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?Wie vergleicht man die Leistung eines Fußballtrainers?
Wir sind wieder einmal am Ende einer weiteren College-Football-Saison. Die regulären Saisons sind beendet und Konferenzmeisterschaften wurden abgehalten. Die Bowl-Saison wartet!
Als ich mir kürzlich ein Spiel ansah, fragte ich mich, welche Top-Trainer es heute in diesem Spiel gibt. Gibt es einen Unterschied zwischen den Erfolgsquoten dieser Trainer in ihrer Karriere? Gewinnen diese Trainer im Laufe der Zeit konstant oder gibt es „Schluckaufe“ in ihrer Karriere? Machen sie einen Unterschied in der Gewinnquote ihrer Schulen, oder sind die Schulen nur so ständige Kraftpakete, dass Cheftrainer keinen großen Unterschied machen?
Ich beschloss, einen Blick darauf zu werfen.
Datenquelle
Aufzeichnungen über College-Football-Trainer sind aus vielen Quellen verfügbar, darunter Wikipedia.com, NCAA.org und ESPN.com. Ich begann mit den 10 aktiven Trainern nach Gewinnquote, musste aber zwei eliminieren, weil sie weniger als 50 Spiele trainiert hatten.
Die Liste der Top-10-Trainer umfasste einige Namen, die normalerweise nicht zu den „Schwergewichten“ gezählt würden, die aber eine hervorragende Sieges-/Niederlagebilanz vorweisen konnten: Joe Moglia aus Coastal Carolina und Lance Leipold aus Buffalo. Es wird interessant sein zu sehen, wie sie in der Analyse abschneiden.
Ich habe dann willkürlich Bob Stoops aus Oklahoma (der kürzlich in den Ruhestand ging) und Jim Harbaugh aus Michigan hinzugefügt, um die zehn Trainer abzurunden. (Dies ist nur eine Liste, die ich mir ausgedacht habe … Ich habe nicht vor, ein bestimmtes Programm herabzusetzen!
Zu meiner Trainerliste gehören:
- Nick Saban (Cheftrainer bei Toledo, Michigan State, LSU und Alabama)
- David Shaw (Stanford)
- Chris Peterson (Bundesstaat Boise, Washington)
- Urban Meyer (Bowling Green State, Utah, Florida und Ohio State)
- Jimbo Fisher (Bundesstaat Florida, Texas A&M)
- Dabo Swinney (Clemson)
- Bob Stoops (Oklahoma)
- Jim Harbaugh (Michigan)
- Joe Moglia (Coastal Carolina)
- Lance Leipold (Wisconsin-Whitewater und Buffalo)
Ich habe Internet Open in verwendet JMP um die Daten zu sammeln und dann verschiedene Datenvorbereitungstools in JMP zu verwenden, um die Daten für die Analyse zusammenzustellen. Ich werde die Datenformate erwähnen, die für jede der unten genannten Analysen erforderlich sind.
F1: Gibt es einen Unterschied in der Erfolgsquote der Top-Trainer?
Um diese Frage zu beantworten, möchten wir die Erfolgsquoten einzelner Trainer in ihrer Karriere vergleichen. Da „Coach“ unser kategorialer Eingabefaktor sein könnte (mit 10 Stufen, eine für jeden Coach) und „Winning Percentage“ unsere Antwortvariable ist, könnten wir versucht sein, eine ANOVA durchzuführen. ANOVA würde für jeden Trainer unterschiedliche „Stichprobengrößen“ (d. h. trainierte Spiele) korrigieren und einen F-Test durchführen, um Unterschiede zu identifizieren.
Dies wäre in Ordnung, wenn die Ausgabeprozentsätze normalverteilt wären. Die Gewinnprozentsätze sind jedoch auf 0 % und 100 % begrenzt (dh es handelt sich um eine Binomialverteilung). Eine geeignetere Analyse für diese Daten ist eine Chi-Quadrat-Analyse.
JMP verfügt über eine Chi-Quadrat-Analyse, die in die Fit Y by X-Plattform und auch in die Verbraucherforschung/Kategorialanalyse in JMP integriert ist. Die kategoriale Analyseplattform ist vollständiger und flexibler. Sie führt die Chi-Quadrat-Analyse durch und berücksichtigt nicht nur, ob es einen Unterschied im Gewinnprozentsatz zwischen den beiden gibt beliebig der Karrierebilanz unseres Trainers, sondern auch welche unserer Trainer unterscheiden sich von denen anderer.
Bevor ich die Analyse durchführen konnte, musste ich einige Änderungen am Datenformat vornehmen. Der Originaldatensatz sah so aus:
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.) Abbildung 1: Individuelle Aufzeichnungen des Trainers, Vorabänderungen. (Datei an den Beitrag angehängt.) Was JMP für die Analyse benötigt, ist eine Zeile für jedes gespielte Spiel, einschließlich einer Angabe, ob das Spiel gewonnen oder verloren wurde. Das Endergebnis sah so aus:
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.Abbildung 2: Individuelle Aufzeichnungen des Trainers, erweitert auf eine Zeile pro Spiel.
Um von der ersten Tabelle in die zweite zu konvertieren, habe ich zunächst die Gewinne und Verluste jedes Jahres in zwei neue Spalten in der ursprünglichen Datentabelle erweitert und dann ein benutzerdefiniertes JSL-Skript verwendet, um die Tabelle zu erweitern. Einzelheiten dazu finden Sie in Anhang A.
Um die Frage zu beantworten, habe ich mich für die Verwendung der Categorical-Plattform in den Consumer Research-Tools in JMP entschieden.
A1: Unterscheiden sich diese Trainerbilanzen und sind einige Trainer besser als andere?
Wenn wir die neu formatierte Datentabelle über die Consumer Research-Tools in JMP (insbesondere die Categorical-Plattform) ausführen, erhalten wir die in Abbildung 3 gezeigten Ergebnisse.
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.Abbildung 3: Kontingenzanalyse der Karriereerfolgsquoten von Trainern.
Die Kontingenztabelle in Abbildung 3 zeigt die zusammenfassenden Statistiken (Siege und Niederlagen), die Gesamtzahl der Spiele (oder Antworten) und die prozentualen Siege und Niederlagen für jeden Trainer. (Siehe die rote Ellipse in Abbildung 3 mit der Bezeichnung Nr. 1.) Diese Prozentsätze werden im Balkendiagramm unter der Tabelle grafisch dargestellt.
Beachten Sie unter dem Balkendiagramm den Pearson PV-Wert (rote Ellipse mit der Beschriftung Nr. 2). Der Wert beträgt 0,023. Unser Interesse besteht darin, Unterschiede mit einer Sicherheit von mindestens 95 % zu erkennen. Da der PV-Wert weniger als 0,05 beträgt, sind wir zu 95 % sicher, dass zwischen mindestens einem der W/L-Rekorde dieses Trainers und den übrigen Trainern ein Unterschied besteht.
Doch welche Trainer unterscheiden sich von welchen anderen? Eine einfache Auswertung wäre, sich einfach die W/L-Prozentsätze anzusehen und die Reihenfolge entsprechend festzulegen. Dabei wird jedoch nicht die unterschiedliche Stichprobengröße für jeden Trainer berücksichtigt.
Dazu schauen wir uns die Ausgabetabelle in Abbildung 3 an. Jeder Trainer erhält eine alphabetische Bezeichnung (A bis J; siehe rote Ellipse mit der Bezeichnung Nr. 3). Darüber hinaus gibt es eine Spalte mit der Bezeichnung „Vergleichen“ (siehe rote Ellipse mit der Bezeichnung Nr. 4). In dieser Spalte sind die „Briefe“ verschiedener Trainer aufgeführt. Beispielsweise ist der Buchstabe in der Vergleichsspalte neben Bob Stoops ein „E“ und bezieht sich auf Trainer E, also Jim Harbaugh. Dies deutet darauf hin, dass Bob Stoops‘ W/L-Rekord (79,8 % Siege) sich statistisch gesehen von dem von Jim Harbaugh (66,3 %) im Laufe ihrer Karriere unterscheidet.
Da jedoch „E“ der einzige Buchstabe neben Bob Stoops ist, gibt es keine anderen Trainer, deren Bilanz sich von der von Stoops unterscheidet.
Ebenso haben Dabo Swinney und Lance Leipold bessere Bilanzen als die von Harbaugh.
Beachten Sie, dass Jimbo Fisher vor seinem Namen ein kleines „e“ steht. Während die Großbuchstaben eine 95-prozentige Sicherheit bedeuten, dass es einen Unterschied zwischen zwei Traineraufzeichnungen gibt, bedeuten Kleinbuchstaben nur eine 90-prozentige Sicherheit. Unter Berücksichtigung der Rekorde und der Gesamtzahl der trainierten Spiele sind wir also nur zu 90 % davon überzeugt, dass Fishers Rekord besser ist als der von Harbaugh.
Wenn man sich ausschließlich an den W/L-Rekorden orientiert, sticht Urban Meyer unter diesen Trainern hervor, denn er ist zu 95 % davon überzeugt, dass seine Bilanz besser ist als die von David Shaw, Harbaugh und Joe Moglia, und zu 90 % davon, dass seine Bilanz besser ist als die von Fisher. Wir können nicht (mit mindestens 90-prozentiger Sicherheit) sagen, dass sich seine Bilanz von der Bilanz der anderen Trainer unterscheidet.
F2: Sind die Erfolge der Trainer über ihre einzelnen Karrieren hinweg konsistent?
Ich wollte auch wissen, ob diese Trainer im Laufe der Zeit konsistente W/L-Rekorde hatten (auch bei einem Schulwechsel) oder ob sie (zum Beispiel) mit der Zeit besser wurden. Hierzu habe ich auf die Qualitäts- und Prozesstools in JMP zurückgegriffen.
Was Frage 1 (oben) betrifft, haben wir es mit Prozentsätzen (also Binomialverteilungen) zu tun. Anstatt typische Kontrolldiagramme für normalverteilte Daten zu erstellen, wenden wir uns daher einem „P-Diagramm“ zu.
Die P-Charts erfordern einen Gewinnprozentsatz für jeden Trainer pro Jahr. Ich habe für diese Analyse die ursprüngliche Datentabelle verwendet, sie um Spalten für die Anzahl der Siege und Verluste jedes Jahres erweitert und zwei zusätzliche Spalten hinzugefügt:
- Eine enthielt eine Formel für den Gewinnprozentsatz.
- Der zweite Wert war eine Summe aus W+L (d. h. die Gesamtzahl der pro Jahr trainierten Spiele).
Anschließend habe ich die Plattform „Quality and Process/Control Chart/P“ verwendet, um die Diagramme zu erstellen.
A2: Sind die Leistungen der Trainer über ihre individuelle Karriere hinweg konsistent?
Mit der Gewinnquote als Antwort, der Anzahl der Spiele als Stichprobengröße, dem Jahr als Stichprobenbezeichnung und dem Namen des Trainers als „Nach“-Variable habe ich P-Diagramme für jeden Trainer erstellt. Anhang B zeigt alle Diagramme. Werfen wir einen Blick auf Nick Sabans Chart:
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.Abbildung 4: P-Diagramm der Coaching-Ergebnisse von Nick Saban.
Hier sehen wir, dass Saban seit 1994 als Trainer tätig ist. Die roten Linien im Diagramm zeigen „Kontrollgrenzen“ an, also die Grenzen, innerhalb derer ein Prozess als „unter Kontrolle“ gilt. Das obere Kontrolllimit wird auf einen Wert von 1,0 (oder 100 % gewonnene Spiele) begrenzt. Die untere Grenze variiert zwischen 0,4 und 0,5. Beachten Sie, dass die Variation durch die unterschiedliche Anzahl der pro Saison trainierten Spiele verursacht wird. Ebenfalls aufgeführt ist Sabans Karrieregewinnquote (0,792).
Es scheint einen Aufwärtstrend in Sabans Bilanz zu geben, beginnend etwa im Jahr 2008 (nach seinem Beitritt zu Alabama). Wir können dem P-Diagramm eine „Phase“ hinzufügen, die die Schule angibt, an der er trainiert hat:
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.”Abbildung 5: P-Diagramm der Coaching-Ergebnisse von Nick Saban, einschließlich Schulanmerkung als „Phase“. Jetzt sehen wir, dass sich Sabans Bilanz verbessert hat (sowohl im Durchschnitt als auch in der Variation), als er von Michigan State an die LSU nach Alabama zog. Beachten Sie auch, dass sein erstes Jahr bei 'Bama eine außer Kontrolle geratene „Verirrung“ zu sein scheint.
Ein Blick auf die anderen Diagramme (Anhang 
zeigt ähnliche Diagramme für andere Trainer, mit gelegentlichen „außer Kontrolle“-Jahren und Abweichungen von Schule zu Schule.
F3: Verbessert die Einbeziehung eines bestimmten Trainers die allgemeine W/L-Bilanz einer Schule?
Wie in der Diskussion über die Trainerkonstanz erwähnt, scheint der Wechsel nach Alabama gut für die Bilanz von Nick Saban gewesen zu sein. Lässt sich das Gleiche auch vom Erfolg der Schule sagen? Mit anderen Worten: Können wir sagen, dass Alabama von der Einstellung von Nick Saban profitiert hat?
Dies ist wieder eine P-Chart-Frage, aber wir müssen die Achsen umdrehen. Zuerst habe ich alle W/L-Aufzeichnungen für alle Schulen heruntergeladen, die von einem der 10 Trainer in dieser Studie trainiert wurden. Ich bin bis ins Jahr 1970 zurückgekehrt. Dies führte zu einer Datentabelle mit den Spalten Schulname, Jahr, Trainername, gespielte Spiele und Gewinnprozentsatz. Ich habe eine Spalte mit dem Titel „Top Coach?“ hinzugefügt. das enthielt:
- Ein Punkt („.“) für jede Schule/jedes Jahr, das nicht von einem meiner 10 Trainer trainiert wurde.
- Der Name des Trainers, wenn der Trainer in dieser Schule/diesem Jahr einer meiner 10 Trainer war.
Ich habe auch „Farbe nach Zeilenstatus“ verwendet, um alle Zeilen rot zu färben, in denen die Schule/das Jahr von einem meiner 10 Trainer trainiert wurde. Dies trug dazu bei, diese bestimmten Jahre in den Kontrollkarten hervorzuheben.
A3: Verbessert die Einbeziehung eines bestimmten Trainers die allgemeine W/L-Bilanz einer Schule?
Die P-Charts wurden erstellt mit:
- Prozess = Gewinnprozentsatz
- Musteretikett = Jahr
- Phase = Name des Trainers
- Von = Schulname
- Stichprobengröße = Gesamtzahl der Spiele pro Jahr
Anhang 3 enthält alle diese Diagramme. Da Urban Meyer im Laufe seiner Trainerkarriere mehrere verschiedene Schulen bereist hat, werfen wir einen Blick auf seine Ergebnisse:
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.Abbildung 6: Urban Meyers Coaching-Geschichte an verschiedenen Schulen. Wenn wir uns die Diagramme in Abbildung 6 ansehen, sehen wir, dass die Gewinnquote jeder Schule konstant höher war, während Meyer in der Stadt war. Es scheint also, dass Meyer gut für die Einstellungsschule war. Ähnliche Ergebnisse wurden für andere Trainer in meiner Liste erzielt.
Zusammenfassung
Wir haben uns in dieser Studie drei Fragen angesehen:
- Gibt es einen Unterschied in den Gewinnquoten zwischen diesen zehn siegreichen Trainern?
- Die Ergebnisse der Consumer Research/Categorical-Plattform von JMP deuten darauf hin, dass es zumindest zwischen bestimmten Trainern Unterschiede in ihren Erfolgsbilanzen gibt.
- Hatten die Trainer im Laufe der Zeit eine konstante Erfolgsbilanz?
- Die Qualitätstools/Kontrolltabellen von JMP zeigten, dass diese Trainer nicht nur im Allgemeinen konstant gewinnen, sondern es scheint auch einen Effekt zu geben, dass die „Schule“ in die Ergebnisse einfließt. Beispielsweise verbesserte sich das Vermögen von Nick Saban, als er nach Alabama zog.(Oder hat sich Alabamas Zustand verbessert, als Saban einzog??)
- Haben die Schulen von den Diensten dieser Trainer profitiert?
- Auch hier zeigen die Kontrolldiagramme von JMP, dass sich die Lage der Schule zu verbessern scheint, wo auch immer diese Trainer eingesetzt werden.
Bedeutet das also, dass diese Trainer im Hinblick auf ihre millionenschweren Verträge „ihr Geld wert“ sind?Ich überlasse das einer anderen Diskussion.
Und wenn Sie neugierig sind, wie sich Ihr Lieblingstrainer geschlagen hat, können Sie seine Ergebnisse gerne herunterladen und selbst in JMP einbinden Die kostenlose 30-Tage-Testversion von JMP !
Anhang A: Tabellenmanipulationen
Um von der in Abbildung 1 gezeigten Tabelle in die in Abbildung 2 gezeigte zu konvertieren, habe ich zunächst die Gewinne und Verluste jedes Jahres in zwei neue Spalten in der ursprünglichen Datentabelle erweitert und dann ein benutzerdefiniertes JSL-Skript verwendet, um die Tabelle zu erweitern.Eine typische Formel ist unten dargestellt:
Nachdem ich nun die tatsächlichen Zahlen für Siege und Niederlagen für jedes Jahr hatte, schrieb ich ein einfaches JSL-Skript, um zum endgültigen gewünschten Format zu gelangen.(Wenn Sie an dem Skript interessiert sind, finden Sie es im Anhang dieses Blogs.) Durch die Ausführung dieses Skripts wurde die endgültige Datentabelle (Abbildung 2) erstellt, die für die Notfallanalyse zum Vergleich der W/L-Aufzeichnungen der Trainerkarriere verwendet wurde.Die Datei selbst (Coach's Individual Records – Expanded.jmp) ist ebenfalls beigefügt.
Anhang B: P-Charts nach Trainer, die die Auswirkungen von Schulen zeigen:
Bob Stoops:
Chris Petersen:
Dabo Swinney:
David Shaw:
Jim Harbaugh:
Jimbo Fisher:
Joe Moglia:
Lance Leipold:
Nick Saban:
Urban Meyer:
Anhang C: P-Charts nach Schule von 1970 bis heute, die die Auswirkungen von Trainern zeigen:
Bob Stoops Schulen:
Chris Petersen Schulen:
Dabo Swinney Schulen:
David Shaw-Schulen:
Jim Harbaugh Schulen
Jimbo Fisher-Schulen:
Jo Moglia Schulen:
Lance-Leipold-Schulen:
Nick Saban Schulen:
Urban Meyer Schulen:
