Fußballanalyse mit Python & R

Kapitel 5. Verallgemeinerte lineare Modelle: Abschlussprozentsatz über dem Erwartungswert

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

In den Kapiteln 3 und 4 hast du sowohl die einfache als auch die multiple Regression verwendet, um Play-by-Play-Daten an den Kontext des Spiels anzupassen. Im Fall von Ballträgern hast du die Situation (z. B. Down, Distanz, Yards) berücksichtigt, um die Statistiken einzelner Spieler auf Spiel- und später auf Saisonebene zu kalibrieren. Dieser Ansatz lässt sich natürlich auch auf das Passspiel und insbesondere auf Quarterbacks anwenden. Wie in Kapitel 3 beschrieben, hat Minnesotas Quarterback Sam Bradford 2016 mit 71,6 % seiner Pässe den NFL-Rekord für die beste Passquote der Saison aufgestellt.

Bradford war jedoch nur ein mittelmäßiger Quarterback, was die Effizienz angeht - ob gemessen an Yards pro Passversuch, erwarteten Punkten pro Passversuch oder Touchdown-Pässen. Die Vikings gewannen in diesem Jahr nur 7 seiner 15 Starts. Bradfords Abschlussquote war deshalb so hoch, weil er im Durchschnitt nur 6,6 Yards pro Ziel warf (Platz 37 in der NFL, laut PFF). Im Allgemeinen werden Pässe, die über eine längere Distanz geworfen werden, mit einer niedrigeren Quote abgeschlossen.

Um dies zu sehen, erstellst du Abbildung 5-1 in Python oder Abbildung 5-2 in R. Zuerst lädst du die Daten. Dann filterst du Passspiele (play_type == "pass") mit einem Passer (passer_id.notnull() ...