Factorized Point Process Intensities: A Spatial Analysis of Professional Basketball
我们开发了一种机器学习方法来表示和分析NBA职业篮球运动员投篮选择的基本空间结构。通常,NBA球员的讨论和比较是以一种启发式的、不精确的方式进行的,这种方式依赖于对球员行为的不可测量的直觉。这使得很难在玩家之间进行比较,并做出准确的玩家特定预测。将投篮尝试数据建模为一个点过程,建立了NBA进攻型球员类型的低维表示。使用非负矩阵分解(NMF),无监督降维技术,我们表明,一个低秩的空间分解总结了NBA球员的投篮习惯。该算法发现的空间表示对应于NBA球员类型的直观描述,并可用于建模其他空间效应,如投篮准确性。
2014-01-08 stat.AP stat.ML
Identifying group contributions in NBA lineups with spectral analysis
我们解决的问题是如何量化的贡献组的球员团队的成功。我们的方法是基于频谱分析,从代数信号处理技术,它有几个吸引人的功能。首先,我们的分析将团队成功信号分解为组件,这些组件自然被理解为给定大小的球员群体的贡献:个人,双人,三人,四人和完整的五人阵容。其次,分解是正交的,因此参与者群体的贡献可以被认为是纯粹的:例如,归因于三人群体的贡献已经与组成对和个体的低阶贡献分开。我们提出了详细的频谱分析,使用NBA的逐场比赛的数据,并显示如何这可以是一个实用的工具,在了解阵容的组成和利用。
2020-06-25 stat.AP
Multidimensional heterogeneity learning for count value tensor data with applications to field goal attempt analysis of NBA players
我们提出了一个多维张量聚类方法来研究职业篮球运动员的投篮模式如何随球场位置和比赛时间而变化。与大多数现有的方法,只研究连续值张量或必须假设相同的集群结构沿不同的张量方向,我们提出了一个贝叶斯非参数模型,处理计数值张量和项目之间的异质性张量尺寸的球员,同时允许集群结构是不同的方向。我们的方法是完全概率的,因此允许同时推断集群的数量和集群配置。提出了一种有效的后验抽样方法,并建立了后验分布的大样本收敛性。仿真研究表明,所提出的方法具有良好的经验性能。最后,对2017-2018赛季常规赛期间从191名NBA球员收集的投篮图表数据进行了应用,并揭示了篮球分析的一些有趣见解。
2022-05-20 stat.AP stat.ME
Heating Up in NBA Free Throw Shooting
我证明了重复加热球员,而中断冷却球员在NBA罚球投篮。我的分析还表明,疲劳和压力也在起作用。如果这四种效应对投篮命中率的影响都是相似的,那么在篮球比赛中,考虑到热手效应的策略选择是合理的。更一般地说,我的分析激励接近因果调查的质量变化的所有类型的人的表现,寻求操作和测量这些影响。将热手视为一个动态的因果过程,激发了热手概念的另一种应用:而不是试图检测哪个球员碰巧是热的时刻,促进你和你的盟友。
2018-01-13 stat.AP
Predicting Elite NBA Lineups Using Individual Player Order Statistics
本文提出融合七种分类器的ANC模型,基于球员个体顺序统计量预测从未共同出场的五人NBA阵容是否具有正PMM,在2017-18数据训练测试并预测2018-19阵容,实现高精确率和位置均衡推荐。
2023-03-09 math.OC stat.AP
Possession-Level Player Impact in the Pre-Play-by-Play NBA Era: A Video-Reconstructed RAPM Database, 1984--1996
Squared2020 Statistics(Squared2020 统计)
通过手动从广播视频重建比赛数据,构建了1984-1996赛季首个控球级别球员影响力数据库,并采用加权岭回归估计RAPM,为历史分析提供了基础。
2026-05-22 stat.AP
A Scalable Framework for NBA Player and Team Comparisons Using Player Tracking Data
NBA球员跟踪数据的发布大大增强了用于评估和比较球员表现的篮球统计数据的粒度和维度。然而,这种新数据源的高维性可能会带来麻烦,因为它需要更多的计算资源,并降低了轻松解释结果的能力。因此,我们必须找到一种方法来减少数据的维度,同时保留区分和比较球员表现的能力。在本文中,主成分分析(PCA)是用来确定四个主成分,占68%的变化,从2013-2014年常规赛的球员跟踪数据和直观的解释,这些新的维度是通过检查的统计数据,影响他们最。在这个新的高方差、低维空间中,您可以轻松地比较任何或所有主成分维度的统计特征,以评估使某些球员和球队相似或独特的特征。还构造了基于四个主成分得分的两个球员或球队统计配置文件之间的相似性的简单度量。统计多样性指数(SDI)允许使用整个玩家跟踪数据进行快速直观的比较。随着新的统计数据的出现,这一框架是可扩展的,因为它可以通过重建主成分维度和空间数据基础设施来纳入现有的和新的数据源,以改进比较。使用主成分得分和SDI,提出了几个用例,以改善人员管理。
2016-01-10 stat.AP stat.OT
Concave Processes for Multi-Task Career Trajectories: Evaluating Aging Across Multiple Measures of NBA Performance
University of California, Santa Barbara(加州大学圣塔芭芭拉分校)
本文提出凹过程先验与潜变量模型,联合建模NBA球员多项表现指标的老化轨迹,提升预测性能并揭示不同指标的巅峰年龄差异。
2026-10-05 stat.AP
Bayesian Nonparametric Estimation for Point Processes with Spatial Homogeneity: A Spatial Analysis of NBA Shot Locations
篮球投篮位置数据为教练、体育分析师、球迷、统计学家以及球员本身提供了关于球员的有价值的摘要信息。这些数据以空间点为代表,自然可以用空间点过程模型进行分析。我们提出了一种新的非参数贝叶斯方法学习的基础上建立的狄利克雷过程和马尔可夫随机场的组合强度表面。我们的方法具有的优势,有效地鼓励局部空间均匀性时,估计一个全球性的非均匀强度表面。后验推理采用高效的马尔可夫链蒙特卡罗(MCMC)算法。仿真研究表明,该方法的推理是准确的,是优于竞争的方法。应用于$20$代表性NBA球员在2017-2018常规赛中的投篮位置数据,提供了关于这些球员投篮模式的有趣见解。与竞争方法的比较表明,所提出的方法可以有效地将空间连续性的强度表面的估计。
2020-11-23 stat.AP stat.ME
A doubly self-exciting Poisson model for describing scoring levels in NBA basketball
本文提出一种遵循INGARCH(1,1)设定的双重自激发Poisson时间序列模型,结合贝叶斯分治过程,用于描述NBA球队和球员在比赛及分钟级别的投篮命中数,有效处理了数据的时间自相关性。
2023-04-04 stat.AP
A New Framework to Estimate Return on Investment for Player Salaries in the National Basketball Association
本文提出了首个估算NBA球员合同投资回报率的框架,通过计算比赛贡献百分比(GCP)和单场比赛价值(SGV),结合薪水数据生成现金流,以评估球员表现的相对回报。
2023-09-11 q-fin.GN stat.AP
Time-based analysis of the NBA hot hand fallacy
围绕NBA热门球员的争论已经持续了很多年。然而,许多以前的作品在这个主题上只关注下一个连续的投篮尝试,通常是非常精选的球员。这项工作更详细地研究了一个投篮命中或未命中对两年时间内下一系列投篮的影响,投篮之间的时间间隔是分析中的一个关键因素。此外,多年的条纹进行了分析,所有迹象表明,球员不能真正维持他们的好(或坏)的运气从一年到一年。
2019-12-05 stat.AP stat.OT
Bayesian Group Learning for Shot Selection of Professional Basketball Players
在本文中,我们开发了一个小组学习的方法来分析潜在的异质性结构的投篮选择在NBA的职业篮球运动员。基于对数高斯-考克斯过程(LogGaussian-Cox process,LGCP),提出了一种有限混合物混合模型(MFM)来刻画不同球员投篮选择的异质性。我们所提出的方法可以同时估计组的数量和组配置。提出了一种有效的马尔可夫链蒙特卡罗(MCMC)算法。已经进行了模拟研究,以证明其性能。最终,我们提出的学习方法在分析NBA 2017-2018常规赛几名球员的投篮图中得到了进一步的说明。
2020-10-19 stat.AP
Functional Data Analysis of Aging Curves in Sports
众所周知,运动和身体状况受年龄的影响。绘制一个运动员的个人表现与年龄的关系图,通常称为运动员的年龄曲线。尽管教练和经理们对此很感兴趣,但到目前为止,对衰老曲线的分析还使用了相当初级的技术。在本文中,我们介绍了功能数据分析(FDA)的研究,在运动中的老化曲线,并认为它是更一般和更灵活的方法相比,以前已经使用。我们还通过分析NBA和MLB球员的数据来说明丰富的分析。在MLB数据的分析中,我们使用功能主成分分析(fPCA)进行功能假设检验,并显示潜在的功率击球手和潜在的非功率击球手之间的老化曲线的差异。对NBA球员年龄曲线的分析说明了PACE方法的使用。我们发现,有三个不同的NBA球员的老化模式,球员得分能力不同的模式。我们还表明,老化模式是独立的位置。
2014-04-01 stat.AP
Adjusting for Scorekeeper Bias in NBA Box Scores
NBA的得分统计被用来衡量和评估球员的表现。其中一些统计数据是主观的,由于每场比赛的得分统计都是由主队雇用的记分员记录的,因此存在不一致和偏见的可能性。这些不一致可能产生深远的影响,特别是随着日常幻想运动的流行。使用框得分数据,我们估计模型能够量化的偏见和慷慨的每个记分员的两个最主观的统计数据:助攻和盖帽。然后,我们使用2014-2015赛季的光学球员跟踪数据,通过包括其他上下文时空变量(如控球时间,球员位置和行进距离)来改进辅助模型。从这个模型中,我们提出的结果测量的影响记分员和其他上下文变量的概率被记录为一个协助通过。结果调整赛季协助总数,以消除记分员的影响。
2016-08-14 stat.AP
Implicit Biases in Refereeing: Lessons from NBA Referees
School of Computing and Information, University of Pittsburgh(匹兹堡大学计算与信息学院)
本研究分析了NBA裁判中隐性偏见的存在,发现主队偏见在季后赛中较明显,但疫情后有所减少,同时发现个别球员可能受益于裁判决定,但未发现对球员或球队的负面偏见。
2022-10-25 cs.CY stat.AP
The Load Management Paradox: Correcting the Healthy-Worker Survivor Effect in NBA Injury Modeling
Indiana University(印第安纳大学);Michigan State University(密歇根州立大学)
本文通过开发MS-PEM模型,纠正NBA伤病建模中的健康工人幸存者效应,揭示负荷与伤病的真实关系。
2026-03-27 stat.AP
Is Stephen Curry really a guard? A new perspective on player typologies using functional data analysis
Université Laval(拉瓦尔大学);University of Pennsylvania(宾夕法尼亚大学)
该研究基于函数数据分析提出NBA球员投篮模式新表示法,经MFPCA分解和k-中心点聚类构建球员分类法,发现与传统位置标签一致性低,为分析球员倾向引入新框架,有潜在应用价值。
2026-09-11 stat.AP
Commanding the Foul Shot: A New Ensemble of Free Throw Metrics
University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文基于NBA 2023年引入的肢体追踪数据,提出新的罚球评估指标 ensemble,通过引入'command'指标量化罚球质量,揭示球员持续执行高质量尝试的能力,证明其比传统命中率更有效预测赛季后期表现。
2026-04-28 stat.AP
From Metrics to Decisions in NBA Analytics: A Critical Integrative Review and Decision-Readiness Framework
TY SPORTS ANALYTICS INC.(TY体育分析有限公司);Department of Mathematics and Statistics, York University(约克大学数学与统计系)
本综述提出一个决策就绪框架,通过六个门控评估NBA分析文献,指出模型应支持可行选择的比较,并规划了部署流程与研究议程。
2026-09-24 stat.AP
Bayesian inferences on uncertain ranks and orderings: Application to ranking players and lineups
通常对实体之间的排名或顺序关系感兴趣。在不直接测量作为排名基础的单变量统计的复杂设置中,这样的推断通常依赖于具有实体特定参数的统计模型。这些可以被视为表征实体间变异的分层模型中的随机效应。在本文中,我们特别感兴趣的排名篮球运动员的问题,他们对球队表现的贡献。使用美国国家篮球协会(NBA)的数据,我们发现许多球员有相似的潜在能力水平,使任何单一的估计排名高度误导。目前的文献未能提供充分说明不确定性的顺序关系的总结。出于这一动机,我们提出了一个贝叶斯策略,用于表征球员和阵容之间的顺序关系的推断中的不确定性。我们的方法适应的情况下,在订购的不确定性是高的,产生更保守的结果,提高可解释性。这是通过决策理论框架内的奖励函数来实现的。我们将我们的方法应用于2009-10 NBA赛季的数据。
2022-04-11 stat.AP stat.ME
Analysis of professional basketball field goal attempts via a Bayesian matrix clustering approach
我们提出了一个贝叶斯非参数矩阵聚类方法来分析潜在的异质性结构的投篮选择数据收集的职业篮球运动员在美国国家篮球协会(NBA)。该方法采用有限混合的混合框架,通过矩阵正态分布的混合表示,充分利用了空间信息。我们提出了一个有效的马尔可夫链蒙特卡罗算法的后验抽样,允许同时推断的集群的数量和集群的配置。我们还建立了后验分布的大样本收敛性质。通过模拟研究和应用程序,从选定的球员在2017年18 NBA常规赛的投篮图数据证明了所提出的方法的优秀的经验性能。
2020-10-16 stat.AP stat.CO stat.ME
Dummy RAPM: Representing Low-Minute Players in Regularized Adjusted Plus-Minus
The Wharton School, University of Pennsylvania(宾夕法尼亚大学沃顿商学院)
该研究提出虚拟RAPM方法,通过新增指标恢复低出场时间球员的阵容信息,在16个NBA赛季的验证中提升了得分差预测精度,且效果稳定。
2026-08-24 stat.AP
Hypergraph adjusted plus-minus
本文提出一种基于超图表示的调整正负值方法,可同时评估个体球员、低阶组合与完整阵容,并用2012-2022年NBA数据验证其有效性。
2025-05-08 stat.AP stat.ME
A PageRank Model for Player Performance Assessment in Basketball, Soccer and Hockey
在足球、曲棍球和篮球运动中,最常用的运动员成绩评定统计分为两类:进攻统计和防守统计。然而,对组织进攻的定性评估(例如做出“聪明”的传球)很难量化。如果有一个单一的统计数据可以强调游戏的流程,奖励那些发起并为成功游戏做出更多贡献的玩家,这将是有利的。在本文中,我们将研究一个基于Google PageRank的模型。其他论文探讨了排名球队,教练和队长,但在这里,我们构建评级和排名的个人成员在两支球队,强调发起和参与成功的发挥和迫使防守失误。对于足球/曲棍球/篮球比赛,我们的模型为参加比赛的n名球员中的每一个分配一个节点和一个“目标节点”。运动员节点之间的弧表示特定于运动的情况(包括传球、失误、得分、犯规、出界、比赛停止、失误、投篮不中、防守等),为每项运动量身定制。此外,还添加了一些额外的弧,以确保相关的矩阵是原始的,因此存在唯一的PageRank向量。关联矩阵的PageRank向量用于对游戏的玩家进行排名。为了说明这个模型,数据来自2014-2016年间的9场NBA比赛。在一场给定的比赛中,许多排名靠前的球员(在模型中)都有一些最令人印象深刻的传统数据线。然而,从模型中也有一些令人惊讶的地方,一些球员谁拥有令人印象深刻的统计线有较低的排名,而其他人谁没有令人印象深刻的统计线有较高的排名。总的来说,与传统的体育统计数据相比,该模型的排名和评级更能反映比赛的流程。
2017-03-31 stat.AP
Measuring Spatial Allocative Efficiency in Basketball
篮球中的每一次投篮都有机会成本;一个球员的投篮消除了队友在这场比赛中的所有潜在机会。出于这个原因,球员的投篮效率最终应该考虑相对于阵容。这方面的效率-最佳的方式来分配投篮在阵容-是我们的论文的重点。分配效率应考虑在一个空间的背景下,因为在一个阵容中的投篮命中率的分布是高度依赖于法院的位置。我们提出了一个新的度量空间分配效率通过比较一个球员的投篮命中率(FG%),他们的投篮命中率(FGA)的上下文中,他们的四个队友在球场上和他们的投篮的空间分布。利用美国国家篮球协会(NBA)提供的公开数据,我们估计球员FG%在进攻半场的每个位置使用贝叶斯分层模型。然后,通过对阵容的估计FG%s进行排序,并将这些排名与阵容的经验FGA率排名配对,我们检测出阵容表现出低效投篮分配的区域。最后,我们分析了次优的投篮分配对球队整体进攻潜力的影响,表明低效的投篮分配与得分减少相关。
2020-08-01 stat.AP
Characterizing the spatial structure of defensive skill in professional basketball
虽然篮球是一项二元运动,所有球员都在进攻和防守上竞争,但几乎所有这项运动的传统指标都是为了总结进攻性比赛。因此,对球员的评价主要是基于进攻表现,而对防守表现的评价要少得多。抢断、盖帽和防守篮板只是防守有效性的一个有限的总结,但它们之所以存在,是因为它们总结了容易观察到的突出事件。由于传统防御统计的无效性,防御分析的最新技术仍然是定性的,基于专家的直觉和分析,容易受到人为偏见和不精确的影响。幸运的是,新兴的光学球员跟踪系统有可能实现对篮球表现,特别是防守表现的更丰富的定量表征。不幸的是,由于计算和方法的复杂性,这一潜力仍未得到满足。本文试图填补这一空白,结合空间和时空过程,矩阵分解技术和分层回归模型与球员跟踪数据,以推进NBA防守分析的状态。我们的方法检测,表征和量化篮球防守的多个方面,支持防守有效性的一些共识,挑战他人,并开辟了许多新的见解篮球防守元素。
2015-05-28 stat.AP
DeepHoops: Evaluating Micro-Actions in Basketball Using Deep Feature Representations of Spatio-Temporal Data
一个球屏值多少钱?一个从球上切下来的后门值多少钱?在过去的十年里,篮球是众多运动中的一项,在评估球员和球队的定量指标和方法方面出现了爆炸式的增长。然而,它仍然是具有挑战性的,以评估个人无球事件方面,他们如何有助于成功的控球。在这项研究中,我们开发了一个端到端的深度学习架构DeepHoops来处理一个由NBA比赛的时空跟踪数据组成的独特数据集,以便生成一个关于控球过程中预期得分的预测流。我们将问题框架为多类序列分类问题,在该问题中,我们的模型估计球员采取终端动作的概率(例如,投篮,失误,犯规等)。在基于在所述时刻之前的球和球员场地位置的序列的控球的每个时刻。这些终端动作中的每一个都与预期分数值相关联,该预期分数值用于估计要得分的预期分数。与此问题相关的挑战之一是行动类别的高度不平衡。为了解决这个问题,我们为训练阶段参数化了一个下采样方案。我们证明了DeepHoops是经过良好校准的,准确地估计了每个终端动作的概率,我们进一步展示了该模型在boxscore统计数据未捕获的控球范围内评估单个动作(可能是离球)的能力。
2019-02-21 stat.AP
Lasso Multinomial Performance Indicators for in-play Basketball Data
本研究针对篮球球员贡献量化问题,基于2021-22赛季NBA回合级数据,提出加权预期得分(wEPTS)的改进RAPM指标,性能优于现有多种正则化模型的RAPM度量。
2024-10-31 stat.AP
LinNet: Probabilistic Lineup Evaluation Through Network Embedding
你的球队的可能阵容中,哪一个对你的对手的可能阵容有最好的机会?为了回答这个问题,我们开发了LinNet。LinNet利用了一个有向网络的动态特性,该网络捕捉了阵容在比赛中的表现。这个网络的节点表示不同的队列,而如果队列i的性能超过队列j,则存在从节点j到节点i的边。我们进一步用相应的性能裕度(每分钟的点裕度)来注释每条边。然后,我们利用该结构来学习每个节点的一组潜在特征(即,使用node 2 vec框架。因此,LinNet在这个潜在空间上为阵容A击败阵容B的概率建立了一个模型。我们使用2007-08赛季和2011-12赛季之间的五个赛季的NBA阵容数据来评估LinNet。我们的研究结果表明,我们的方法具有69%的样本外准确度。相比之下,对于同一预测问题,利用阵容内的球员的调整后的正负提供了56%的准确度。更重要的是,如概率验证曲线所示,概率是经过良好校准的。LinNet的好处之一-除了它的准确性-是它是通用的,可以应用于不同的运动,因为唯一需要的输入是阵容的比赛表现,即,不需要特定于运动的特征。
2017-07-11 stat.AP