勝利確率

勝利確率は、同じ状況での過去のチームのパフォーマンスに基づいて、試合の任意の時点でのスポーツチームの勝利の可能性を示す統計ツールです。^[1]勝利確率を推定する技術には、どのコンテキストが重要かを選択することが含まれます。野球の勝利確率の推定には、チームがホームかアウェイか、イニング、アウト数、占有されているベース、およびスコア差が含まれることがよくあります。野球は打者ごとに進行するため、新しい打者ごとに離散的な状態が発生します。可能な状態の数は限られているため、野球の勝利確率ツールには通常、情報に基づいた推定を行うのに十分なデータがあります。

アメリカンフットボールの勝利確率の推定には、チームがホームかアウェイか、ダウンと距離、得点差、残り時間、フィールドの位置などが含まれることが多い。アメリカンフットボールは野球よりも試合数が少なく、考えられる状態がはるかに多いため、フットボールの推定には大きな誤差が生じる。最初の勝利確率分析は、1971年にロバート・E・マコールと元NFL クォーターバックの ヴァージル・カーターによって行われた。

簡単な例として、ホームでプレイする各チームが勝つという推測は、ホームアドバンテージに基づいています。この推測は、単一のコンテキスト要因を使用し、非常に多くのゲームを扱います。しかし、要因が 1 つしかないため、この推測の精度はホームアドバンテージ自体に制限され (スポーツ全体で約 55～70%)、ゲーム内の要因に基づいてゲーム内で変化することはありません。

追加された勝利確率は勝利確率の変化であり、多くの場合、プレーやチームメンバーがゲームの予想される結果にどのように影響したかを示します。^[2]

現在の研究では、勝利確率の推定値の精度を測定するとともに、個々の推定値の不確実性を定量化しています。^{[3] [4]}つまり、ある状況で過去のチームの24%が試合に勝ったため、ツールが24%の勝利確率を推定した場合、将来のチームも同じ24%の確率で勝つのでしょうか。隠れたデータからの推定には、クロス検証などのテストツールが使用されます。

多くのモデルは過去の出来事の頻度分析を伴いますが、ベイズ過程を使用するモデルもあります。^[5]

モデルによっては、試合前のチームの強さの尺度が含まれているものもあれば、すべてのチームが平均的であると想定しているものもあります。強さの推定値を含めると、可能な状態の数が増え、推定値の検出力は低下しますが、精度は向上する可能性があります。^[6]

• ストール、グレッグ。「野球の勝利確率計算機」。
• ペティグルー、スティーブン (2014)。「2013/2014 NHL レギュラーシーズン全試合の勝利確率グラフ」。doi :10.7910/ DVN /25502。 {{cite journal}}:ジャーナルを引用するには|journal=(ヘルプ) doi:10.7910/DVN/25502が必要です