Nel mio post precedente, ho mostrato come noi esplorato le ere del baseball usando un semplice diagramma di dispersione questo ci ha aiutato a generare domande e direzione analitica. La fase successiva era capire come utilizzare l'analisi per aiutare la "conoscenza della materia" che era stata applicata ai dati. Potrei confermare ciò che era stato ipotizzato riguardo alle ere del gioco? E, potremmo usare l'analisi per far emergere più periodi di tempo nel gioco che dovremmo investigare o, almeno, tentare di spiegare?
Ho scelto di lavorare con Fit Model piattaforma in JMP e in particolare Regressione generalizzata .
Regressione generalizzata è un metodo che potremmo usare per costruire un modello predittivo, ma in questo caso non stavo cercando di costruire un modello predittivo. Volevo sfruttare le funzionalità di selezione delle variabili disponibili nell'opzione Lasso di questo metodo. Volevo vedere quali variabili sono state selezionate come "significative e importanti" e in quale ordine. Ho pensato che ciò che verrà selezionato alla fine saranno gli anni in cui sono interessato - cioè, ho pensato di confermare la mia valutazione delle ere del gioco e probabilmente trovare alcune informazioni interessanti che il mio metodo "eyeball" aveva trascurato.
A lungo SAS socio e amico Tony Cooper è una delle persone che parla di baseball con me. Oltre ad essere un appassionato di sport a tutti gli effetti, Tony è un programmatore esperto di JSL (JMP Scripting Language). In pochi minuti, ha creato una sceneggiatura per aiutarmi a sviluppare una serie di variabili dummy che hanno permesso una migliore differenziazione della produzione di tirature nel corso degli anni. Era una chiave per i risultati!
In Regressione generalizzata, stavo cercando un metodo che mi aiutasse a far emergere il "cambiamento" e avevo visto questo strumento in azione in altre aree. Le mie aspettative erano alte e questo metodo non mi ha deluso. In effetti, i risultati sono stati entusiasmanti, indicando che questo metodo potrebbe scoprire "cambiamenti" non solo nei dati di baseball ma anche in altre aree!
L'utilizzo della piattaforma JMP per la regressione generalizzata mi ha permesso di percorrere gli anni del gioco e confermare i sospetti sulle ere del gioco. E ha anche scoperto che cosa potrebbe non essere necessariamente un '"era" ma una dimostrazione degli effetti dell'espansione in anni specifici, o (per esempio) l'atto di sollevare il tumulo nel 1968 e poi abbassarlo nel 1969.
Il grafico e la tabella mostrati di seguito raccontano una storia: Percorso della soluzione mostra l'ordine con cui le variabili entrano nel modello. E, nella tabella di accompagnamento, le stime ci dicono se RPG (Runs Per Game) è andato su o giù nell'anno associato.
Proprio come il grafico a dispersione, questa visualizzazione ha portato a domande come ogni anno è stato presentato. Per esempio:
Cosa stava succedendo nel 1993? Risposta: Potrebbe essere stato l'inizio di "Steroid Era", o potrebbe essere dovuta espansione (due nuove squadre si unirono al campionato) e un'indicazione della diluizione del talento di pitching quando le corse salirono, o entrambe le cose!Cosa stava succedendo nel 1942? Risposta: Le corse sono diminuite mentre i principali giocatori della lega hanno lasciato il campionato per arruolarsi nell'esercito. Il periodo dal 1942 al 1946 viene generalmente definito "Gli anni della guerra".Cosa stava succedendo nel 1920 e nel 1921? Risposta: Il baseball stava lasciando la "Dead Ball Era" per il "Live Ball Era." Entrambi i giocatori (come Babe Ruth) e gli eventi hanno influenzato il gioco.Che dire del 1963? Risposta: Gli storici del baseball tradizionalmente indicano quest'anno come l'inizio del periodo di espansione, e alcuni chiamano il periodo dal 1963 per presentare "l'era dell'espansione".E, infine, perché sono stati scaricati nel 2010? Risposta: Il baseball si è incrinato duramente con gli utilizzatori di steroidi e potrebbe aver causato una diminuzione delle tirature complessive.Conclusione
Così, mentre ci divertivamo giocando con i dati di un gioco preferito, eravamo anche in grado di dimostrare l'efficacia di generare domande e direzione analitica usando il semplice grafico a dispersione . Abbiamo quindi mostrato come possiamo far emergere le informazioni a livelli ancora più elevati usando la regressione generalizzata. Le potenziali applicazioni in aree esterne all'arena dello sport sono infinite. Come potresti usare la regressione generalizzata?
Interessato a vedere di più?
Puoi imparare di più sulla sceneggiatura JSL che Tony Cooper ha creato per aiutare nell'analisi (e scaricarla per te) visitando il sito Scambio file JMP .Segui l'analisi utilizzando il metodo di regressione generalizzata guardando questo video passo-passo:https://youtu.be/GzVj3HNtV1c
