[论文解读] Multivariate Generalized Linear Mixed Models for Joint Estimation of Sporting Outcomes

Jennifer Broatch, Andrew T. Karl|arXiv (Cornell University)|Oct 15, 2017

Sports Analytics and Performance参考文献 17被引用 6

一句话总结

本文提出多变量广义线性混合模型（GLMMs），通过在不同响应分布（如正态分布、泊松分布、二项分布）之间建模相关的团队层面随机效应，联合估计多个体育比赛结果（如胜负分差、胜负结果、判罚码数）。该方法在响应变量高度相关时显著提升预测准确性，并实现对团队层面多维表现指标的推断，已在NCAA橄榄球和篮球数据中得到验证，使用R包mvglmmRank实现。

ABSTRACT

This paper explores improvements in prediction accuracy and inference capability when allowing for potential correlation in team-level random effects across multiple game-level responses from different assumed distributions. First-order and fully exponential Laplace approximations are used to fit normal-binary and Poisson-binary multivariate generalized linear mixed models with non-nested random effects structures. We have built these models into the R package mvglmmRank, which is used to explore several seasons of American college football and basketball data.

研究动机与目标

• 通过联合建模多个比赛层面结果而非分别处理，以提升体育分析中的预测准确性。
• 利用多变量正态分布建模不同响应类型（如得分、胜负、判罚）之间的团队层面随机效应相关性。
• 即使在单个模型因极端记录（如全胜球队）而失效时，也能同时推断球队层面的进攻、防守及胜率效应。
• 开发计算稳定的联合估计框架，用于处理体育数据中混合分布（正态、泊松、二项）响应的联合估计。
• 为实践者提供开源R包mvglmmRank，用于在真实世界体育数据集中实现和测试联合建模。

提出的方法

• 构建具有非嵌套随机效应结构的多变量GLMM，允许不同响应类型之间团队层面随机效应的相关性。
• 使用一阶和完全指数型拉普拉斯近似高效估计模型参数，尤其适用于非高斯响应。
• 采用不同分布建模响应变量：正态分布用于高得分运动（如篮球），泊松分布用于低得分运动（如足球），二项分布用于胜负结果。
• 对团队层面随机效应（进攻、防守、胜率倾向）施加多变量正态先验，以正则化估计并处理极端球队记录。
• 估计随机效应的协方差结构（G矩阵和R矩阵），以捕捉表现指标与胜负结果之间的依赖关系。
• 在R包mvglmmRank中实现该模型，提供模型拟合（mvglmmRank）、预测（game.pred）及基于海塞矩阵的推断功能。

实验结果

研究问题

• RQ1 与单变量模型相比，联合建模多个体育比赛结果（如得分与胜负）是否能提升预测准确性？
• RQ2 不同响应类型之间团队层面随机效应的相关性如何影响模型性能与预测误差？
• RQ3 当单个模型因数据稀疏或极端情况而不稳定时，联合建模能否改善对球队层面效应（如进攻与防守强度）的推断？
• RQ4 响应分布选择（正态 vs. 泊松 vs. 二项）对不同运动中模型拟合与预测性能有何影响？
• RQ5 在预测全国冠军赛等高风险结果时，联合模型与传统单响应模型相比表现如何？

主要发现

• 在交叉验证中，联合建模显著降低了多个响应的中位数对数损失和绝对残差，尤其当胜负结果与比赛层面响应高度相关时效果更明显。
• 正态-二项模型预测2012年全国冠军赛中圣母大学击败阿拉巴马大学的概率为22.2%，而单变量二项模型错误预测圣母大学获胜概率为62.5%。
• 具有相关随机效应的多变量模型通过共享团队层面效应，对全胜或全败球队的胜率倾向评分提供了更稳定的估计。
• 估计的胜率倾向与进攻/防守效应之间的相关性较高（例如，胜率倾向与进攻之间的相关性为0.855），表明球队实力与胜负结果之间存在强烈关联。
• mvglmmRank包成功使用拉普拉斯近似拟合了最多三个响应（如每回合码数、擒抱次数、胜负）的模型，展示了计算稳定性和可扩展性。
• 基于海塞矩阵的标准误用于评估不确定性，完整海塞矩阵可用于推断和模型诊断。