En ce qui concerne le football universitaire, la saison régulière touche à sa fin et dans quelques jours, nous saurons quelles équipes participeront à quels matchs de fin de saison. Bien que certaines affectations de bol soient déterminées par une formule, chaque bol a souvent le choix entre plusieurs équipes à inviter à jouer. Certaines équipes ont la réputation de "bien voyager", ce qui signifie qu'elles ont une base de fans capable d'augmenter le nombre de spectateurs lors de matchs éloignés ou d'attirer un large public de télé. Par exemple, considérons cet article de blog commentaire en ce qui concerne l'Ohio State:
Buckeye Nation bien voyager est un euphémisme. Nous sommes les meilleurs fans de football universitaire au pays.
Je me demandais si les chiffres corroboraient la réputation et cherchaient à recueillir des données sur les présences et les cotes d'écoute de la télévision. J'ai mis en place 11 années de données sur les jeux de bol, principalement de bcsfootball.org avec des trous comblés à partir de sites Web individuels. Comme souvent, le nettoyage des données était une entreprise majeure. J'ai utilisé la fonctionnalité Recode dans JMP normaliser les noms d’équipes («Connecticut» ou «UConn») et les noms de bol. Les noms de bols sont particulièrement délicats car les noms réels changent parfois au fil des ans et parfois le même nom a été utilisé pour différents bols (“ Bol de soin de voiture Meineke ”Est un exemple). J'ai utilisé le complément JMP Geocoder pour déterminer les emplacements permettant de calculer les distances de déplacement.
Plus de variables seraient sûrement utiles, bien que j'espère que le bol lui-même sert de proxy pour des variables telles que classement par équipe (puisque chaque bol se trouve dans une fente assez stable dans l'ordre hiérarchique du bol). En regardant des modèles qui incluent Année , bol , Année * Bol , Équipe et Distance , il s’avère que la fréquentation et les cotes d’écoute se comportent très différemment. Presque tous les bol et Année * Bol les interactions sont fortement corrélées avec Présence , mais seuls quelques-uns d'entre eux sont en corrélation avec Classement TV . Apparemment, les classements télévisés sont plus susceptibles d’être influencés par les équipes qui jouent. Distance est un facteur relativement faible dans l’ensemble, et il n’ya pas assez de données pour voir comment cela s’applique à des équipes individuelles.
Les tendances en matière de fréquentation des cuvettes varient d'une cuvette à l'autre. Certaines cuvettes étant stables, certaines tendance à la hausse et d'autres à la baisse. Le graphique suivant montre les courbes de tendance, avec deux de chaque catégorie en surbrillance.
En ce qui concerne les équipes, une complication avec ces données est qu’il existe deux Équipe colonnes et donc deux valeurs d'équipe par ligne. Il est possible d'empiler les colonnes d'une équipe, mais cela entraîne la duplication de lignes année-bol (réduisant artificiellement leurs valeurs p) et dissocie surtout les deux équipes adverses afin que nous ne puissions plus modéliser la responsabilité partagée des résultats. Une meilleure approche consiste à créer des colonnes d’indicateurs, une par équipe, de telle sorte que exactement deux des colonnes soient non nulles pour chaque match. J'ai trouvé Tableau> Résumé avec Équipe en tant que sous-groupe constitue un moyen pratique de générer les colonnes d’indicateurs.
Y compris les colonnes d’indicateurs avec le Année et bol colonnes nous permet de voir l'effet de chaque équipe après avoir tenu compte de l'effet de la Année et bol . Comme je l’ai dit plus haut, la participation est très bien modelée par la combinaison de ces deux variables, et c’est peut-être pour cette raison que peu d’équipes ont des effets de modèle significatifs. Voici ceux avec les plus petites valeurs p, triés par la valeur estimée. Hawaii est une circonstance particulière, car cette école se joue souvent dans le Hawaii Bowl et, en général, la fréquentation du Hawaii Bowl est beaucoup plus importante lorsque Hawaii y joue.
|
| Terme |
|---|
| Estimation |
|---|
| Prob> | t | |
|---|
|
| Hawaii |
| 10507 |
| 0,0148 |
|
| Ole Miss |
| 8445 |
| 0,0427 |
|
| Texas A & M |
| 6932 |
| 0,0405 |
|
| Alabama |
| 5803 |
| 0,0884 |
|
| Texas |
| 5308 |
| 0,0637 |
|
| Virginie occidentale |
| 5219 |
| 0,0758 |
|
| Rue Florida |
| 4870 |
| 0,0904 |
|
| Georgia Tech |
| -5707 |
| 0,0752 |
|
| Pittsburgh |
| -5982 |
| 0,0896 |
|
| Sud de la Floride |
| -6770 |
| 0,0737 |
|
| Minnesota |
| -7393 |
| 0,0401 |
|
| Terrain de boules |
| -8117 |
| 0,0716 |
|
| Toledo |
| -11831 |
| 0,0302 |
Le même modèle pour le Classement TV La réponse montre des résultats significatifs pour plusieurs écoles. Les meilleurs résultats sont les suivants. Parmi les écoles à effets négatifs, aucune ne présente une valeur p significative.
|
| Terme |
|---|
| Estimation |
|---|
| Prob> | t | |
|---|
|
| Texas |
| 2,30 |
| <.0001 |
|
| Southern Cal |
| 1,83 |
| 0,0017 |
|
| Penn St. |
| 1,91 |
| 0,0021 |
|
| Oregon |
| 1,65 |
| 0,0046 |
|
| Rue Ohio |
| 1,55 |
| 0,0073 |
|
| Michigan |
| 1,47 |
| 0,0074 |
|
| Rue Florida |
| 1,37 |
| 0,0126 |
|
| Floride |
| 1,51 |
| 0,0130 |
|
| notre Dame |
| 1,35 |
| 0,0164 |
|
| Nebraska |
| 1,32 |
| 0,0273 |
|
| Michigan St. |
| 1,30 |
| 0,0362 |
|
| Wisconsin |
| 1,23 |
| 0,0371 |
J'ai enregistré les rapports de modèles complets sous forme de pages HTML interactives au cas où vous souhaiteriez explorer les modèles ou simplement voir les résultats de votre équipe. Regardez à la Présence et Classement TV rapports.
Un détail que je n'ai pas mentionné est que j'ai exclu les cuvettes et les écoles qui ont moins de quatre jeux (Sorry, Duke) pour éviter les singularités dans le modèle, que j'ai trouvé uniquement lorsque le modèle ne correspondait pas. D'autres exclusions pourraient également améliorer le modèle car la plupart des termes avaient si peu d'importance, mais leurs estimations participaient toujours au modèle final. Les fonctions de modélisation avancées de JMP Pro permettent de réaliser automatiquement cet élagage. C’est ce à quoi le développeur statistique JMP Argile barker a fait quand il a analysé ces données. Il a utilisé régression généralisée , qui cherche de manière itérative à supprimer les termes afin que les termes réels puissent contenir davantage de données. Clay a également combiné la Présence et Classement TV dans un rapport de 1: 4 pour produire un seul score combiné. Ci-dessous sont ses écoles supérieures et inférieures. Un score nul signifie que l'équipe n'a pas participé au modèle final.
|
| Équipe |
|---|
| la télé |
|---|
But| Présence |
|---|
But| Global |
|---|
But|
| Rue Florida |
| 0,73 |
| 0,60 |
| 0,70 |
|
| Southern Cal |
| 0,78 |
| 0.00 |
| 0,63 |
|
| Texas |
| 0,71 |
| 0.00 |
| 0,57 |
|
| Rue Ohio |
| 0,60 |
| 0,11 |
| 0.50 |
|
| Penn St. |
| 0,47 |
| 0,08 |
| 0,39 |
|
| Michigan |
| 0,40 |
| 0,16 |
| 0,35 |
|
| notre Dame |
| 0,36 |
| 0,30 |
| 0,35 |
|
| Géorgie |
| 0.42 |
| 0.00 |
| 0,34 |
|
| Floride |
| 0,27 |
| 0.00 |
| 0,22 |
|
| Miami (Floride) |
| 0,20 |
| 0.00 |
| 0,16 |
|
| Virginie occidentale |
| 0.00 |
| 0,53 |
| 0,11 |
|
| Texas A & M |
| 0.00 |
| 0,33 |
| 0,07 |
|
| Iowa |
| 0.00 |
| 0,23 |
| 0,05 |
|
| Louisiana Lafayette |
| 0.00 |
| 0,23 |
| 0,05 |
|
| Tennessee |
| 0.00 |
| 0,19 |
| 0,04 |
|
| Caroline du Nord |
| 0.00 |
| 0,19 |
| 0,04 |
|
| Ole Miss |
| 0.00 |
| 0,17 |
| 0,03 |
|
| Florida International |
| 0.00 |
| -0.15 |
| -0.03 |
|
| Wyoming |
| 0.00 |
| -0,16 |
| -0.03 |
|
| Southern Miss |
| 0.00 |
| -0,18 |
| -0,04 |
|
| Marshall |
| 0.00 |
| -0,21 |
| -0,04 |
|
| Colorado |
| 0.00 |
| -0,28 |
| -0.06 |
|
| Western Michigan |
| -0,08 |
| 0.00 |
| -0.07 |
|
| Syracuse |
| 0.00 |
| -0,34 |
| -0.07 |
|
| Western Kentucky |
| 0.00 |
| -0.40 |
| -0,08 |
|
| Northern Illinois |
| -0,22 |
| -0.11 |
| -0.20 |
Au moins, les fans d’Ohio State devraient être moins en colère contre moi, maintenant. 
Si vous voulez examiner les détails ou essayer un autre modèle, le fichier de données est dans l'échange de fichiers JMP. (Le téléchargement nécessite un profil SAS gratuit.)
Paul Prew a écrit:
Merci, Xan, convertir les scores en victoire / perte ferait de cette analyse un modèle Bradley-Terry standard. Je vais probablement aller dans cette voie. Cordialement, Paul
Xan Gregg a écrit:
Bonjour Paul, Une différence est que la présence est un score additif et que votre score est soustractif (basé sur la différence des deux). Je ne suis pas un statisticien, je ne proposerai donc que quelques idées d'investigation. Vous pouvez essayer la méthode de l'indicateur avec le parfum gagnant évalué à 1 et le parfum perdu à -1. Vous devriez rechercher des modèles de classement sportif qui classent les équipes en fonction de la différence de score plutôt que de la participation. Bien sûr, il vous reste à déterminer comment convertir votre balance en un nombre continu ou à la traiter comme une valeur ordinale.
Paul Prew a écrit:
Xan, en surface, cette analyse semble contenir quelques réponses à un test sensoriel de parfum avec lequel je me bats, car les deux impliquent des confrontations directes pour déterminer les cotes globales de plusieurs niveaux de facteurs.
L’étude sensorielle comportait 6 parfums afin d’identifier ceux qui étaient significativement préférés. Une quarantaine de membres du jury ont senti le parfum n ° 1, puis le parfum n ° 2 (en aveugle), et ont attribué une note à l'essai.
9 points échelle de Likert
1: Préférence extrême pour # 1 <== 5: Aucune préférence ==> 9: Préférence extrême pour # 2
Cela a résonné en moi lorsque vous avez écrit que la superposition des résultats «dissocie les deux équipes adverses afin que nous ne puissions plus modéliser la responsabilité partagée des résultats». C'est là que je suis coincé.
Les analogies que je vois sont
* panéliste / an
* parfum n ° 1 vs n ° 2 / équipe n ° 1 vs n ° 2
* classement / assiduité
L'échelle de Likert utilisée pour l'évaluation des préférences pose un problème supplémentaire qui m'empêche d'appliquer directement la structure de votre variable-indicateur.
Avez-vous des suggestions quant à l’intégration de l’analyse dans JMP?
merci Paul
Et votre analyse du jeu de bol me semble très précise. Les équipes de Big Ten affiliées choisissent souvent d'autres équipes de Big Ten avec des records plus mauvais que mon université du Minnesota, parce que nous avons la réputation d'être de pauvres voyageurs.
