Al consultar con las compañías sobre la construcción de modelos con sus datos, siempre les hablo sobre cómo sus datos pueden diferenciarse a lo largo del tiempo. Por ejemplo, ¿hay temporadas en las que podría esperar un aumento en los casos de gripe por día o hay un entorno económico en el que podría esperar más impagos de préstamos de lo normal? Estos son ejemplos de piezas clave de información que vienen con un desafío: ¿Cómo identifica estos períodos en sus datos donde ocurre el cambio? Y, ¿puedes explicar el cambio?
Este tema siempre está en primer lugar cuando trabajo con clientes. Esta semana, el juego de béisbol también está en mi mente, ya que la temporada ya está en marcha.
Las discusiones recientes con algunos de mis amigos que son fanáticos del béisbol se han centrado en la historia del juego y en cómo varias reglas y eventos afectaron al juego a lo largo del tiempo. ¿O había sido afectado el juego? Algunos pensaron que los cambios y los eventos de la regla no podrían haber tenido un impacto significativo, mientras que otros no se comprometieron.
Como estadístico con datos y herramientas para analizarlo, decidí investigar un poco. Se me ocurrió que esta era una buena oportunidad para ilustrar cómo podemos discernir los períodos de tiempo que han sido afectados por eventos, políticas o reglas. Podríamos divertirnos con los datos de béisbol teniendo en cuenta que el mismo enfoque podría aplicarse a negocios en otras industrias.
Mi acercamiento
Major League Baseball (MLB) hace públicos sus datos a través de Sean Lahman (SeanLahman.com). A partir de su robusto conjunto de archivos, construí una base de datos completa de conjuntos de datos SAS con datos de béisbol.
El enfoque para discernir diferentes períodos de tiempo (o en el caso del béisbol, eras) fue doble: primero, confiaría en la opinión experta de ... yo mismo. Y segundo, exploraría una técnica analítica para ver si el resultado estaría de acuerdo y apoyaría la opinión de los expertos, y también, ¿aparecería más periodos de interés? Verás esta segunda parte en un post de seguimiento.
Me gusta desarrollar mis datos utilizando SAS Data Step, y lo hice desde dentro SAS Enterprise Guide . Al hacerlo, desarrollé una métrica simple que representa las carreras por juego (RPG), creyendo que esa sería la métrica que podría usar para representar los cambios en las reglas a lo largo del tiempo. Se ha dicho que "las carreras son la moneda del béisbol", y si una regla o un evento interrumpe la producción normal de las carreras a lo largo del tiempo, ¡deberíamos discutirlo! Construí el conjunto de datos y lo envié sin problemas a JMP .
Un gráfico estimula la discusión.
Al usar Graph Builder en JMP, rápidamente creé uno de mis medios favoritos de comunicación analítica: el diagrama de dispersión. Este contó con el RPG medio en comparación con el año. Y, tan pronto como construí el gráfico (y lo compartí), las preguntas y observaciones de mis amigos comenzaron a fluir:
¿Por qué había tantas carreras antes de 1900?¿Por qué hubo tan pocas carreras entre 1900 y 1920?¿Por qué se cayeron las carreras a principios de la década de 1940?Las carreras no subieron tanto como esperaba en la década de 2000 ...¿En qué época estamos ahora?La gráfica evolucionó un poco mientras discutíamos estas preguntas. Aquí está el diagrama de dispersión de Mean Runs Per Game a través de la historia del béisbol que provocó estas preguntas y muchas más.
Agregué los colores y las líneas de referencia, ya que las épocas del juego se diferenciaron en nuestras discusiones. La mayoría de las preguntas están directamente relacionadas con las épocas identificadas por los historiadores del béisbol.
Algunas de las preguntas (y respuestas) fueron las siguientes:
¿Por qué hubo tantas carreras anotadas antes de 1900?
Hasta 1887, el bateador podía esencialmente llamar el lanzamiento (es decir, "alto o bajo"), y el lanzador estaba obligado a cumplir.Hasta 1885 se utilizaron murciélagos "planos".Hasta 1883, los lanzamientos se lanzaban por debajo de la cintura y tenían menos velocidad.Hasta 1877, hubo "golpes de falta justa" donde las bolas que podrían golpear dentro de los límites y "patear" antes de que la primera o la tercera base se consideraran hits (hoy se llaman bolas de falta).Esta era era conocida como la “19 th Era del siglo.¿Por qué hubo tan pocas carreras anotadas desde 1900 hasta 1920?
Muchos fabricantes produjeron pelotas de béisbol con especificaciones deficientes e inconsistentes.Los equipos usaron la misma bola literalmente hasta que se quitó la tapa, se volvió sucia y difícil de ver.Esta era era conocida como la "era de la bola muerta".¿Qué pasó para aumentar la producción de carreras después de 1920?
Después de que Ray Chapman fue golpeado y asesinado por un lanzamiento, el béisbol comenzó a usar bolas limpias. Los testigos declararon que Chapman ni siquiera se inmutó, lo que llevó a la mayoría a creer que no había visto acercarse el balón.Los bateadores de jonrones como Babe Ruth emergieron.La fabricación consistente (con núcleos de goma consistentes) hizo que las pelotas de béisbol salieran de los murciélagos más fácilmente.Esta era era conocida como la "Era de la pelota en vivo".¿Qué pasó a principios de la década de 1940? Parece que las carreras se cayeron de nuevo.
Los jugadores de reemplazo jugaron los juegos como "los regulares" se unieron al ejército durante la Segunda Guerra Mundial.Este período no siempre se conoce como una era, sino que se conoce como los "años de la guerra".Las preguntas siguieron burbujeando ...
La discusión continuó en muchas direcciones interesantes, por ejemplo:
La era de 1947 a 1962 se conoce como los "años de integración", ya que Jackie Robinson se unió a los Dodgers el 15 de abril de 1947.La era que comienza en 1963 todavía deja perplejos a los historiadores del béisbol sobre cómo llamarlo, o incluso cuántas épocas pueden existir desde 1963 hasta el presente. Estos son algunos de los eventos y cambios de reglas que han afectado al juego desde 1963:La liga se expandió de 16 a 30 equipos, diluyendo efectivamente el talento entre los equipos y motivando a muchos a referirse a todo este período desde 1963 hasta el presente como la "Era de la Expansión".La Liga Americana instituyó el "Bateador Designado" en el juego en 1973, lo que llevó a algunos a referirse al período desde 1973 hasta el presente como la "Era del Bateador Designado".A mediados de la década de 1990 surgieron rumores de jugadores que usaban drogas para mejorar el rendimiento, lo que dio lugar a que algunos llamaran de 1995 a 2009 la "Era de los esteroides".Lo bueno de todo este "descubrimiento" es que sucedió desde el diagrama de dispersión inicial, y la identificación de lo que parecen ser grupos de años con RPG similares. Cuando identificamos grupos de años con una producción similar, explicamos la razón detrás del grupo o lo notamos como un período de tiempo en el que un cambio se debe a una causa desconocida (¡y esperamos seguir investigándolo!).
La próxima semana, usaremos los análisis para intentar confirmar estas eras del juego y, posiblemente, descubrir más períodos que vale la pena investigar.
¿Interesado en ver más? Este video paso a paso muestra cómo creé el gráfico en Graph Builder:
https://youtu.be/gi1bn5qd79g
