Bei der Beratung von Unternehmen zum Erstellen von Modellen mit ihren Daten spreche ich immer mit ihnen darüber, wie sich ihre Daten im Laufe der Zeit unterscheiden können. Gibt es beispielsweise Jahreszeiten, in denen Sie mit einem Anstieg der Grippefälle pro Tag rechnen können, oder gibt es ein wirtschaftliches Umfeld, in dem Sie mit mehr Kreditausfällen als normal rechnen können? Dies sind Beispiele für wichtige Informationen, die mit einer Herausforderung einhergehen: Wie identifizieren Sie diese Zeiträume in Ihren Daten, in denen Änderungen stattfinden? Kannst du die Veränderung erklären?
Dieses Thema steht bei der Arbeit mit Kunden immer im Vordergrund. In dieser Woche denke ich auch an das Baseballspiel, denn die Saison läuft jetzt.
Letzte Diskussionen mit einigen meiner Freunde, die Baseball-Fans sind, haben sich auf die Geschichte des Spiels konzentriert und wie verschiedene Regeln und Ereignisse das Spiel im Laufe der Zeit beeinflusst haben. Oder war das Spiel betroffen? Einige meinten, die Regeländerungen und Ereignisse hätten keine signifikanten Auswirkungen gehabt, während andere unverbindlich waren.
Als Statistiker mit Daten und Werkzeugen zur Analyse entschied ich mich für ein wenig Recherche. Mir fiel auf, dass dies eine gute Gelegenheit war, um zu veranschaulichen, wie wir die Zeiträume unterscheiden können, die von Ereignissen, Richtlinien oder Regeln betroffen sind. Wir könnten Spaß an Baseball-Daten haben und dabei berücksichtigen, dass derselbe Ansatz auch für Unternehmen in anderen Branchen gelten könnte.
Mein Ansatz
Major League Baseball (MLB) macht seine Daten über Sean Lahman (SeanLahman.com) öffentlich zugänglich. Aus seinem robusten Dateisatz baute ich eine umfassende Datenbank mit SAS-Datensätzen mit Baseball-Daten auf.
Der Ansatz, verschiedene Zeiträume (oder im Fall von Baseball, Ära) zu unterscheiden, war zweierlei: Erstens würde ich mich auf die Expertenmeinung von… mir selbst verlassen. Und zweitens würde ich eine analytische Technik untersuchen, um zu sehen, ob das Ergebnis zustimmen würde und die Meinung der Experten stützen würde - und würde es auch mehr Interessenszeiten auftauchen? Sie werden diesen zweiten Teil in einem Folgepost sehen.
Ich entwickle meine Daten gerne mit SAS Data Step und habe dies von innen heraus getan SAS Enterprise-Handbuch . Dabei entwickelte ich eine einfache Metrik, die das Runs Per Game (RPG) darstellt, und glaubte, dass dies die Metrik sein würde, die ich verwenden könnte, um Regeländerungen im Laufe der Zeit darzustellen. Man sagt, dass "Läufe die Währung des Baseballs sind", und wenn eine Regel oder ein Ereignis die normale Produktion von Läufen im Laufe der Zeit störte, sollten wir darüber reden. Ich habe den Datensatz erstellt und nahtlos an ihn gesendet JMP .
Ein Diagramm spornt die Diskussion an
Mit Graph Builder in JMP habe ich schnell eines meiner bevorzugten Mittel für analytische Kommunikation entwickelt: das Scatterplot. Hier wurde das mittlere RPG im Vergleich zum Jahr dargestellt. Sobald ich die Grafik erstellt (und sie geteilt hatte), begannen die Fragen und Beobachtungen meiner Freunde zu fließen:
Warum gab es so viele Läufe vor 1900?Warum gab es zwischen 1900 und 1920 so wenige Läufe?Warum fielen die Läufe in den frühen 1940er Jahren?Läufe stiegen nicht so stark, wie ich es in den 2000er Jahren erwartet hatte ...In welcher Ära befinden wir uns jetzt?Die Grafik entwickelte sich ein wenig, als wir diese Fragen besprachen. Hier ist das Streuungsdiagramm von Mean Runs pro Spiel durch die Geschichte des Baseballs, das diese Fragen und vieles mehr auslöste.
Ich habe die Farben und Referenzlinien hinzugefügt, da sich die Epochen des Spiels in unseren Diskussionen unterschieden. Die Mehrheit der Fragen bezog sich direkt auf Epochen, wie sie von Baseball-Historikern festgestellt wurden.
Einige der Fragen (und Antworten) lauteten wie folgt:
Warum wurden so viele Läufe vor 1900 erzielt?
Bis 1887 konnte der Teig im Wesentlichen die Tonhöhe nennen (dh „hoch“ oder „niedrig“), und der Werfer war verpflichtet, sich daran zu halten.Bis 1885 wurden "flache" Fledermäuse verwendet.Bis 1883 wurden Pitches unterhalb der Taille gestartet und hatten eine geringere Geschwindigkeit.Bis 1877 gab es "recht schlechte Fouls", bei denen Bälle, die vor der ersten oder dritten Basis "Inbounds" und "Treten" könnten, als Treffer betrachtet wurden (heute werden sie als Foul Balls bezeichnet).Diese Ära wurde als „19 th Jahrhundert-Ära. "Warum wurden zwischen 1900 und 1920 so wenige Läufe erzielt?
Viele Hersteller produzierten Basebälle mit schlechten und inkonsistenten Spezifikationen.Die Teams verwendeten den gleichen Ball buchstäblich, bis das Cover abging - es wurde schmutzig und schwer zu erkennen.Diese Ära wurde als "Dead Ball Era" bezeichnet.Was ist passiert, um die Serienproduktion nach 1920 zu steigern?
Nachdem Ray Chapman von einem Spielfeld getroffen und getötet wurde, begann der Baseball mit sauberen Bällen. Zeugen sagten aus, dass Chapman nicht einmal zusammenzuckte, was die meisten zu der Annahme führte, dass er den Ball nicht gesehen hatte.Homerun-Hitter wie Babe Ruth tauchten auf.Durch die konsequente Herstellung (mit gleichmäßigen Gummikernen) ließen sich die Baseballs leichter von den Fledermäusen lösen.Diese Ära wurde als "Live Ball Era" bezeichnet.Was ist in den frühen 1940ern passiert? Es scheint, dass die Läufe wieder abgefallen sind.
Ersatzspieler spielten die Spiele, als "die Stammgäste" während des Zweiten Weltkriegs zum Militär kamen.Diese Periode wird nicht immer als Ära bezeichnet, sondern als "Kriegsjahre" bezeichnet.Fragen sprudelten weiter
Die Diskussion wurde in vielen interessanten Richtungen fortgesetzt, zum Beispiel:
Die Ära von 1947 bis 1962 wird als "Integrationsjahre" bezeichnet, als Jackie Robinson am 15. April 1947 zu den Dodgers kam.Die Ära, die 1963 beginnt, verblüfft noch immer Baseball-Historiker, wie sie sich nennen soll oder wie viele Epochen von 1963 bis heute existieren könnten. Hier sind einige Ereignisse und Regeländerungen, die das Spiel seit 1963 beeinflusst haben:Die Liga wuchs von 16 auf 30 Teams, verwässerte das Talent zwischen den Teams und veranlasste viele, diesen gesamten Zeitraum von 1963 bis zur "Erweiterungszeit" zu bezeichnen.Die American League führte 1973 den "Designated Hitter" in das Spiel ein, was einige auf die Zeit von 1973 bis zur Gegenwart als "Designated Hitter Era" zurückführte.Gerüchte über Spieler, die leistungssteigernde Medikamente einnahmen, tauchten Mitte der 1990er-Jahre auf und führten dazu, dass 1995 bis 2009 die "Steroid-Ära" genannt wurde.Das Coole an all dieser "Entdeckung" ist, dass sie aus dem anfänglichen Streudiagramm stammte und die Identifizierung von scheinbar jahrelangen Clustern mit ähnlichem RPG. Da wir Cluster von Jahren mit ähnlicher Serienproduktion identifiziert haben, haben wir entweder den Grund für das Cluster erklärt oder als Zeitspanne mit einer Änderung aufgrund einer unbekannten Ursache festgestellt (und freuten uns auf die weitere Erforschung!).
Nächste Woche werden wir mithilfe von Analysen versuchen, diese Zeitabschnitte zu bestätigen und möglicherweise weitere Perioden aufzudecken, die es wert sind, untersucht zu werden.
Möchten Sie mehr sehen? Dieses Schritt-für-Schritt-Video zeigt, wie ich das Diagramm in Graph Builder erstellt habe:
https://youtu.be/gi1bn5qd79g
