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?¿Cómo se compara el rendimiento de los entrenadores de fútbol?
Una vez más estamos al final de otra temporada de fútbol universitario. Han terminado las temporadas regulares y se han celebrado campeonatos de conferencias. ¡La temporada de bolos te espera!
Mientras miraba un partido recientemente, me pregunté acerca de los mejores entrenadores del deporte actual. ¿Hay alguna diferencia entre los porcentajes de victorias profesionales de estos entrenadores? ¿Estos entrenadores ganan consistentemente a lo largo del tiempo o hay “contratiempos” en sus carreras? ¿Hacen una diferencia en el porcentaje de victorias en sus escuelas, o son las escuelas potencias tan perennes que los entrenadores en jefe no hacen mucha diferencia?
Decidí echar un vistazo.
Fuente de datos
Los registros de entrenamiento de fútbol universitario están disponibles en muchas fuentes, incluidas Wikipedia.com, NCAA.org y ESPN.com. Comencé con los 10 mejores entrenadores activos por porcentaje de victorias, pero tuve que eliminar a dos porque habían dirigido menos de 50 partidos.
La lista de los 10 mejores entrenadores incluía un par de nombres que normalmente no serían considerados entre esos "pesos pesados", pero que tenían excelentes récords de victorias y derrotas: Joe Moglia de Coastal Carolina y Lance Leipold de Buffalo. Será interesante ver cómo se comparan en el análisis.
Luego agregué arbitrariamente a Bob Stoops de Oklahoma (recientemente retirado) y Jim Harbaugh de Michigan para completar los 10 entrenadores. (Esta es sólo una lista que se me ocurrió... ¡No tengo intención de menospreciar ningún programa en particular!
Mi lista de entrenadores incluye:
- Nick Saban (entrenador en jefe de Toledo, Michigan State, LSU y Alabama)
- David Shaw (Stanford)
- Chris Peterson (estado de Boise, Washington)
- Urban Meyer (estado de Bowling Green, Utah, Florida y estado de Ohio)
- Jimbo Fisher (Estado de Florida, Texas A&M)
- Dabo Swinney (Clemson)
- Bob Stoops (Oklahoma)
- Jim Harbaugh (Míchigan)
- Joe Moglia (Costa de Carolina)
- Lance Leipold (Wisconsin-Whitewater y Buffalo)
Utilicé Internet Open en JMP para recopilar los datos y luego utilizó una variedad de herramientas de preparación de datos en JMP para ensamblar los datos para el análisis. Mencionaré los formatos de datos necesarios para cada uno de los análisis mencionados a continuación.
P1: ¿Existe alguna diferencia en los porcentajes de victorias de carrera de los mejores entrenadores?
Para responder a esta pregunta, queremos comparar los porcentajes de victorias de cada entrenador en su carrera. Dado que el entrenador podría ser nuestro factor de entrada categórico (con 10 niveles, uno para cada entrenador) y el porcentaje de victorias es nuestra variable de respuesta, podríamos sentirnos tentados a realizar un ANOVA. ANOVA corregiría diferentes “tamaños de muestra” (es decir, juegos dirigidos) para cada entrenador y realizaría una prueba F para identificar diferencias.
Esto estaría bien si los porcentajes de producción se distribuyeran normalmente. Sin embargo, los porcentajes ganadores están limitados por 0% y 100% (es decir, es una distribución binomial). Un análisis más apropiado para estos datos es un análisis de Chi-cuadrado.
JMP tiene un análisis de Chi cuadrado integrado en la plataforma Fit Y by X, y también en el análisis categórico/investigación del consumidor de JMP. La plataforma de análisis Categórico es más completa y flexible, realizando el análisis Chi-Cuadrado e incluyendo no sólo si existe diferencia en el porcentaje de victorias entre cualquier de los récords de la carrera de nuestro entrenador, pero también cual de nuestros entrenadores se diferencian de los demás.
Antes de poder realizar el análisis, tuve que realizar algunos cambios en el formato de los datos. El conjunto de datos original tenía este aspecto:
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.) Figura 1: Registros individuales del entrenador, modificaciones previas. (Archivo adjunto a la publicación). Lo que JMP necesita para el análisis es una fila para cada juego jugado, incluido un indicador de si el juego se ganó o se perdió. El resultado final fue este:
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.Figura 2: Registros individuales del entrenador, ampliados a una fila por partido.
Para convertir de la primera tabla a la segunda, primero expandí las ganancias y pérdidas de cada año en dos nuevas columnas en la tabla de datos original y luego usé un script JSL personalizado para expandir la tabla. Para obtener detalles al respecto, consulte el Apéndice A.
Para responder a la pregunta, elegí utilizar la plataforma Categorical en las herramientas de Consumer Research de JMP.
R1: ¿Son diferentes estos registros de entrenamiento? ¿Algunos entrenadores son mejores que otros?
Ejecutar la tabla de datos reformateada a través de las herramientas de Consumer Research en JMP (específicamente la plataforma Categorical) nos da los resultados que se muestran en la Figura 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.Figura 3: Análisis de contingencia de los porcentajes de victorias en la carrera de los entrenadores.
La tabla de contingencia de la Figura 3 muestra las estadísticas resumidas (victorias y derrotas), el total de juegos (o respuestas) y el porcentaje de victorias y derrotas de cada entrenador. (Vea la elipse roja en la Figura 3, etiquetada como #1.) Estos porcentajes se representan gráficamente en el gráfico de barras debajo de la tabla.
Debajo del gráfico de barras, observe el PValue de Pearson (elipse roja etiquetada como #2). El valor es 0,023. Nos interesa detectar diferencias con al menos un 95% de confianza. Dado que el valor de PV es inferior a 0,05, tenemos un 95 % de confianza en que existe una diferencia entre al menos uno de los registros W/L de estos entrenadores y los entrenadores restantes.
¿Pero qué entrenadores se diferencian de otros? Una evaluación sencilla sería simplemente observar los porcentajes W/L y ordenarlos en consecuencia. Pero esto no considera el diferente tamaño de muestra de cada entrenador.
Para esto, miramos la tabla de resultados en la Figura 3. A cada entrenador se le asigna una etiqueta alfabética (de la A a la J; consulte la elipse roja con la etiqueta n.° 3). Además, hay una columna denominada “Comparar” (consulte la elipse roja con la etiqueta n.° 4). En esta columna se enumeran varias “cartas” del entrenador. Por ejemplo, la letra en la columna Comparar junto a Bob Stoops es una "E", en referencia al entrenador E, que es Jim Harbaugh. Esto indica que el récord W/L de Bob Stoops (79,8% de victorias) es estadísticamente diferente al de Jim Harbaugh (66,3%) a lo largo de sus carreras.
Sin embargo, dado que "E" es la única letra que aparece junto a Bob Stoops, no hay otros entrenadores cuyos registros sean diferentes a los de Stoops.
De manera similar, Dabo Swinney y Lance Leipold tienen mejores registros que los de Harbaugh.
Tenga en cuenta que Jimbo Fisher tiene una “e” minúscula frente a su nombre. Mientras que las letras mayúsculas indican un 95 % de confianza en que existe una diferencia entre dos registros de entrenamiento, las letras minúsculas indican solo un 90 % de confianza. Entonces, considerando los récords y el total de juegos dirigidos, solo tenemos un 90% de confianza en que el récord de Fisher sea mejor que el de Harbaugh.
Basado estrictamente en los récords W/L, Urban Meyer se destaca entre estos entrenadores, con un 95% de confianza en que su récord es mejor que el de David Shaw, Harbaugh y Joe Moglia, y un 90% de confianza en que su récord es mejor que el de Fisher. No podemos decir (con al menos un 90% de confianza) que su récord sea diferente de cualquiera de los récords del otro entrenador.
P2: ¿Son consistentes los registros de los entrenadores a lo largo de sus carreras individuales?
También quería saber si estos entrenadores tenían registros W/L consistentes a lo largo del tiempo (incluso cuando cambiaban de escuela), o si (por ejemplo) mejoraron con el tiempo. Para ello, recurrí a las herramientas de Calidad y Proceso en JMP.
En cuanto a la pregunta 1 (arriba), estamos tratando con porcentajes (es decir, distribuciones binomiales). Por lo tanto, en lugar de generar gráficos de control típicos para datos distribuidos normalmente, recurrimos a un "gráfico P".
Los P-Charts requieren un porcentaje de victorias para cada entrenador por año. Utilicé la tabla de datos original para este análisis, la modifiqué con columnas para el número de victorias y pérdidas de cada año y agregué dos columnas adicionales:
- Uno incluía una fórmula para el porcentaje de victorias.
- El segundo fue una suma de W+L (es decir, el total de partidos entrenados cada año).
Luego utilicé la plataforma Quality and Process/Control Chart/P para generar los gráficos.
R2: ¿Son consistentes los registros de los entrenadores a lo largo de sus carreras individuales?
Usando el porcentaje de victorias como respuesta, el número de juegos como tamaño de muestra, el año como etiqueta de muestra y el nombre del entrenador como variable "Por", generé gráficos P para cada entrenador. El Apéndice B muestra todos los gráficos. Echemos un vistazo al gráfico 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.Figura 4: Gráfico P de los resultados de entrenamiento de Nick Saban.
Aquí vemos que Saban ha estado entrenando desde 1994. Las líneas rojas en el gráfico indican "límites de control" o los límites dentro de los cuales un proceso se considera "en control". El límite de control superior se recorta a un valor de 1,0 (o 100% de juegos ganados). El límite inferior varía entre 0,4 y 0,5. Tenga en cuenta que la variación se debe a la diferente cantidad de partidos dirigidos en cada temporada. También se incluye el porcentaje de victorias de la carrera de Saban (0,792).
Parece haber una tendencia ascendente en el historial de Saban, que comenzó aproximadamente en 2008 (después de unirse a Alabama). Podemos agregar una "Fase" al P-Chart indicando la escuela en la que entrenó:
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.”Figura 5: Gráfico P de los resultados del entrenamiento de Nick Saban, incluida la anotación escolar como "fase". Ahora vemos que el récord de Saban mejoró (tanto en promedio como en variación) cuando pasó de Michigan State a LSU y luego a Alabama. También tenga en cuenta que su primer año en 'Bama parece ser una "aberración" fuera de control.
Al revisar los otros gráficos (Apéndice 
, se muestran gráficos similares para otros entrenadores, con un año ocasional "fuera de control" y variaciones de una escuela a otra.
P3: ¿La incorporación de un entrenador específico ayuda al récord general de W/L de una escuela?
Como se mencionó en la discusión sobre la consistencia del entrenador, parece que mudarse a Alabama fue bueno para el historial de Nick Saban. ¿Se puede decir lo mismo de la buena suerte de la escuela? En otras palabras, ¿podemos decir que Alabama se benefició al contratar a Nick Saban?
Esta es nuevamente una pregunta del P-Chart, pero necesitamos invertir los ejes. Primero, descargué todos los registros W/L de todas las escuelas dirigidas por cualquiera de los 10 entrenadores de este estudio. Me remonté hasta 1970. Esto dio como resultado una tabla de datos que contiene columnas de nombre de la escuela, año, nombre del entrenador, juegos jugados y porcentaje de victorias. Agregué una columna llamada "¿Mejor entrenador?" que contenía:
- Un punto (“”) para cualquier escuela/año que no haya sido entrenado por uno de mis 10 entrenadores.
- El nombre del entrenador si el entrenador durante esa escuela/año fue uno de mis 10 entrenadores.
También utilicé “Color por estado de fila” para colorear de rojo todas las filas donde la escuela/año fue dirigida por uno de mis 10 entrenadores. Esto ayudó a resaltar esos años particulares en los gráficos de control.
R3: ¿La incorporación de un entrenador específico ayuda al récord general de W/L de una escuela?
Los P-Charts se configuraron usando:
- Proceso = porcentaje de ganancia
- Etiqueta de muestra = año
- Fase = nombre del entrenador
- Por = nombre de la escuela
- Tamaño de la muestra = juegos totales por año
El Apéndice 3 contiene todos estos cuadros. Dado que Urban Meyer ha viajado a varias escuelas diferentes durante su carrera como entrenador, echemos un vistazo a sus resultados:
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.Figura 6: Historia del entrenamiento de Urban Meyer en varias escuelas. Al mirar los gráficos de la Figura 6, vemos que el porcentaje de victorias de cada escuela fue consistentemente mayor mientras Meyer estaba en la ciudad. Entonces parece que Meyer era bueno para la escuela de contratación. Se observan resultados similares para otros entrenadores de mi lista.
Resumen
Analizamos tres preguntas en este estudio:
- ¿Existe alguna diferencia en los porcentajes de victorias entre estos 10 entrenadores ganadores?
- Los resultados de la plataforma Categórica/Investigación del Consumidor de JMP indicarían que existe una diferencia en sus registros de victorias, al menos entre ciertos entrenadores.
- ¿Han tenido los entrenadores consistencia en sus récords de victorias a lo largo del tiempo?
- Las Herramientas de Calidad/Gráficos de Control de JMP mostraron que estos entrenadores no sólo son generalmente consistentes en ganar, sino que parece haber un efecto de la “escuela” influyendo en los resultados. Por ejemplo, la suerte de Nick Saban mejoró cuando se mudó a Alabama.(¿O Alabama mejoró cuando Saban se mudó?)
- ¿Se han beneficiado las escuelas de los servicios de estos entrenadores?
- Una vez más, los gráficos de control de JMP muestran que dondequiera que se contrate a estos entrenadores, la buena suerte de la escuela parece mejorar.
Entonces, ¿significa esto que estos entrenadores “valen la pena” en términos de sus contratos multimillonarios?Lo dejaré para una discusión diferente.
Y si tiene curiosidad acerca de cómo se desempeñó su entrenador favorito, puede descargar sus resultados y conectarlos usted mismo a JMP, a través de Prueba gratuita de 30 días de JMP !
Apéndice A: Manipulaciones de tablas
Para convertir de la tabla que se muestra en la Figura 1 a la que se muestra en la Figura 2, primero expandí las ganancias y pérdidas de cada año en 2 columnas nuevas en la tabla de datos original y luego usé un script JSL personalizado para expandir la tabla.A continuación se ilustra una fórmula típica:
Ahora que tenía los números reales de victorias y derrotas de cada año, escribí un script JSL simple para llegar al formato final deseado.(Si está interesado en el guión, se adjunta a este blog). La ejecución de ese guión produjo la tabla de datos final (Figura 2) utilizada para el análisis de contingencia para comparar los registros W/L de la carrera de entrenador.El archivo en sí (Registros individuales del entrenador - Expanded.jmp) también se adjunta.
Apéndice B: Gráficos P por entrenador, que muestran los efectos de las escuelas:
Bob se inclina:
Chris Petersen:
Dabo Swinney:
David Shaw:
Jim Harbaugh:
Jimbo Fisher:
Joe Moglia:
Lanza Leipold:
Nick Saban:
Meyer urbano:
Apéndice C: Gráficos P por escuela, 1970 al presente, que muestran los efectos de los entrenadores:
Escuelas de Bob Stoops:
Escuelas de Chris Petersen:
Escuelas de Dabo Swinney:
Escuelas de David Shaw:
Escuelas Jim Harbaugh
Escuelas de pescadores de Jimbo:
Escuelas de Jo Moglia:
Escuelas de Lance Leipold:
Escuelas de Nick Saban:
Escuelas Urbanas Meyer:
