Quand xG Défie l'Intuition

Quand xG Défie l’Intuition

J’ai passé des années à observer comment les supporteurs traitent la différence de buts comme un rituel sacré—tandis que les valeurs xG traversent leur logique comme un code froid en Python. Ils crient pour les «moments décisifs» basés sur l’intuition, mais mes probabilités a posteriori racontent une autre histoire. Le modèle ne se soucie pas qu’une équipe soit «chérie»—il ne voit que p(x|data) > 0,5.

Le Mythe de l’Avantage à Domicile

On dit que l’avantage à domicile est «divin». Moi, je dis que c’est un biais dans la régression logistique, avec un effet η² = 0,12 (p < 0,05). À Emirates Stadium, nous avons simulé Monte Carlo sur 42 matchs la saison dernière : les équipes à domicile gagnent uniquement quand leur différence xG dépassait la baseline de +0,18 buts par match. Pas de magie—juste MCMC.

Le Paradoxe 107–98 Duckworth-Lewis

Vous avez entendu : «107–98» est le destin. Ce n’est pas—c’est le résultat d’un surajustement sur des petits échantillons et un biais de survie dans des modèles à faible variance. Moyennant xG entre ligues ? Ce n’est pas du folklore—c’est une fallacie fréquentiste empreinte de nostalgie.

Je n’ai pas besoin de foi pour prédire que Liverpool gagnera—j’ai besoin d’intervalles crédibles et de distributions a priori construites sur cinq ans de données nettoyées. La vraie magie ? C’est l’inférence bayésienne sous pression—sans prières, juste des p-values.

Tir Final : Faites Confiance au Modèle, Pas à la Foule

La prochaine fois quelqu’un dira «ça sent juste», demandez-lui : Quelle était la probabilité a posteriori avant le coup d’envoi ? S’ils ne savent pas répondre—that’s when you know it’s not about emotion—it’s about entropy reduction.