[翻譯] Mike Redmond 看穿了 Tom Glavine 嗎? (3)
看板Sabermetrics作者freefalling (My season finale.)時間17年前 (2007/03/20 00:26)推噓1(1推 0噓 0→)留言1則, 1人參與討論串1/1
以前在檢視platoon splits的穩定度時,會將右打分為platoon split高於聯盟平均者及
低於平均者兩類,並檢視其隔年的成績。但此方法無法答覆Beane心中的疑問,因為它將
相像的打者歸為同類,而運動家卻認為Karros是個特殊的打者,不能相提並論。這又是小
樣本產生的問題。左投少之又少,在過去幾十年,左投的投球局數也在減少當中。因此,
右打對左投的打席數創下新低。若Glavine-Redmond的數據不算數,那Karros在2003年對
左投的100打席自然也不足以採用。
欲解此題,我們利用Keith Woolner的方法,將球員生涯分割成奇數與偶數年份兩段(可
避免偏頗的數據),並篩選出在兩段分別都有1000打數以上的球員,接著比較各段的
platoon splits。例如,Karros在奇數年份的platoon優勢為 .028/.038/.031;在雙數年
份為 .030/.054/.019。這是非常穩定的差距,但Karros是屬於通則還是特例呢?
比較大量資料時,我們可用判定係數(coefficient of determination,又稱R-squared
)來衡量兩組資料間相互解釋之程度。R-squared的範圍為0-1,為0時表示兩組資料毫無
相關性,為1時表示完全相關。例如,球員的表現與球衣號碼的R-squared為0。
右打者中,奇數年與偶數年的打擊率R-squared為0.0053,可說是完全隨機;上壘率與長
打率的R-squared分別為0.0171與0.0302,意味右打者的整個生涯的platoon split都不穩
定。左打的情況稍有不同,R-squared分別為0.0587(打擊率)、0.0693(上壘率)、
0.0943(長打率)。儘管左打的platoon splits數據比右打的稍微穩定一些,但仍具有某
種程度的隨機。
如同Neyers所說,若Beane簽下Karros,是基於Karros會維持對左投的優勢的假設,那麼
Beane犯了嚴重的錯誤。任何經理因為球員過去的platoon split而簽下他,是因為球員擁
有某項前所未有的技巧。這並非代表球員都沒有顯著的platoon splits,而是利用聯盟的
平均platoon splits來預測表現,會比用個人的platoon splits好。過去幾年,左打的
platoon splits明顯高於右打,但任何打者的每年成績變化必然是隨機的。
當球評直覺性的說出打者對此投手的成績為6-11時,你一定會想,為什麼教練不趕快
將投手丘上的可憐蟲換下來。是為了人情道義,還是教練根本就無知?但是事實上,教
練什麼也不用做,因為6-11不具有任何意義。
同樣的,一個以不擅長應付左投聞名的左打,某季忽然大開殺戒時,也僅代表他的選球
眼改善了,或者打擊教練修正了他的打擊瑕疵。但下一季,他的選球眼很可能消失,或者
產生了新的打擊瑕疵。Platoon splits在聯盟平均尚稱一致,但不適用於個別球員。
在蒐集了各式資訊之後,經過許多不同的分析,棒球可能會有不同的面貌。與其用慣用
手性作為上場之依據,不如選出對某球種較擅長的打者或投手。教練使用輪班制與對戰組
合,是善用手上有限的資源,創造優勢,帶來勝利。
結束囉
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 59.113.218.28
推
04/14 18:39, , 1F
04/14 18:39, 1F