前言
AG花了1000多万购买选手,然后在整个春季赛频繁更换调整阵容,这个事情可以说是春季赛最大的乐子。雕稳健、33、诚C这些选手都是在其他俱乐部的大哥,司马光和自然灿又是亚运冠军选手,15zy这赛季上场表现也不俗。这样强悍的纸面数据,结果是连总决赛都没进……
于是我就惊奇的发现,这个好像是一个完美的数据分析样本。可以参考的有几篇文献,比如Bertrand & Schoar(2003),姚洋和张牧洋(2013),王贤彬和徐现祥(2014),吕炜等(2022)。他们的思路比较相似,以姚洋和张牧洋(2013;2015)的为例,就是官员/管理者在城市之间调动,然后他们的个人效应就能独立于城市和时间效应而被提取出来。如图所示:
详细的理论分析和模型就不再赘述,但是我第一反应是:AG简直太符合了。很显然,AG在不同场次、地图中频繁地更换选手,实际上就是一个很好的联通样本。那么就可以按照吕炜等(2022)的分析范式来分析:
1.方差分解法考察选手个人造成了多少影响。
2.提取个人效应,利用个人数据建立回归模型。
当然,我们还可以考察上个赛季他们的表现,来研究转会的价值,目前还没做。
一、方差分解法
吕炜等(2022)的模型的Y是经济增长率,X是人均GDP对数、人口对数、通货膨胀率,那么照此思路,可以如下设计——
首先,模型的Y就是设为AG在每一场的分数,加一取对数处理。我选取的样本是常规赛的150场比赛,每场比赛都有4个选手,加起来应该是600个观测值。
其次,模型的X可以直接使用其他战队的情况,这里假设一个队伍的分数可以被场上其他15支队伍的分数来解释。
但是,由于PEL的名次和排名分的关联不是连续的,第9到第16名都是0分,但很显然他们对场上局势造成的影响肯定是不一样的,同样第7第8都是1分……那么我们就要用排名代替排名分来估计每支战队在当局的影响,但是又出现了一个问题,没有参与比赛的四支队伍怎样表示?
于是,我采取了这样一个方法,对于排名造成的影响,用名次的倒数表示,如果没参赛,就赋值为0。对于淘汰造成的影响,直接用淘汰分表示,如果没参赛,就赋值为0。很显然,任何一支战队淘汰数越大,其对整局比赛的影响也会增大,其排名的倒数表示全队被淘汰时吃鸡的概率,也是对于全局的影响。
所以用于拟合的变量一共有38个,如果控制了场次、比赛日次和选手,加上常数项,待估参数一共有74个,那么600个样本能满足估计的基本要求。
开始估计——
首先,这是变量的描述性统计,score是AG的分数,队名_elimsc是淘汰分,队名_rkrcpl是当局名次的倒数。4am用FAM代替,狼队用WOL代替。
其次,这是逐步控制当日比赛场次,比赛日和选手的结果:
可以看到,可以看到,大部分对手战队增长对全局影响时,都会显著的降低AG的得分。添加比赛日的固定效应判定系数增长明显,而控制选手后几乎没有增长。这意味着选手更换几乎不影响AG的成绩变动,或言之,选手不应为战队的得分负有主要责任。当然,依旧提取选手的个人效应来进行分析。
二、选手个人效应
我在上一步中提取了每个选手的个人效应,并搜集了他们当场AG的得分和排名倒数(1/排名),当日的场均击杀(kill)、伤害(dmg)和击倒(dwn)为因变量情况。个人效应越高,相当于对队伍提升越大,从低到高是诚c、自然灿、雕稳健、司马光、33Svan、princess、15zy。
(诚C个人效应最低我是没想到的)
诚C
自然灿
雕稳健
司马光
33Svan
princess
15zy
三、回归分析
分别使用选手当日的场均击杀、伤害和击倒为因变量,以选手个人效应为自变量,控制每场的其他战队状态(淘汰数和排名的倒数),控制比赛日和场次,聚类到地图层面,进行分析:
一个反直觉的事情是选手个人效应越高,其场均淘汰越高,而场均伤害和场均击倒就越低。这并不符合常识,或者说,AG仍然没有组成一个完善的队伍,其战斗的思路在整个常规赛阶段没有确定下来。
当然,这个分析十分粗糙,建立的模型也不能说很完善,有的结论还不能说稳健,有待进一步研究。至少第一步方差分解跑出来选手基本都没啥影响。
最大的问题我也知道,就是其实PEL选手很讲究队伍内的“化学效应”,这个其实不同于高管或者官员,其效应是很难单独被提取出来的。或者说,PEL更符合新古典拓展下的模型,即战队风格和选手风格是一个互相选择的过程。
综上所述,个人水平比较低,大家看个乐子就好。
(祝毕业生毕业快乐)
前言
AG花了1000多万购买选手,然后在整个春季赛频繁更换调整阵容,这个事情可以说是春季赛最大的乐子。雕稳健、33、诚C这些选手都是在其他俱乐部的大哥,司马光和自然灿又是亚运冠军选手,15zy这赛季上场表现也不俗。这样强悍的纸面数据,结果是连总决赛都没进……
于是我就惊奇的发现,这个好像是一个完美的数据分析样本。可以参考的有几篇文献,比如Bertrand & Schoar(2003),姚洋和张牧洋(2013),王贤彬和徐现祥(2014),吕炜等(2022)。他们的思路比较相似,以姚洋和张牧洋(2013;2015)的为例,就是官员/管理者在城市之间调动,然后他们的个人效应就能独立于城市和时间效应而被提取出来。如图所示:
详细的理论分析和模型就不再赘述,但是我第一反应是:AG简直太符合了。很显然,AG在不同场次、地图中频繁地更换选手,实际上就是一个很好的联通样本。那么就可以按照吕炜等(2022)的分析范式来分析:
1.方差分解法考察选手个人造成了多少影响。
2.提取个人效应,利用个人数据建立回归模型。
当然,我们还可以考察上个赛季他们的表现,来研究转会的价值,目前还没做。
一、方差分解法
吕炜等(2022)的模型的Y是经济增长率,X是人均GDP对数、人口对数、通货膨胀率,那么照此思路,可以如下设计——
首先,模型的Y就是设为AG在每一场的分数,加一取对数处理。我选取的样本是常规赛的150场比赛,每场比赛都有4个选手,加起来应该是600个观测值。
其次,模型的X可以直接使用其他战队的情况,这里假设一个队伍的分数可以被场上其他15支队伍的分数来解释。
但是,由于PEL的名次和排名分的关联不是连续的,第9到第16名都是0分,但很显然他们对场上局势造成的影响肯定是不一样的,同样第7第8都是1分……那么我们就要用排名代替排名分来估计每支战队在当局的影响,但是又出现了一个问题,没有参与比赛的四支队伍怎样表示?
于是,我采取了这样一个方法,对于排名造成的影响,用名次的倒数表示,如果没参赛,就赋值为0。对于淘汰造成的影响,直接用淘汰分表示,如果没参赛,就赋值为0。很显然,任何一支战队淘汰数越大,其对整局比赛的影响也会增大,其排名的倒数表示全队被淘汰时吃鸡的概率,也是对于全局的影响。
所以用于拟合的变量一共有38个,如果控制了场次、比赛日次和选手,加上常数项,待估参数一共有74个,那么600个样本能满足估计的基本要求。
开始估计——
首先,这是变量的描述性统计,score是AG的分数,队名_elimsc是淘汰分,队名_rkrcpl是当局名次的倒数。4am用FAM代替,狼队用WOL代替。
其次,这是逐步控制当日比赛场次,比赛日和选手的结果:
可以看到,可以看到,大部分对手战队增长对全局影响时,都会显著的降低AG的得分。添加比赛日的固定效应判定系数增长明显,而控制选手后几乎没有增长。这意味着选手更换几乎不影响AG的成绩变动,或言之,选手不应为战队的得分负有主要责任。当然,依旧提取选手的个人效应来进行分析。
二、选手个人效应
我在上一步中提取了每个选手的个人效应,并搜集了他们当场AG的得分和排名倒数(1/排名),当日的场均击杀(kill)、伤害(dmg)和击倒(dwn)为因变量情况。个人效应越高,相当于对队伍提升越大,从低到高是诚c、自然灿、雕稳健、司马光、33Svan、princess、15zy。
(诚C个人效应最低我是没想到的)
诚C
自然灿
雕稳健
司马光
33Svan
princess
15zy
三、回归分析
分别使用选手当日的场均击杀、伤害和击倒为因变量,以选手个人效应为自变量,控制每场的其他战队状态(淘汰数和排名的倒数),控制比赛日和场次,聚类到地图层面,进行分析:
一个反直觉的事情是选手个人效应越高,其场均淘汰越高,而场均伤害和场均击倒就越低。这并不符合常识,或者说,AG仍然没有组成一个完善的队伍,其战斗的思路在整个常规赛阶段没有确定下来。
当然,这个分析十分粗糙,建立的模型也不能说很完善,有的结论还不能说稳健,有待进一步研究。至少第一步方差分解跑出来选手基本都没啥影响。
最大的问题我也知道,就是其实PEL选手很讲究队伍内的“化学效应”,这个其实不同于高管或者官员,其效应是很难单独被提取出来的。或者说,PEL更符合新古典拓展下的模型,即战队风格和选手风格是一个互相选择的过程。
综上所述,个人水平比较低,大家看个乐子就好。
(祝毕业生毕业快乐)