Settings

Language, shortcuts & timezone

Language

Timezone

Time zone changes apply on this device. A new device may start at GMT+8; check match times before reading.

跳到内容
推荐

设置

自定义您的偏好设置

每脚射门的预期进球数(xG):在射门数量旁阅读机会质量

作者:Opta Tips Team 更新于

将平均进球概率质量与总体进攻输出区分开来,并通过点球、汇总样本以及基于射门对比的局限性等实例进行详细说明。

Hypothetical comparison: A has 20 shots and 2.00 xG, averaging 0.10; B has eight shots and 1.60 xG, averaging 0.20. OptaTips logo at lower right.

每脚射门的预期进球数(xG)等于总预期进球数除以同一样本中的射门次数。它描述了这些射门尝试的平均模型估值。它本身并不单独衡量进攻质量:一支球队若射门次数较少但质量更高,其平均值可能更高,但所制造的整体威胁反而更小。

请结合射门数量、总预期进球数(xG)以及射门发生的具体情境来阅读该平均值。关键问题在于:某支球队是创造了更多射门机会、质量更高的射门机会,还是二者混合程度有所不同。这些问题彼此关联,但需采用不同的分母进行分析。

请始终将分子与分母一并考虑

假设一支球队在 2.00 次射门中产生了 20 的预期进球数(xG),其平均每脚射门xG为 0.10 ;另一支球队在八次射门中产生 1.60 ,平均每脚射门xG为 0.20。这些虚构数据表明,后者的单次射门平均价值更高,但前者总xG更高。

这两列数据互不替代。第一支球队可能创造了大量质量平平的射门机会;第二支球队则可能获得的射门机会虽少,但位置更具威胁性。比赛复盘应同时保留这两项观察,而非仅凭哪一数值看起来更亮眼便草率判定优劣。

Wyscout术语表解释了其xG数值背后基于单次射门的概率模型。这明确了其估算所针对的对象,但并不意味着所有数据提供商均采用完全相同的输入参数。我们所举的算术示例使用虚构数值,既未还原真实比赛,也未复现任何真实OptaTips表现。

请对两列数据统一使用同一数据提供商及相同的事件覆盖范围。若用上半场xG总量除以全场射门次数,将得到一个毫无意义的混合指标;若分子包含被封堵射门而分母排除此类射门,同样会虚高表面平均值。

平均值并非每一脚射门的实际发生概率

五脚射门的xG值分别为 0.02、 0.03、 0.05、 0.10 和 0.30 ,其总和为 0.50 xG,平均值为 0.10。其中仅第四脚射门的个体概率需为 10%;其余四脚均无需达到该值。该平均值描述的是整体样本,而非所有射门共享的某种典型位置或条件。

这五脚射门可能来自截然不同的场上位置与进攻阶段。仅报告其均值将抹去这一分布特征。若您关注的是反复获得近距离射门机会的能力,请查验具体事件细节,或参考恰当的射门质量细分数据。

单次高价值射门可显著拉高小样本的均值。若在前述五脚射门基础上额外加入一次虚构的 0.50 射门,则新均值变为 1.00 除以六,约等于 0.167。原始五次射门的质量并未提升,仅是样本构成发生了变化。

正因如此,单场比赛中较高的平均值仅是复盘分析的起点,而非证明球队具备某种长期稳定的进攻特质的证据。应进一步考察促成这些射门的具体情境,并研判此类情境是否具有重复性。

点球需作配对调整

若剔除点球xG,亦须同步剔除对应点球射门次数作为分母。以非点球xG为分子、全部射门次数为分母所计算出的数值,与“非点球xG ÷ 非点球射门次数”这一指标含义不同。

试设一组虚构数据:某队共 2.10 xG来自 15 次射门,其中含一次按该示例提供商标准计为 0.76 的点球。全射门平均值为 2.10 除以 15,即 0.14。剔除该点球后,剩余xG为 1.34 ,射门次数为 14 次,平均每脚约为 0.096 。

若改用 1.34 除以 15 ,结果约为 0.089。该数值在算术上成立,但分母定义不同。请为其准确标注名称,切勿将其误标为常规的非点球平均值。

《非点球预期进球(xG)指南》解释了为何该调整无法自动分离出运动战场景。角球、任意球及其他非点球情形仍可能包含在内。若问题明确聚焦于运动战创造,则应采用阶段分解法。

多次射门可能属于同一波进攻序列

一次被封堵的射门随后产生补射,可能生成两条紧密相邻的射门尝试记录。射门均值表格无法显示这些尝试源自独立的控球回合,还是源自同一次混战。

在论述持续性机会创造时,须保持上述区别清晰可见。十次记录在案的射门尝试,并不必然等同于十次独立进攻;同样,也不能直接将xG总和自动换算为球队至少破门一次的概率。

在独立性假设下,‘至少一次成功’的计算方式不同于简单相加各概率。例如,两个虚构的 0.20 次尝试,在该假设下得出的结果为 1−0.80×0.80=0.36 ,而非 0.40。而真实比赛中的补射序列,其各次尝试甚至未必满足独立试验的前提。

该示例旨在阐明一项数学区别,并非替代性比赛预测。请始终遵循模型的既定用途,切勿在缺乏合适方法的前提下,从汇总统计中推导额外概率。

比较球队前,先比较样本

场地、对手、比分状态及球员罚下等因素均会影响一方获得的机会数量。处于落后方可能采取更多投机性射门;领先方则可能伺机发动快速转换。其均值既反映这些情境因素,也体现球员自身的选择倾向。

当数据支持时,应划分出可比性强的时间段。需明确说明过滤后剩余的比赛场次与射门次数。过窄的划分虽有助于厘清背景,却可能导致射门样本过少,致使均值变得不稳定。

《主客场对比指南》提供了另一种考察样本不均衡的方法。此类划分应服务于特定问题的解答,而非仅因某一分组能呈现更优数值。

在整合多场比赛数据时,须区分‘单场平均值的均值’与‘合并射门样本的总体均值’。一场仅有一次射门的比赛,与一场拥有 20次射门的比赛,在前者计算中权重相同。而将兼容的xG总值与射门总数合并计算,则可回答‘整体样本中每次射门的平均xG’这一问题。

零次射门不等于零质量射门

当无任何射门时,‘每次射门xG’无定义,因其分母为零。使用短划线、空白或其他已明确定义的显示规范,远优于将 0.00 解读为从未发生的射门尝试之质量。

未发生射门本身即为有价值的信息。它可能表明球队未能推进至可射门区域,但均值本身无法解释原因。在归因前,请核查控球区域、控球推进过程及整场比赛具体情境。

同理,事件数据缺失并不等同于零射门比赛。若数据提供商未提供相关信息,应将该观测标记为‘不可用’。将缺失条目统一转为零值,会扭曲总量统计,并造成记录完整性的错误印象。

请使用能保留权衡关系的审阅陈述

对开篇示例的合理总结是:A队创造了更高的模型化射门总价值,而B队射门次数较少,但单次射门平均价值更高。随后进一步探究这些射门的来源,以及促成它们产生的比赛条件。

若聚焦于守门员表现或终结效率问题,则可能需要其他指标。《射正后xG说明》区分了原始机会的质量与关于实际射门执行情况的信息。

对于未来比赛的索赔,请保留单独的预测方法和评估。历史每射正期望进球数(xG)描述的是已记录的射门尝试。它并不能保证下次会出现多少次机会、这些机会的质量如何,或所报赔率是否代表价值。

通过两场比赛的合计数据进行分析

以下是第二个假设性示例。在首场比赛中,一支球队记录了 0.40 xG的一次射门尝试;在第二场比赛中,该队共记录了 19 次射门尝试,总xG值为 1.90 。两场比赛的平均值分别为 0.40 和 0.10,其简单平均值为 0.25。

然而,在全部 20 次实际射门尝试中,合并后的平均值为 2.30 除以 20,即 0.115。简单平均值回答的是:各场比赛平均值在等权重条件下的结果;而合并计算则回答的是:单次被记录射门的平均价值。它赋予样本量更大的射门数据集以更高权重。

两种加权方式均不应被隐藏。若撰写一篇关于某支球队通常创造何种机会的文章,应明确指出您的观测单位是“一场比赛”还是“一次射门尝试”。若您希望每场比赛具有同等权重,请说明原因,而非将结果笼统称为“合并平均值”。

四舍五入也可能引入较小的差异。已发布的单场总计数据可能已被四舍五入至小数点后两位,而底层事件数值则保留了更高精度。基于显示的总计数据重新计算所得结果,可能与数据提供商自身的合计结果略有出入。除非核查原始字段,否则切勿仅凭微小的四舍五入差异就判定存在实质性数据错误。

应保留一条审计记录行,包含比赛标识、时段、数据提供商、符合条件的射门次数、总xG值及排除项说明。若进行了点球调整,则须同时列出被剔除的射门尝试及其对应xG值。这一简明账目可确保比较过程可复现,无需读者盲目接受一个未经解释的仪表盘数字。

若某场比赛缺乏完整覆盖,则需区分“已观测射门”的平均值与“整个时段”的估算值。前者可直接计算得出;后者则需采用缺失数据处理方法。若静默地以联赛平均值替代缺失值,将改变分析性质,必须另行披露。

适用于 18 岁及以上的成年人。所有演示案例均为假设性示例。数据提供商的说明仅用于解释定义,并不意味着与OptaTips存在数据供应关系。

读者讨论

评论 0

暂无评论。

留下评论

Your email address will not be published. Required fields are marked *