Có nên sử dụng phần bù trong hồi quy Poisson hay không khi dự đoán tổng số bàn thắng trong sự nghiệp của các cầu thủ khúc côn cầu


10

Tôi đã có một câu hỏi liên quan đến wheter hoặc không sử dụng bù. Giả sử một mô hình rất dễ dàng, nơi bạn muốn mô tả số lượng mục tiêu (tổng thể) trong khúc côn cầu. Vì vậy, bạn có mục tiêu, số lượng trò chơi đã chơi và một "tiền đạo" giả, bằng 1 nếu người chơi là một tiền đạo và 0 khác. Vậy mô hình nào sau đây được chỉ định chính xác?

  1. bàn thắng = trận đấu + tiền đạo, hoặc

  2. bàn thắng = bù (trận đấu) + tiền đạo

Một lần nữa, các mục tiêu là mục tiêu tổng thể và số lượng trò chơi là các trò chơi tổng thể cho một người chơi. Ví dụ, có thể có một cầu thủ nhặt được 50 bàn sau 100 trận và một cầu thủ khác có 20 bàn sau 50 trận, v.v.

Tôi phải làm gì khi tôi muốn ước tính số lượng mục tiêu? Có thực sự cần thiết để sử dụng một bù ở đây?

Người giới thiệu:


Biến phụ thuộc của bạn là gì? Là tổng số mục tiêu trong sự nghiệp cho đến nay cho một cầu thủ cụ thể? Ngoài ra, có lý do nào khiến bạn không muốn dự đoán mục tiêu trung bình cho mỗi trò chơi không?
Jeromy Anglim

Vâng, đó là tổng số mục tiêu! Không, tôi không có dữ liệu cho mọi trò chơi. Tôi chỉ có dữ liệu tổng thể.
MarkDollar

Biến phụ thuộc là (số lượng) mục tiêu. (Xem các phương trình trên)
MarkDollar

Tôi đã điều chỉnh tiêu đề một chút để nó không bị trùng lặp với câu hỏi trước đó. Hãy sửa đổi nếu tôi hiểu sai.
Jeromy Anglim

Câu trả lời:


16

Một mô hình bù là mô hình hóa các mục tiêu cho mỗi trò chơi, như người ta có thể thấy ở đây:

log(goals/games) = a+bx

tương đương với

log(goals) -log(games) = a+bx

tương đương với

log(goals)= a+bx +log(games)   <-this is an offset model, assumes coef on the last term =1

Xem slide 35 tại đây: http://www.ed.uiuc.edu/cifts/EdPsy490AT/lectures/4glm3-ha-online.pdf

Nếu bạn nghĩ rằng + bx có liên quan đến tỷ lệ nhật ký của các mục tiêu cho các trò chơi (tỷ lệ), hãy sử dụng phần bù. Nếu bạn nghĩ rằng có một hiệu ứng trò chơi phức tạp hơn, có lẽ từ việc tích lũy kinh nghiệm, thì không. Để biết thêm thảo luận, hãy xem điều này: http://ezinearticles.com/?The-Exposeure-and- Offerset-Variabled-in-Poisson-Resression-Models & id = 2155811


1

Một vài điểm đơn giản không trực tiếp giải quyết câu hỏi của bạn về việc bù đắp:

  • Tôi sẽ xem liệu số lượng trò chơi có tương quan với các mục tiêu trung bình được ghi hay không. Trong nhiều môn thể thao ghi bàn ưu tú mà tôi có thể nghĩ đến (ví dụ: bóng đá, luật bóng đá Úc, v.v.) tôi sẽ dự đoán rằng tuổi thọ của sự nghiệp có liên quan đến sự thành công của sự nghiệp. Và ít nhất là đối với người chơi trong vai trò ghi bàn, thành công có liên quan đến số lượng bàn thắng ghi được. Nếu điều này là đúng, thì số lượng trò chơi sẽ thu được hai hiệu ứng. Người ta sẽ liên quan đến thực tế là nhiều trò chơi hơn có nghĩa là có nhiều cơ hội hơn để ghi bàn; và cái khác sẽ nắm bắt các hiệu ứng liên quan đến kỹ năng. Bạn có thể kiểm tra mối quan hệ giữa số lượng trò chơi và mục tiêu trung bình được ghi (ví dụ: mục tiêu / số trò chơi) để khám phá điều này. Tôi nghĩ rằng điều này có ý nghĩa thực sự cho bất kỳ mô hình mà bạn làm.
  • Bản năng của tôi là chuyển đổi biến phụ thuộc thành mục tiêu trung bình cho mỗi trò chơi. Tôi nhận ra rằng bạn sẽ đo lường chính xác hơn về kỹ năng của người chơi đối với những người chơi nhiều trò chơi hơn, vì vậy có lẽ đó sẽ là một vấn đề. Tùy thuộc vào độ chính xác trong mô hình của bạn mà bạn mong muốn và phân phối kết quả của người chơi có nghĩa, bạn có thể có thể dựa vào các kỹ thuật mô hình tuyến tính tiêu chuẩn. Nhưng có lẽ điều này hơi quá áp dụng cho mục đích của bạn và có lẽ bạn có lý do để muốn mô hình hóa tổng số bàn thắng ghi được.

Xin chào Jeromy! Những gì bạn descirbe là hoàn toàn chính xác. Nhưng không có cách nào để tạo ra một mô hình đo lường mục tiêu / trò chơi. Vì vậy, tôi buộc phải theo mô hình trên (mục tiêu là phụ thuộc và trò chơi là biến độc lập). Tôi biết rằng các trò chơi có tương quan với những thứ như kỹ năng và tôi sẽ khám phá vấn đề này (bỏ qua vấn đề về biến số và Nội sinh). Nhưng hiện tại tôi đang tự hỏi nên sử dụng mô hình nào trong hai mô hình trên!
MarkDollar
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.