مقاله Bayes-xG: تصحیح بازیکن و موقعیت در اهداف مورد نظر (XG) با استفاده از رویکرد سلسله مراتبی بیزی

چکیده

This study employs Bayesian methodologies to explore the influence of player or positional factors in predicting the probability of a shot resulting in a goal, measured by the expected goals (xG) metric. Utilising publicly available data from StatsBomb, Bayesian hierarchical logistic regressions are constructed, analysing approximately 10,000 shots from the English Premier League to ascertain whether positional or player-level effects impact xG. The findings reveal positional effects in a basic model that includes only distance to goal and shot angle as predictors, highlighting that strikers and attacking midfielders exhibit a higher likelihood of scoring. However, these effects diminish when more informative predictors are introduced. Nevertheless, even with additional predictors, player-level effects persist, indicating that certain players possess notable positive or negative xG adjustments, influencing their likelihood of scoring a given chance. The study extends its analysis to data from Spain’s La Liga and Germany’s Bundesliga, yielding comparable results. Additionally, the paper assesses the impact of prior distribution choices on outcomes, concluding that the priors employed in the models provide sound results but could be refined to enhance sampling efficiency for constructing more complex and extensive models feasibly.

چکیده به فارسی (ترجمه ماشینی)

این مطالعه از روشهای بیزی برای بررسی تأثیر بازیکنان یا عوامل موقعیتی در پیش بینی احتمال شلیک و در نتیجه هدف ، اندازه گیری شده توسط متریک اهداف مورد انتظار (XG) استفاده می کند.با استفاده از داده های عمومی در دسترس از Statsbomb ، رگرسیون لجستیک سلسله مراتبی بیزی ساخته شده است و تقریباً 10،000 شوت از لیگ برتر انگلیس را تجزیه و تحلیل می کند تا مشخص شود که آیا اثرات موقعیتی یا سطح بازیکن بر XG تأثیر می گذارد.این یافته ها اثرات موقعیتی را در یک مدل اساسی نشان می دهد که فقط از فاصله تا هدف و زاویه شلیک به عنوان پیش بینی کننده ها برخوردار است ، و برجسته می کند که مهاجمان و هافبک های حمله کننده احتمال امتیاز بالاتری را نشان می دهند.با این حال ، این اثرات با معرفی پیش بینی کننده های آموزنده تر کاهش می یابد.با این وجود ، حتی با پیش بینی کننده های اضافی ، اثرات سطح بازیکن همچنان ادامه دارد ، و این نشان می دهد که برخی از بازیکنان دارای تنظیمات XG مثبت یا منفی قابل توجه هستند و بر احتمال آنها برای به ثمر رساندن یک فرصت خاص تأثیر می گذارد.این مطالعه تجزیه و تحلیل خود را به داده های مربوط به لالیگا اسپانیا و بوندس لیگا آلمان گسترش می دهد و نتایج قابل مقایسه ای به همراه دارد.علاوه بر این ، مقاله تأثیر گزینه های توزیع قبلی بر نتایج را ارزیابی می کند ، نتیجه گیری می کند که مقدمات به کار رفته در مدل ها نتایج صوتی را ارائه می دهند اما می توانند برای افزایش راندمان نمونه برداری برای ساخت مدلهای پیچیده تر و گسترده تر تصفیه شوند.