
Un classement des pronostiqueurs de football actuellement actifs décrit les services encore visibles aujourd’hui. Il ne peut pas décrire automatiquement l’ensemble des personnes ayant commencé à publier au début de la période. Si les services peu performants disparaissent plus fréquemment que les services performants, le tableau restant peut présenter un bilan encourageant même lorsque la population initiale s’est comportée médiocrement.
C’est le biais de sélection liée à la survie. Il concerne les analystes qui demeurent dans la comparaison. Une liste complète des sélections de chaque analyste visible, prise isolément, ne résout pas la disparition d’analystes entiers de l’échantillon.
Identifier la population avant de calculer son résultat
Supposons qu’un lecteur souhaite savoir ce qu’il est advenu des services disponibles le premier jour d’une saison. La population pertinente est le groupe présent à cette date. Un tableau ne contenant que les services disponibles à la fin de la saison répond à une question différente.
Enregistrer les identifiants initiaux et la date à laquelle le groupe a été figé. Conserver les profils renommés, suspendus ou fermés rattachés à cette liste initiale, dans la mesure où les éléments de preuve confirment leur identité. Ne pas supposer que des noms similaires désignent le même opérateur, ni qu’un profil supprimé a nécessairement connu un échec.
La raison d’un départ est essentielle. Un service peut cesser ses activités pour cause de retraite, de changement commercial ou de décision de la plateforme. Le biais de sélection liée à la survie est une conséquence possible de la sélection au sein de l’échantillon observé, mais ne justifie pas d’attribuer systématiquement des pertes à chaque analyste manquant.
Suivre un groupe fictif à travers les calculs arithmétiques
Considérons quatre services fictifs, chacun ayant misé 100 unités sur une période d’observation donnée. A gagne 20 unités, B gagne 10, C perd 15 et D perd 25. Le bénéfice net combiné est de moins 10 unités sur 400 unités mises, ce qui donne un ROI du groupe de moins 2.5%.
Supposons désormais que C et D cessent leurs publications et disparaissent du tableau actuel. A et B ensemble affichent un profit de 30 unités sur 200 unités mises, soit un ROI de 15%. Le calcul effectué sur les services restants est correct pour la portée qu’il revendique. Il devient trompeur s’il est présenté comme ce qu’un lecteur aurait effectivement expérimenté sur l’ensemble initial des quatre services.
Rien dans cette suppression n’a amélioré les sélections initiales. La population rapportée a changé. Cet exemple simple utilise un volume de mises égal afin de rendre la pondération transparente. Avec des mises différentes, le ROI agrégé doit être calculé à partir du bénéfice net combiné divisé par les mises éligibles combinées.
Une simulation peut illustrer le mécanisme sans mesurer une plateforme réelle
Football-Data a publié une expérience de pensée de 2017 dans laquelle des pronostiqueurs simulés n’avaient aucun avantage prédictif et ceux tombant en dessous d’un seuil de performance pouvaient disparaître. Leur groupe survivant pouvait afficher des résultats agrégés positifs. Cet exercice montre comment une règle de retrait peut sélectionner un échantillon restant flatteur. Il ne mesure pas OptaTips ni ne prouve qu’aucune plateforme actuelle n’applique cette règle. Description originale du modèle de Football-Data.
Garder cette frontière probatoire bien visible. Les simulations dépendent de leurs hypothèses concernant l’entrée, la fréquence des sélections, les probabilités de résultats et les critères de retrait. Modifier ces hypothèses modifie les résultats numériques. Le mécanisme est plus portable que n’importe quel pourcentage issu d’une simulation particulière.
Distinguer les services manquants des sélections manquantes
Il existe deux vérifications distinctes de complétude. Au sein d’un profil, se demander si ses victoires, défaites, cotes et corrections publiées restent visibles. Entre profils, se demander si le tableau conserve les services ayant cessé leurs activités pendant la période examinée.
Une plateforme pourrait conserver toutes les sélections des profils actifs tout en omettant celles des profils inactifs. Une autre pourrait conserver les profils inactifs, tandis que leur historique ancien de sélections reste incomplet. Ces deux limites méritent d’être explicitement mentionnées, mais elles ne doivent pas être fusionnées en une seule affirmation vague selon laquelle les registres sont vérifiés.
Pour OptaTips, examinez le répertoire réel et les archives disponibles. Si aucune liste historique des membres n’existe, indiquez que le groupe d’origine ne peut pas être reconstitué à partir des pages publiques actuelles uniquement. Ne comblez pas cet écart à l’aide de noms mémorisés ou de suppositions rétrospectives.
Conserver les dates d’entrée et de sortie dans un registre de cohorte
Un registre pratique contient l’identifiant de l’analyste, la date de première observation, la date de dernière observation, le statut actuel et la source des preuves. Ajoutez un champ permettant de distinguer une fermeture confirmée d’un profil qui n’a tout simplement pas pu être consulté lors d’une observation donnée.
Une défaillance temporaire d’accès ne constitue pas une preuve de disparition définitive. Un changement d’URL peut également rompre un ancien lien tout en laissant le même service fonctionner ailleurs. Vérifiez l’identité à l’aide de preuves publiques et conservez l’incertitude là où aucun rapprochement fiable n’est disponible.
Les services rejoignant la cohorte après la date de début doivent figurer dans un groupe d’entrants, et non discrètement au sein de la cohorte initiale. Ils ont été exposés pendant une durée différente et peuvent fonctionner dans des conditions différentes. Présentez leurs résultats séparément avant toute tentative de vue combinée.
Décrivez honnêtement les historiques partiels
Lorsque l’historique d’un service ayant quitté la cohorte est indisponible, le résultat de la cohorte initiale peut rester inconnu. Indiquez le nombre de services ainsi que le montant du roulement dont les résultats peuvent être examinés. Cette déclaration de couverture est plus défendable que de considérer le sous-ensemble visible comme l’ensemble complet.
Une analyse de sensibilité peut explorer les implications de différents résultats manquants, à condition que ces hypothèses soient explicitement formulées. Elle ne peut toutefois pas récupérer l’enregistrement réel manquant. Conservez un sous-total observé distinct de toute fourchette fondée sur des scénarios.
Une liste restreinte actuelle et une évaluation historique remplissent des fonctions différentes
Une distinction utile consiste à opposer une cohorte fixe à un répertoire dynamique. Une cohorte fixe maintient les services initiaux au dénominateur tout au long de l’examen, y compris ceux qui cessent leurs activités. Un répertoire dynamique modifie sa composition à mesure que les services entrent ou sortent. Aucun de ces deux dispositifs n’est automatiquement erroné : ils répondent à des questions différentes et devraient porter des étiquettes distinctes.
Pour un répertoire dynamique, affichez les changements de composition à côté du résumé des performances. Si un service rentable rejoint la cohorte à mi-mois, son historique antérieur hors plateforme ne doit pas être inséré automatiquement dans l’historique observé du répertoire. De même, la suppression d’un service inactif ne doit pas supprimer discrètement ses pertes déjà observées du total historique revendiqué de la plateforme.
Ne réparez pas un échantillon sélectionné à l’aide d’une pénalité arbitraire
Le fait de savoir qu’une information est manquante ne révèle pas sa valeur. Attribuer systématiquement à chaque analyste disparu une perte importante peut engendrer une distorsion inverse. Une fermeture pourrait effectivement suivre des résultats médiocres, mais cette possibilité ne constitue pas un règlement observé.
Utilisez des statuts distincts pour un résultat connu, un résultat manquant et un scénario hypothétique. Supposons que les services visibles comptent 200 unités de chiffre d’affaires connu et 30 unités de bénéfice, tandis que deux anciens services présentent un chiffre d’affaires et des rendements inconnus. Le sous-total observé est un ROI de 15% pour le sous-ensemble visible. Un ROI de la cohorte complète ne peut être calculé qu’une fois que le dénominateur et le numérateur manquants auront été établis.
Si un scénario suppose que chaque service indisponible a misé 100 unités et subi une perte de 20, étiquetez explicitement ces trois hypothèses. Ce scénario donne alors une perte de 10 unités sur 400 unités mises en jeu, soit 2.5%. Ce chiffre appartient exclusivement au scénario déclaré, et non à la population réelle. Modifier les résultats manquants imaginés modifie nécessairement le résultat.
Vérifiez ce qu’implique une affirmation de classement
Une déclaration portant sur les dix profils actuels les plus performants est plus restrictive qu’une déclaration selon laquelle le suivi des analystes de la plateforme aurait historiquement généré un rendement particulier. Cette seconde affirmation exige une règle définissant quels analystes ont été suivis, à quel moment la composition a changé et comment les mises et les coûts ont été alloués.
Une liste rétrospective des dix meilleurs sélectionne également en fonction du résultat célébré. Même si aucun profil n’a disparu, choisir les meilleurs performeurs une fois la période terminée ne permet pas d’établir qu’un lecteur aurait pu les identifier dès le début de celle-ci. Le filtrage par survie et le classement rétrospectif peuvent fonctionner conjointement, il convient donc d’identifier les deux plutôt que de considérer une archive conservée comme la fin de l’enquête.
Un plan d’observation défini à l’avance peut clarifier ce point. Rédigez la population éligible, les dates d’observation, les règles de disponibilité et la convention de calcul avant d’examiner le classement final. Les modifications ultérieures doivent rester visibles en tant que telles. Cela n’élimine pas l’incertitude ni ne garantit une prévision utile, mais empêche la règle d’évaluation de changer discrètement en fonction des résultats.
Un lecteur à la recherche de services disponibles actuellement commence raisonnablement par les profils en cours. La disponibilité fait partie de cette tâche pratique. L’évaluation historique nécessite toutefois toujours que le processus de sélection derrière la liste restreinte soit expliqué, notamment lorsque les rendements passés sont utilisés comme preuve d’une capacité généralisée à effectuer des prévisions.
Ne considérez pas non plus un résultat ajusté sur un groupe cohorte comme un jugement porté sur chaque analyste encore actif. Un service peut disposer d’un historique vérifiable de manière indépendante, même si la population qui l’entoure a été sélectionnée. Les preuves individuelles et les inférences tirées de la population exigent des conclusions distinctes.
Une note finale utile précise quelle cohorte était visée, combien de services restent observables, ce qu’il est advenu des entrées et sorties, et quels résultats financiers auraient effectivement pu être reproduits. L’incertitude doit demeurer visible là où des données historiques concernant l’adhésion ou les rendements font défaut.
Reliez la vérification de la cohorte à un examen individuel des dossiers
Une fois la limite de la population bien définie, examinez les dossiers réellement accessibles. Conservez une unité de sélection, une période de règlement, un prix initial et une base de mise cohérentes. Une cohorte complète dotée de calculs de rendement incompatibles ne peut toutefois pas soutenir une agrégation utile.
Le guide comparatif des dossiers explique les rendements et les coûts, tandis que la comparaison des compositions de marchés montre comment des populations de sélection différentes peuvent inverser un classement au sein même des services survivants. L’appartenance à une cohorte soulève une question supplémentaire : qui a intégré cette comparaison ?
Ces vérifications peuvent aboutir à une conclusion limitée. Les dossiers visibles peuvent être reproductibles, tandis que la population initiale demeure inconnue. Énoncez ces deux faits. Cela fournit au lecteur une frontière claire pour l’ensemble des preuves, sans transformer l’absence d’information en une approbation ou en une accusation.
Pour les adultes âgés de 18 ans et plus. Tous les chiffres relatifs aux cohortes ci-dessus sont des exemples pédagogiques fictifs. Les résultats historiques ne garantissent ni les résultats futurs ni la réalisation de bénéfices.
Commentaires 0
Aucun commentaire pour le moment.