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）
