En consultant les entreprises sur la construction de modèles avec leurs données, je leur parle toujours de la manière dont leurs données peuvent se différencier dans le temps. Par exemple, y a-t-il des saisons au cours desquelles vous pourriez vous attendre à une augmentation du nombre de cas de grippe par jour, ou y a-t-il un environnement économique dans lequel vous pourriez vous attendre à plus de défaillances de prêt que la normale? Voici des exemples d'informations clés associées à un défi: Comment identifiez-vous ces périodes dans vos données où des changements se produisent? Et pouvez-vous expliquer le changement?
Ce sujet est toujours une priorité lorsque je travaille avec des clients. Cette semaine, le baseball me préoccupe également, car la saison est en cours.
Les discussions récentes avec certains de mes amis fans de baseball ont porté sur l'historique du jeu et sur l'impact de diverses règles et événements sur le jeu au fil du temps. Ou le jeu avait-il été affecté? Certains pensaient que les changements de règles et les événements n'auraient pas pu avoir un impact significatif, tandis que d'autres étaient sans engagement.
En tant que statisticien disposant de données et d'outils d'analyse, j'ai décidé de faire un peu de recherche. Je me suis dit que c’était une bonne occasion d’illustrer comment nous pourrions distinguer les périodes qui ont été affectées par des événements, des règles ou des règles. Nous pourrions nous amuser avec les données de baseball tout en gardant à l’esprit que la même approche pourrait s’appliquer aux entreprises d’autres secteurs.
Mon approche
La Ligue majeure de baseball (MLB) rend ses données accessibles au public par l’intermédiaire de Sean Lahman (SeanLahman.com). À partir de son ensemble de fichiers robuste, j'ai construit une base de données complète d'ensembles de données SAS contenant des données de baseball.
L’approche utilisée pour distinguer différentes périodes (ou dans le cas du baseball, des époques) était double: premièrement, je me fie à l’expertise de… moi-même. Deuxièmement, j'explorerais une technique analytique pour voir si le résultat conviendrait et corroborerait l'opinion des experts - et aussi, ferait-il apparaître plus de périodes d'intérêt? Vous verrez cette seconde partie dans un post de suivi.
J'aime développer mes données à l'aide de SAS Data Step, et ce depuis l'intérieur. SAS Enterprise Guide . Ce faisant, j'ai développé une métrique simple représentant le jeu de rôle (RPG), pensant que ce serait la métrique que je pourrais utiliser pour représenter les changements de règles au fil du temps. Il a été dit que «les courses sont la devise du baseball» et si une règle ou un événement perturbait la production normale de courses au fil du temps, nous devrions en discuter! J'ai construit le jeu de données et l'ai envoyé de manière transparente à JMP .
Un graphique suscite la discussion
En utilisant Graph Builder dans JMP, j'ai rapidement créé l'un de mes moyens de communication analytique préférés: le nuage de points. Celui-ci présentait le RPG moyen par rapport à l'année. Et, dès que j'ai construit le graphique (et que je l'ai partagé), les questions et observations de mes amis ont commencé à couler:
Pourquoi y avait-il autant de pistes avant 1900?Pourquoi y a-t-il si peu de pistes entre 1900 et 1920?Pourquoi les pistes sont-elles tombées au début des années 1940?Les courses n'ont pas augmenté autant que prévu dans les années 2000…À quelle époque sommes-nous maintenant?Le graphique a évolué un peu au fur et à mesure que nous discutions de ces questions. Voici le diagramme de dispersion des exécutions moyennes par match à travers l’histoire du baseball qui a suscité ces questions et bien d’autres.
J'ai ajouté les couleurs et les lignes de références car les ères du jeu ont été différenciées dans nos discussions. La majorité des questions concernaient directement les époques identifiées par les historiens du baseball.
Certaines des questions (et réponses) étaient les suivantes:
Pourquoi y a-t-il eu autant de points marqués avant 1900?
Jusqu'en 1887, le frappeur pouvait essentiellement appeler le lancer (c.-à-d. «Haut ou bas») et le lanceur était obligé de se conformer.Jusqu'en 1885, les chauves-souris «plates» étaient utilisées.Jusqu'en 1883, les lancements étaient lancés sous la taille et avaient moins de vélocité.Jusqu'en 1877, il y avait des «coups francs» où les balles susceptibles de toucher les allées et les «coups de pied» avant le premier ou le troisième but étaient considérées comme des coups (aujourd'hui, elles sont appelées balles sans faute).Cette époque était connue sous le nom de «19 th Siècle ère. "Pourquoi y a-t-il si peu de points marqués de 1900 à 1920?
De nombreux fabricants ont produit des balles de baseball avec des spécifications médiocres et incohérentes.Les équipes ont utilisé littéralement le même ballon jusqu'à ce que la couverture se détache - elle est devenue sale et difficile à voir.Cette époque était connue sous le nom de «Dead Ball Era».Qu'est-il arrivé d'augmenter la production après 1920?
Après que Ray Chapman ait été touché et tué par un lancer, le baseball a commencé à utiliser des balles propres. Des témoins ont déclaré que Chapman n’avait même pas bronché, ce qui a amené la plupart des gens à penser qu’il n’avait pas vu la balle s’approcher.Des frappeurs maison comme Babe Ruth ont émergé.Une fabrication cohérente (avec des noyaux en caoutchouc uniformes) a permis aux balles de base-ball de sortir plus facilement des chauves-souris.Cette époque était connue sous le nom de «Live Ball Era».Que s'est-il passé au début des années 1940? Il semble que les courses soient tombées à nouveau.
Les remplaçants ont joué aux jeux en tant que «membres réguliers» ont rejoint l’armée durant la Seconde Guerre mondiale.Cette période n’est pas toujours qualifiée d’ère, mais est appelée «années de guerre».Les questions ont continué à bouillonner…
La discussion s'est poursuivie dans de nombreuses directions intéressantes, par exemple:
L’ère de 1947 à 1962 est appelée «années d’intégration», Jackie Robinson ayant rejoint les Dodgers le 15 avril 1947.La période qui commence en 1963 continue de priver les historiens du baseball de ce qu’il faut appeler, ou même du nombre de périodes pouvant exister de 1963 à nos jours. Voici quelques événements et changements de règles qui ont affecté le jeu depuis 1963:La ligue est passée de 16 à 30 équipes, ce qui a dilué efficacement le talent des équipes et incité de nombreuses personnes à parler de toute cette période de 1963 à aujourd'hui comme «l'ère de l'expansion».La Ligue américaine a introduit le «frappeur désigné» dans le jeu en 1973, ce qui a amené certains à se référer à la période de 1973 à nos jours comme «l'ère des frappeurs désignés».Des rumeurs selon lesquelles des joueurs utilisant des drogues améliorant la performance ont fait surface ont été évoquées au milieu des années 90, ce qui a conduit certains à appeler de 1995 à 2009 «l'ère des stéroïdes».Ce qui est génial avec toute cette "découverte", c’est que cela s’est passé à partir du diagramme de dispersion initial et de l’identification de ce qui semble être des grappes d’années avec un RPG similaire. Lorsque nous avons identifié des grappes d'années avec une production similaire, nous avons soit expliqué la raison de la grappe, soit noté une période de changement, due à une cause inconnue (et nous avions hâte de faire d'autres recherches!).
La semaine prochaine, nous utiliserons l’analyse pour tenter de confirmer ces époques du jeu et, éventuellement, pour découvrir d’autres périodes dignes d’être explorées.
Envie d'en voir plus? Cette vidéo pas à pas montre comment j'ai créé le graphique dans Graph Builder:
https://youtu.be/gi1bn5qd79g
