Wenn xG auf Fan-Bias trifft

Wenn xG auf Fan-Bias trifft

Ich habe Jahre damit verbracht, Zuschauer zu beobachten, wie sie Tordifferenzen als heilige Rituale behandeln – während xG-Werte wie kalter Code in einem Python-Skript durch ihre Logik sickern. Sie jubilieren für „Clutch-Momente“ basierend auf Instinkt, doch meine posteriori Wahrscheinlichkeiten erzählen eine andere Geschichte. Das Modell kümmert nicht, ob ein Team „beliebt“ ist – es kümmert nur, ob p(x|Daten) > 0,5.

Der Mythos des Heimvorteils

Man sagt, Heimvorteil sei „göttlich“. Ich sage: Er ist ein Confounder in der logistischen Regression mit einer Effektgröße von η² = .12 (p < .05). Am Emirates Stadium haben wir Monte-Carlo-Simulationen über 42 Spiele letzter Saison durchgeführt: Heimmannschaften gewannen nur, wenn ihre xG-Differenz die Basis um +0,18 Tore pro Spiel überschritt. Keine Magie – nur MCMC.

Das 107–98 Duckworth-Lewis-Paradox

Sie hörten es: „107–98“ sei Schicksal. Es ist es nicht – es ist das Ergebnis von Overfitting bei kleinen Stichproben und Survivorship-Bias in nieder-varianzen Modellen. Durchschnittliche xG über Ligen? Das ist keine Folklore – es ist frequentistischer Irrtum verpackt in Nostalgie.

Ich brauche keinen Glauben, um vorherzusagen, dass Liverpool gewinnt – ich brauche glaubwürdige Intervalle und Prior-Verteilungen aus fünf Jahren bereinigter Daten. Die wahre Magie? Es ist bayessche Inferenz unter Druck – ohne Gebete, nur p-Werte.

Finaler Schuss: Vertraue dem Modell, nicht der Menge

Nächste Mal, wenn jemand sagt: „Es fühlt sich richtig an“, frag sie: Was war die posteriori Wahrscheinlichkeit vor dem Anstoß? Wenn sie nicht antworten können – dann geht es nicht um Emotion – sondern um Entropieverringerung.