介紹Adam Salorio 的投球建模 aStuff+ 2.0——除了球速轉速外,評估投手球威時還要考量哪些特性? (Patreon)
Downloads
Missing 1 file, as this post has not yet been imported.
Content
(00:00:24) 什麼是投球建模?
(00:02:45) aStuff+ 第一版的簡介(詳情可看 Jonathan 今年三月發的這篇文章)
(00:04:50) 什麼是數據的描述性跟預測性?
(00:06:57) aStuff+ 第二版的更新:水平加速度(Horizontal Acceleration)取代球的位移大小(Movement)
(00:11:29) aStuff+ 2.0 告訴我們哪些投球趨勢?
(00:17:11) 強的 offspeed(變速球、指叉球)有什麼特性?
(00:18:45) 投手該怎麼選擇適合自己的球種?投球傾向(Motor Preference)是什麼?
(00:23:19) 怎麼辨認投手屬於 Supination Bias 還是 Pronation Bias?(參考 Tread Athletics 的影片)
(00:31:24) aStuff+ 的優點跟應用
(00:42:15) aStuff+ 的限制與缺陷
(00:51:39) 什麼是 IVB(Induced Vertical Break)?
(00:54:33) 為什麼我們認為投手控球的精準度要求逐漸降低?
(01:06:46) Salorio 未來的研究方向:評估投手武器庫的深度與廣度(aMix+)
(01:08:49) 評估球種之間共軌性(aMatch+)
(01:11:02) 我們的觀點
這集的內容比較深,有很多統計跟運動科學的專有名詞,我們也不確定解釋得夠不夠清楚跟精確。如果對我們的討論有疑問或是有任何需要糾正的地方,歡迎在底下留言討論跟提問。
勘誤:(01:12:51) 提到的 aStuff+ 是把所有的球種放在一起比較,平均是 100;Fangraphs stuff+ 是分球種去比較,同樣球種一起比,所以 fangraphs stuff+ 給 Fried 的曲球評分是 119 ,只是代表 Fried 的曲球在所有曲球裡是最頂尖的。
以上說法是錯誤的,Fangraphs stuff+ 也是把所有球種放在一起比較,平均也是 100,這些都是跟 aStuff+ 做法是一樣的。主要差別是在標準差,由於我目前還沒看到 2023 年之後提供的標準差資訊,以下是 2023 年初 Fangraphs stuff+ 的標準差


補充且更正:不管是 Salorio 的 aStuff+ 還是 Fangaphs Stuff+,都是對每一個投手投出的球做評分,如果是針對所有球,兩個模型的標準差都是 10,平均是 100。如果我們想比較個別投手的 Stuff+,會把該投手投出的所有球的 Stuff+ 評分平均之後再比較,這樣的標準差就不會是 10。例如上方表格寫的,先發投手的Fangraphs Stuff+ 的標準差是 12.16。但需要注意的是,在這個情況下一個投手被當成一個獨立的樣本,所以平均數也不會是 100。舉個例子來說, Gerrit Cole 2022 年的 Fangraphs Stuff+ 是119,我們並不能下結論說他比平均好 19÷12.16=1.56個標準差,只能說 Cole 比當年 Fangraphs Stuff+ 評分剛好是 100 的 Robbie Ray 好 1.56 個標準差。
同理,如果我們今天只想比較單一球路,例如四縫線,我們要把當年度每一顆四縫線的 Stuff+ 獨立出來比較,上方 2023 年初公佈的資料來看,平均是 99.2,一個標準差是 18.3。所以當 2022 年有一顆四縫線速球的 Fangraphs Stuff+ 是 117.5,我們可以下結論說這顆速球的 Stuff+ 評分比平均好一個標準差。
但如果是要比較各個投手的四縫線球威,我們要先把每個投手的四縫線 Stuff+ 評分平均起來比較,這時候的平均數跟標準差就不會是 99.2 跟 18.3 了,實際的資料 Fangraphs 也沒有公佈,所以在這個情況底下就只能比分數高低。但我們也可以在球季結束時把所有投手的各種球路的Stuff+ 篩選出來,計算在比較各投手的球種的 Stuff+ 時基準長什麼樣子。有空的時候來做做看。
結論就是,在得到詳細的數據分配前,我們只能用 Stuff+ 得知投手的球威「相對強不強」,不能知道他們在整體分佈中的絕對位置。