[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