How do you compare football coaching performance?How do you compare football coaching performance?How do you compare football coaching performance?How do you compare football coaching performance?Comment comparez-vous les performances des entraîneurs de football ?
Nous sommes une fois de plus à la fin d’une autre saison de football universitaire. Les saisons régulières sont terminées et les championnats de conférence ont eu lieu. La saison des bols vous attend !
Alors que je regardais un match récemment, je me suis interrogé sur les meilleurs entraîneurs du match aujourd'hui. Y a-t-il une différence entre les pourcentages de victoires en carrière de ces entraîneurs ? Ces entraîneurs gagnent-ils constamment au fil du temps, ou y a-t-il des « contretemps » dans leur carrière ? Est-ce qu'ils font une différence dans le pourcentage de victoires dans leurs écoles, ou les écoles sont-elles simplement des moteurs si éternels que les entraîneurs principaux ne font pas beaucoup de différence ?
J'ai décidé d'y jeter un oeil.
La source de données
Les dossiers des entraîneurs de football universitaire sont disponibles auprès de nombreuses sources, notamment Wikipedia.com, NCAA.org et ESPN.com. J'ai commencé avec les 10 meilleurs entraîneurs actifs en termes de pourcentage de victoires, mais j'ai dû en éliminer deux parce qu'ils avaient entraîné moins de 50 matchs.
La liste des 10 meilleurs entraîneurs comprenait quelques noms qui ne seraient normalement pas considérés parmi les « poids lourds », mais qui avaient d'excellents records de victoires et de défaites : Joe Moglia de Coastal Carolina et Lance Leipold de Buffalo. Il sera intéressant de voir comment ils se situent dans l’analyse.
J'ai ensuite arbitrairement ajouté Bob Stoops de l'Oklahoma (récemment retraité) et Jim Harbaugh du Michigan pour compléter les 10 entraîneurs. (C'est juste une liste que j'ai dressée… Je n'ai pas l'intention de mépriser un programme en particulier !
Ma liste d'entraîneurs comprend :
- Nick Saban (entraîneur-chef à Toledo, Michigan State, LSU et Alabama)
- David Shaw (Stanford)
- Chris Peterson (État de Boise, Washington)
- Urban Meyer (État de Bowling Green, Utah, Floride et État de l'Ohio)
- Jimbo Fisher (État de Floride, Texas A&M)
- Dabo Swinney (Clemson)
- Bob Stoops (Oklahoma)
- Jim Harbaugh (Michigan)
- Joe Moglia (Caroline côtière)
- Lance Leipold (Wisconsin-Whitewater et Buffalo)
J'ai utilisé Internet Open dans JMP pour collecter les données, puis j'ai utilisé divers outils de préparation de données dans JMP pour assembler les données à des fins d'analyse. Je mentionnerai les formats de données requis pour chacune des analyses mentionnées ci-dessous.
Q1 : Y a-t-il une différence dans les pourcentages de victoires en carrière des meilleurs entraîneurs ?
Pour répondre à cette question, nous souhaitons comparer les pourcentages de victoires en carrière de chaque entraîneur. Étant donné que Coach peut être notre facteur d'entrée catégoriel (avec 10 niveaux, un pour chaque coach) et que le Pourcentage de victoires est notre variable de réponse, nous pourrions être tentés d'effectuer une ANOVA. L'ANOVA corrigerait les différentes « tailles d'échantillon » (c'est-à-dire les matchs entraînés) pour chaque entraîneur et effectuerait un test F pour identifier les différences.
Ce serait bien si les pourcentages de production étaient normalement distribués. Cependant, les pourcentages de gains sont limités entre 0 % et 100 % (c'est-à-dire qu'il s'agit d'une distribution binomiale). Une analyse plus appropriée pour ces données est une analyse du chi carré.
JMP intègre l'analyse du Chi carré à la plateforme Fit Y by X, ainsi qu'à l'analyse Consumer Research/Catégorique de JMP. La plateforme d'analyse catégorielle est plus complète et flexible, effectuant l'analyse du chi carré et incluant non seulement s'il existe une différence de pourcentage de victoires entre n'importe lequel des records de carrière de notre entraîneur, mais aussi lequel de nos entraîneurs diffèrent des autres.
Avant de pouvoir effectuer l'analyse, j'ai dû apporter quelques modifications au format des données. L'ensemble de données d'origine ressemblait à ceci :
Figure 1: Coach’s Individual Records, Pre-Modifications. (File attached to post.)Figure 1: Coach’s Individual Records, Pre-Modifications. (File attached to post.)Figure 1: Coach’s Individual Records, Pre-Modifications. (File attached to post.)Figure 1: Coach’s Individual Records, Pre-Modifications. (File attached to post.) Figure 1 : Dossiers individuels de l'entraîneur, pré-modifications. (Fichier joint au message.) Ce dont JMP a besoin pour l'analyse, c'est d'une ligne pour chaque partie jouée, y compris un indicateur indiquant si la partie a été gagnée ou perdue. Le résultat final ressemblait à ceci :
Figure 2: Coach’s Individual Records, Expanded to One Row Per Game.Figure 2: Coach’s Individual Records, Expanded to One Row Per Game.Figure 2: Coach’s Individual Records, Expanded to One Row Per Game.Figure 2: Coach’s Individual Records, Expanded to One Row Per Game.Figure 2 : Records individuels de l'entraîneur, étendus à une ligne par match.
Pour passer du premier tableau au second, j'ai d'abord étendu les gains et les pertes de chaque année en deux nouvelles colonnes dans le tableau de données d'origine, puis j'ai utilisé un script JSL personnalisé pour développer le tableau. Pour plus de détails à ce sujet, voir l'annexe A.
Pour répondre à la question, j'ai choisi d'utiliser la plateforme catégorielle dans les outils Consumer Research de JMP.
A1 : Ces dossiers d’entraîneur sont-ils différents et certains entraîneurs sont-ils meilleurs que d’autres ?
L'exécution du tableau de données reformaté via les outils Consumer Research dans JMP (en particulier la plateforme catégorielle) nous donne les résultats présentés dans la figure 3.
Figure 3: Contingency Analysis of Coaches’ Career Winning Percentages.Figure 3: Contingency Analysis of Coaches’ Career Winning Percentages.Figure 3: Contingency Analysis of Coaches’ Career Winning Percentages.Figure 3: Contingency Analysis of Coaches’ Career Winning Percentages.Figure 3 : Analyse de contingence des pourcentages de réussite dans la carrière des entraîneurs.
Le tableau de contingence de la figure 3 montre les statistiques récapitulatives (victoires et défaites), le nombre total de matchs (ou réponses) et le pourcentage de victoires et de défaites pour chaque entraîneur. (Voir l'ellipse rouge de la figure 3, intitulée #1.) Ces pourcentages sont représentés graphiquement dans le diagramme à barres situé sous le tableau.
Sous le graphique à barres, notez la valeur Pearson (ellipse rouge étiquetée #2). La valeur est 0,023. Nous souhaitons détecter les différences avec un niveau de confiance d'au moins 95 %. Puisque la PValeur est inférieure à 0,05, nous sommes sûrs à 95 % qu'il existe une différence entre au moins un des dossiers W/L de ces entraîneurs et les autres entraîneurs.
Mais quels entraîneurs sont différents des autres ? Une évaluation simple consisterait simplement à examiner les pourcentages W/L et à les classer en conséquence. Mais cela ne prend pas en compte la taille différente de l’échantillon pour chaque entraîneur.
Pour cela, nous examinons le tableau de sortie de la figure 3. Chaque entraîneur reçoit une étiquette alphabétique (A à J ; voir l'ellipse rouge intitulée #3.) De plus, il y a une colonne intitulée « Comparer » (voir l'ellipse rouge intitulée #4). Diverses « lettres » d'entraîneur sont répertoriées dans cette colonne. Par exemple, la lettre dans la colonne Comparer à côté de Bob Stoops est un « E », faisant référence à l'entraîneur E, qui est Jim Harbaugh. Cela indique que le record W/L de Bob Stoops (79,8 % de victoires) est statistiquement différent de celui de Jim Harbaugh (66,3 %) au cours de leur carrière.
Cependant, puisque « E » est la seule lettre indiquée à côté de Bob Stoops, il n'y a aucun autre entraîneur dont les records sont différents de ceux de Stoops.
De même, Dabo Swinney et Lance Leipold ont de meilleurs records que ceux de Harbaugh.
Notez que Jimbo Fisher a un « e » minuscule en face de son nom. Alors que les lettres majuscules signifient un niveau de confiance de 95 % quant à l'existence d'une différence entre deux dossiers de coaching, les lettres minuscules n'indiquent qu'un niveau de confiance de 90 %. Ainsi, compte tenu des records et du nombre total de matchs entraînés, nous avons seulement 90 % de confiance que le record de Fisher est meilleur que celui de Harbaugh.
Sur la base strictement des records W/L, Urban Meyer se démarque parmi ces entraîneurs, avec 95 % de confiance que son record est meilleur que celui de David Shaw, Harbaugh et Joe Moglia, et 90 % de confiance que son record est meilleur que celui de Fisher. Nous ne pouvons pas dire (avec au moins 90 % de confiance) que son bilan est différent de celui des autres entraîneurs.
Q2 : Les records des entraîneurs sont-ils cohérents tout au long de leur carrière individuelle ?
Je voulais également savoir si ces entraîneurs avaient des records W/L constants au fil du temps (même en changeant d'école), ou si (par exemple) ils s'amélioraient au fil du temps. Pour cela, je me suis tourné vers les outils Qualité et Processus de JMP.
Quant à la question 1 (ci-dessus), nous avons affaire à des pourcentages (c'est-à-dire des distributions binomiales). Par conséquent, plutôt que de générer des cartes de contrôle typiques pour des données normalement distribuées, nous nous tournons vers une « P-Chart ».
Les P-Charts exigent un pourcentage de victoires pour chaque entraîneur par année. J'ai utilisé le tableau de données d'origine pour cette analyse, modifié avec des colonnes pour le nombre de victoires et de défaites de chaque année, et j'ai ajouté deux colonnes supplémentaires :
- L’un comprenait une formule pour le pourcentage de gains.
- La seconde était une somme de W+L (c'est-à-dire le nombre total de matchs entraînés chaque année).
J'ai ensuite utilisé la plateforme Qualité et Processus/Contrôle Chart/P pour générer les graphiques.
A2 : Les résultats des entraîneurs sont-ils cohérents tout au long de leur carrière individuelle ?
En utilisant le pourcentage de victoires comme réponse, le nombre de matchs comme taille d'échantillon, l'année comme étiquette d'échantillon et le nom de l'entraîneur comme variable « Par », j'ai généré des diagrammes P pour chaque entraîneur. L'annexe B montre tous les graphiques. Jetons un coup d'œil au graphique de Nick Saban :
Figure 4: P-Chart of Nick Saban’s Coaching Results.Figure 4: P-Chart of Nick Saban’s Coaching Results.Figure 4: P-Chart of Nick Saban’s Coaching Results.Figure 4: P-Chart of Nick Saban’s Coaching Results.Figure 4 : Graphique P des résultats d'entraînement de Nick Saban.
On voit ici que Saban entraîne depuis 1994. Les lignes rouges dans le graphique indiquent les « limites de contrôle » ou les limites à l'intérieur desquelles un processus est considéré comme « sous contrôle ». La limite de contrôle supérieure est limitée à une valeur de 1,0 (ou 100 % des parties gagnées). La limite inférieure varie entre 0,4 et 0,5. Notez que la variation est causée par un nombre différent de matchs entraînés chaque saison. Le pourcentage de victoires en carrière de Saban (0,792) est également indiqué.
Il semble y avoir une tendance à la hausse dans le bilan de Saban, à partir de 2008 environ (après avoir rejoint l'Alabama). Nous pouvons ajouter une « Phase » au P-Chart indiquant l’école dans laquelle il a été entraîneur :
Figure 5: P-Chart of Nick Saban’s Coaching Results, Including School Annotation as “Phase.”Figure 5: P-Chart of Nick Saban’s Coaching Results, Including School Annotation as “Phase.”Figure 5: P-Chart of Nick Saban’s Coaching Results, Including School Annotation as “Phase.”Figure 5: P-Chart of Nick Saban’s Coaching Results, Including School Annotation as “Phase.”Figure 5 : Tableau P des résultats de coaching de Nick Saban, y compris l'annotation de l'école comme « Phase ». Nous voyons maintenant que le bilan de Saban s'est amélioré (à la fois en moyenne et en variation) à mesure qu'il passait de l'État du Michigan à LSU puis en Alabama. A noter également que sa première année à 'Bama semble être une « aberration » incontrôlable.
L’examen des autres tableaux (Annexe 
montre des tableaux similaires pour d’autres entraîneurs, avec une année « hors de contrôle » occasionnelle et des variations d’une école à l’autre.
Q3 : Le fait de faire appel à un entraîneur spécifique contribue-t-il au bilan global W/L d'une école ?
Comme mentionné dans la discussion sur la cohérence des entraîneurs, il semble que déménager en Alabama ait été bon pour le bilan de Nick Saban. Peut-on en dire autant de la bonne fortune de l’école ? En d’autres termes, peut-on dire que l’Alabama a bénéficié de l’embauche de Nick Saban ?
C'est encore une question de P-Chart, mais nous devons inverser les axes. Tout d’abord, j’ai téléchargé tous les dossiers W/L de toutes les écoles entraînées par l’un des 10 entraîneurs de cette étude. Je suis remonté jusqu'en 1970. Cela a abouti à un tableau de données contenant les colonnes Nom de l'école, Année, Nom de l'entraîneur, Parties jouées et Pourcentage de victoires. J'ai ajouté une colonne intitulée « Top Coach ? qui contenait :
- Un point (« ») pour toute école/année qui n’a pas été coachée par l’un de mes 10 entraîneurs.
- Le nom de l'entraîneur si l'entraîneur de cette école/année était l'un de mes 10 entraîneurs.
J'ai également utilisé « Color by Row State » pour colorer en rouge toutes les lignes où l'école/l'année était encadrée par l'un de mes 10 entraîneurs. Cela a permis de mettre en évidence ces années particulières dans les cartes de contrôle.
A3 : Le fait de faire appel à un entraîneur spécifique contribue-t-il au bilan global W/L d'une école ?
Les P-Charts ont été créés à l'aide de :
- Processus = pourcentage de gain
- Exemple d'étiquette = année
- Phase = nom de l'entraîneur
- Par = nom de l'école
- Taille de l'échantillon = nombre total de jeux par an
L'annexe 3 contient tous ces graphiques. Puisque Urban Meyer a voyagé dans plusieurs écoles différentes au cours de sa carrière d'entraîneur, regardons ses résultats :
Figure 6: Urban Meyer’s Coaching History Across Various Schools.Figure 6: Urban Meyer’s Coaching History Across Various Schools.Figure 6: Urban Meyer’s Coaching History Across Various Schools.Figure 6: Urban Meyer’s Coaching History Across Various Schools.Figure 6 : Historique de coaching d'Urban Meyer dans diverses écoles. En parcourant les graphiques de la figure 6, nous constatons que le pourcentage de victoires de chaque école était systématiquement plus élevé lorsque Meyer était en ville. Il semble donc que Meyer était bon pour l'école de recrutement. Des résultats similaires sont observés pour d’autres entraîneurs de ma liste.
Résumé
Nous avons examiné trois questions dans cette étude :
- Y a-t-il une différence de pourcentages de victoires entre ces 10 coachs gagnants ?
- Les résultats de la plateforme d'études de consommation/catégorielle de JMP indiqueraient qu'il existe une différence dans leurs records de victoires, du moins entre certains entraîneurs.
- Les entraîneurs ont-ils eu une cohérence dans leurs records de victoires au fil du temps ?
- Les outils de qualité/tableaux de contrôle de JMP ont montré que non seulement ces entraîneurs sont généralement cohérents dans leurs victoires, mais qu'il semble y avoir un effet du fait que « l'école » joue un rôle dans les résultats. Par exemple, la fortune de Nick Saban s'est améliorée lorsqu'il a déménagé en Alabama.(Ou est-ce que l'Alabama s'est amélioré lorsque Saban a emménagé ??)
- Les écoles ont-elles bénéficié des services de ces coachs ?
- Encore une fois, les tableaux de contrôle de JMP montrent que partout où ces coachs sont employés, la bonne fortune de l'école semble s'améliorer.
Cela signifie-t-il alors que ces entraîneurs « valent leur sel » au regard de leurs contrats de plusieurs millions de dollars ?Je laisse cela pour une autre discussion.
Et si vous êtes curieux de connaître les performances de votre entraîneur préféré, vous pouvez télécharger ses résultats et les connecter vous-même à JMP, via Essai gratuit de 30 jours de JMP !
Annexe A : Manipulations de tables
Pour convertir le tableau présenté dans la figure 1 en celui présenté dans la figure 2, j'ai d'abord développé les gains et les pertes de chaque année en 2 nouvelles colonnes dans le tableau de données d'origine, puis j'ai utilisé un script JSL personnalisé pour développer le tableau.Une formule typique est illustrée ci-dessous :
Maintenant que j'avais les chiffres réels des victoires et des défaites pour chaque année, j'ai écrit un simple script JSL pour arriver au format final souhaité.(Si le script vous intéresse, il est joint à ce blog.) L'exécution de ce script a produit le tableau de données final (Figure 2) utilisé pour l'analyse de contingence afin de comparer les dossiers W/L des carrières d'entraîneur.Le fichier lui-même (Coach's Individual Records -- Expanded.jmp) est également joint.
Annexe B : Tableaux P par entraîneur, montrant les effets des écoles :
Bob Stoops :
Chris Petersen :
Dabo Swinney :
David Shaw :
Jim Harbaugh :
Jimbo Fisher :
Joe Moglia :
Lance Leipold :
Nick Saban :
Urbain Meyer :
Annexe C : Graphiques P par école, de 1970 à aujourd'hui, montrant les effets des entraîneurs :
Écoles Bob Stoops :
Écoles Chris Petersen :
Écoles Dabo Swinney :
Écoles David Shaw :
Écoles Jim Harbaugh
Écoles de pêcheurs Jimbo :
Écoles Jo Moglia :
Écoles Lance Leipold :
Écoles Nick Saban :
Écoles urbaines Meyer :
