识别了在绩效不佳的球员中潜在的能力，如Immobile和Belotti。该框架支持反事实的“假设若若”分析，通过在相同情境下重新分配射门来比较球员。案例研究表明，Sansone从Berardi的机会中可产生+2.2个xG，主要由高压情境驱动；而Vardy-Giroud的互换揭示了强烈的不对称性：将Vardy换成Giroud导致约7个xG的显著下降，而相反的换算仅产生约1个xG的轻微影响。本工作提供了一个具备不确定性感知能力的工具，用于球员评估、人才选拔和战术规划，并为那些个体技能与情境因素共同塑造绩效的领域提供了一般化的方法。
引用
@article{arxiv.2511.23072,
title = {What If They Took the Shot? A Hierarchical Bayesian Framework for Counterfactual Expected Goals},
author = {Mikayil Mahmudlu and Oktay Karakuş and Hasan Arkadaş},
journal= {arXiv preprint arXiv:2511.23072},
year = {2025}
}