Tính thống nhất bắn súng NBA

Điều gì sẽ là cách thích hợp để đánh giá / xác định tính nhất quán bắn 3 điểm của một cầu thủ NBA? Chẳng hạn, tôi có một người chơi bắn 37% từ phạm vi 3 điểm và mất 200 lần thử cả năm.

Tôi đang xem xét lấy% trung bình 3 điểm của một số lần chụp tùy ý (giả sử 20). Sau đó, sử dụng các giá trị trung bình đó để xác định độ lệch chuẩn so với giá trị trung bình 37%. Sử dụng cỡ mẫu 20 cuộn chỉ cho phép độ chính xác 5% về tỷ lệ chụp, nhưng tôi lo ngại rằng sử dụng quá nhiều ảnh sẽ không tiết lộ sự không nhất quán trong hiệu suất.

Có một cách tiếp cận tốt hơn để xác định tính nhất quán?

Như một người dùng khác đã nêu trong các nhận xét ở trên, kiểm tra chạy là cách để phân tích dữ liệu chụp của bạn. Nó kiểm tra giả thuyết rằng các yếu tố của chuỗi là độc lập lẫn nhau. Nếu giả thuyết bị bác bỏ, thì bạn có thể nói rằng bắn 3 điểm của người chơi không nhất quán.

Tôi cũng muốn hướng bạn đến bài viết này vì nó liên quan trực tiếp đến phân tích của bạn.

Tôi nghĩ rằng một bài kiểm tra chạy là một ý tưởng tốt. Đối với tôi, bằng cách phân tích dữ liệu theo "khối", ý định của bạn là tạo một proxy cho hoặc kiểm soát "bàn tay nóng" trong tính nhất quán của người chơi. Có một tài liệu khổng lồ về hiện tượng này ngoài kia. Một trong những bài báo hay nhất đã được Gelman thảo luận trên blog của anh ấy vào tháng 7 năm 2015. Tiêu đề của bài đăng của anh ấy là, "Hey - đoán xem? Thực sự có một bàn tay nóng!" ( http://andrewgelman.com/2015/07/09/hey-guess-what-there-really-is-a-hot-hand/ ). Gelman báo cáo trên là một phản bác của phần lớn các tài liệu trước đây vì nó nêu chi tiết các lỗi được thực hiện bởi các phân tích trước đây về hiện tượng bàn tay nóng. Các công việc trước đó tập trung vào tổng thể trái ngược với xác suất có điều kiện. Bài viết này đưa ra một mô hình xác suất tuần tự mới (xem liên kết để tham khảo bài báo).

Một chỉ số thống nhất tốt cần kiểm soát sự khác biệt về, ví dụ, số lượng ảnh chụp, là hệ số biến đổi. CV là thước đo bất biến tỷ lệ, không thay đổi tỷ lệ và được tính bằng cách chia độ lệch chuẩn cho giá trị trung bình. Vấn đề mà nó cố gắng giải quyết là độ lệch chuẩn được thể hiện trong thang đo của đơn vị được đo, nghĩa là nó không phải là bất biến tỷ lệ. Điều này có nghĩa là các số liệu có giá trị trung bình cao cũng sẽ có xu hướng có độ lệch chuẩn cao hơn so với số liệu có giá trị trung bình thấp. Vì vậy, ví dụ, do sự khác biệt về giá trị trung bình của chúng, các biện pháp về sự thay đổi trong huyết áp tâm trương và huyết áp tâm thu không thể so sánh trực tiếp. Bằng cách lấy CV, sự thay đổi của họ trở nên tương đương. Điều tương tự cũng xảy ra với nhiều số liệu khác như giá cổ phiếu,

Do đó, CV có thể được tính cho nhiều loại số liệu và tỷ lệ, không bao gồm thông tin phân loại và các biện pháp có giá trị âm.