مدل دیکسون–کولز یکی از روش‌های شناخته شده آماری برای پیش‌بینی نتایج فوتبال است که با اصلاح بعضی از محدودیت‌های مدل پواسون، تلاش می‌کند احتمال نتایج مختلف مسابقه را دقیق‌تر محاسبه کند. این مدل به‌ویژه برای بررسی مسابقات کم‌گل و نتایجی مانند صفر بر صفر، یک بر صفر و یک بر یک کاربرد دارد. اگر تاکنون درباره پیش‌بینی آماری فوتبال مطالعه کرده باشید، احتمالاً با مدل پواسون آشنا شده‌اید. در این مقاله از مجله بت فوروارد بررسی می‌کنیم مدل دیکسون–کولز چگونه کار می کند، چه تفاوتی با روش پواسون دارد، چگونه احتمال مساوی را محاسبه می‌کند و چه نقشی در شبیه‌سازی مسابقات و پیش‌بینی جدول لیگ‌های فوتبال دارد.
مدل دیکسون–کولز
مدل دیکسون–کولز در فوتبال چیست؟
مدل دیکسون–کولز یک روش آماری برای محاسبه احتمال نتایج مسابقات فوتبال است. این مدل بر پایه توزیع پواسون طراحی شده، اما با اضافه کردن یک ضریب اصلاحی، احتمال بعضی نتایج نزدیک و کم‌گل را تغییر می‌دهد. هدف اصلی آن، برطرف کردن بخشی از خطای ناشی از مستقل فرض کردن تعداد گل‌های دو تیم است. در روش ساده پواسون، احتمال اینکه تیم میزبان تعداد مشخصی گل بزند، جدا از احتمال گلزنی تیم میهمان محاسبه می‌شود. سپس با ضرب این دو احتمال، شانس رخ دادن یک نتیجه مشخص به دست می‌آید. اما مدل دیکسون–کولز فرض می‌کند که این محاسبه برای بعضی نتایج کم‌گل نیاز به اصلاح دارد.
این روش با استفاده از تعداد گل‌های مورد انتظار دو تیم، احتمال ثبت نتایج مختلف را محاسبه می‌کند. برای مثال، اگر انتظار داشته باشیم یک تیم در مسابقه ۱٫۸ گل به ثمر برساند، مدل پواسون می‌تواند احتمال زدن صفر، یک، دو یا چند گل توسط آن تیم را برآورد کند. اما این روش یک محدودیت مهم دارد: در مدل ساده پواسون، تعداد گل‌های دو تیم مستقل از یکدیگر فرض می‌شود.
در فوتبال واقعی، شرایط مسابقه همیشه با چنین فرضی هماهنگ نیست. عملکرد دفاعی دو تیم، وضعیت بازی و تغییر رفتار آن‌ها پس از گل می‌تواند بر تعداد گل‌های نهایی تأثیر بگذارد. در نتیجه، مدل ساده پواسون ممکن است احتمال بعضی نتایج کم‌گل را به‌درستی برآورد نکند. مدل دیکسون–کولز برای اصلاح همین مشکل معرفی شده است.
این مدل به‌جای تغییر تمام نتایج ممکن، فقط احتمال چهار نتیجه را مستقیماً اصلاح می‌کند:
- صفر بر صفر
- یک بر صفر
- صفر بر یک
- یک بر یک
احتمال سایر نتایج مشخص، مانند دو بر یک یا سه بر صفر، در شکل اصلی این اصلاح مستقیماً تغییر نمی‌کند. همین ویژگی باعث می‌شود مدل دیکسون–کولز روشی نسبتاً ساده برای بهبود محاسبات مبتنی بر پواسون باشد.
مدل دیکسون–کولز توسط چه کسانی ساخته شد؟
مدل دیکسون–کولز در سال ۱۹۹۷ توسط دو پژوهشگر آمار به نام‌های مارک دیکسون و استوارت کولز معرفی شد. این دو پژوهشگر مقاله‌ای با عنوان «مدل‌سازی نتایج فوتبال و ناکارآمدی‌های بازار شرط‌بندی فوتبال» منتشر کردند. پژوهش آن‌ها به یکی از آثار مهم در زمینه مدل‌سازی آماری مسابقات فوتبال تبدیل شد. ایده اصلی این بود که می‌توان با استفاده از اطلاعات عملکرد تیم‌ها و تعداد گل‌های آن‌ها، احتمال نتایج مختلف مسابقات را محاسبه کرد؛ اما برای نزدیک‌تر شدن پیش‌بینی‌ها به داده‌های واقعی، باید بعضی ویژگی‌های فوتبال نیز در نظر گرفته شوند.
یکی از این ویژگی‌ها، رفتار متفاوت مسابقات کم‌گل است. مدل دیکسون–کولز بدون کنار گذاشتن چارچوب پواسون، یک ضریب اصلاحی به آن اضافه کرد. این ضریب باعث می‌شود احتمال بعضی نتایج کم‌گل متناسب با داده‌های مورد استفاده تنظیم شود.
مدل پواسون چگونه نتایج فوتبال را پیش‌بینی می‌کند؟
برای درک مدل دیکسون–کولز، ابتدا باید با روش پواسون آشنا شویم. توزیع پواسون یکی از روش‌های ریاضی برای محاسبه احتمال وقوع تعداد مشخصی از رویدادها در یک بازه معین است. در فوتبال، می‌توان از این توزیع برای بررسی تعداد گل‌های احتمالی یک تیم استفاده کرد. برای مثال، فرض کنید میانگین گل مورد انتظار یک تیم در مسابقه برابر با ۱٫۵ باشد. این عدد به معنای آن نیست که تیم حتماً یک یا دو گل خواهد زد. بلکه مدل با استفاده از این مقدار، احتمال زدن صفر، یک، دو، سه یا تعداد بیشتری گل را محاسبه می‌کند.
فرمول اصلی توزیع پواسون
فرمول محاسبه احتمال ثبت تعداد مشخصی گل به این شکل است:
[
P(X=k)=\frac{e^{-\lambda}\lambda^k}{k!}
]
در این فرمول:
- P: احتمال وقوع نتیجه موردنظر
- k: تعداد گل‌هایی که می‌خواهیم احتمال آن را محاسبه کنیم
- λ: میانگین گل مورد انتظار تیم
- e: عدد ثابت ریاضی که مقدار تقریبی آن ۲٫۷۱۸ است
- k!: فاکتوریل تعداد گل‌ها
برای مثال، اگر میانگین گل مورد انتظار یک تیم برابر با ۱٫۵ باشد، می‌توان با جای‌گذاری این عدد در فرمول، احتمال گلزنی آن تیم را محاسبه کرد.
محاسبه احتمال نتیجه دقیق مسابقه با پواسون
در مدل ساده پواسون، تعداد گل‌های تیم میزبان و میهمان مستقل در نظر گرفته می‌شوند. بنابراین، احتمال یک نتیجه مشخص از ضرب احتمال گل‌های دو تیم به دست می‌آید.
[
P(x,y)=P_{\text{میزبان}}(x)\times P_{\text{میهمان}}(y)
]
در این فرمول، x تعداد گل‌های میزبان و y تعداد گل‌های میهمان است. برای مثال، برای محاسبه احتمال نتیجه یک بر صفر، احتمال زدن یک گل توسط میزبان را در احتمال گل نزدن میهمان ضرب می‌کنیم. این روش ساده است و می‌تواند جدول بزرگی از نتایج احتمالی تولید کند. اما یک مشکل مهم دارد.
مدل دیکسون–کولز در پیش بینی نتایج فوتبال
مشکل اصلی مدل پواسون در پیش‌بینی فوتبال چیست؟
مهم‌ترین محدودیت مدل ساده پواسون، فرض مستقل بودن تعداد گل‌های دو تیم است. در واقع، این مدل فرض می‌کند تعداد گل‌های میزبان از نظر آماری به تعداد گل‌های میهمان وابسته نیست. اما در مسابقات واقعی فوتبال، رفتار دو تیم می‌تواند به یکدیگر وابسته باشد. برای مثال، وقتی دو تیم از نظر دفاعی عملکرد خوبی دارند و موقعیت‌های خطرناک کمی ایجاد می‌کنند، احتمال پایان مسابقه با نتیجه صفر بر صفر ممکن است بیشتر از چیزی باشد که مدل ساده پواسون پیش‌بینی می‌کند. همچنین در بعضی مسابقات، شرایط تاکتیکی و جریان بازی می‌تواند احتمال نتایج نزدیک را تغییر دهد.
سه خطای مهم مدل ساده پواسون
در داده‌هایی که مدل دیکسون–کولز برای اصلاح آن‌ها طراحی شده است، سه الگوی خطا اهمیت دارند.
۱. برآورد کمتر از واقع برای نتیجه صفر بر صفر
مدل ساده ممکن است احتمال مساوی بدون گل را کمتر از میزان مشاهده‌شده در داده‌های واقعی تخمین بزند.
۲. برآورد کمتر از واقع برای نتیجه یک بر یک
در بعضی مجموعه‌داده‌ها، مسابقات با نتیجه یک بر یک بیشتر از مقدار پیش‌بینی‌شده توسط پواسون رخ می‌دهند.
۳. برآورد بیش از اندازه نتایج یک بر صفر و صفر بر یک
در مقابل، مدل ساده ممکن است احتمال پیروزی‌های کم‌گل و نزدیک را بیش از اندازه برآورد کند. این اختلاف‌ها در یک مسابقه ممکن است کوچک باشند، اما هنگام تحلیل تعداد زیادی مسابقه اهمیت بیشتری پیدا می‌کنند. البته این الگوها در تمام لیگ‌ها و دوره‌های زمانی الزاماً یکسان نیستند و باید با داده‌های واقعی بررسی شوند.
مدل دیکسون–کولز چگونه مشکل پواسون را برطرف می‌کند؟
دیکسون و کولز به‌جای ساخت یک مدل کاملاً جدید، روش پواسون را حفظ کردند و یک ضریب اصلاحی به آن اضافه کردند. این ضریب با حرف یونانی «تاو» نمایش داده می‌شود. وظیفه تاو این است که احتمال چهار نتیجه کم‌گل را تنظیم کند. فرمول کلی مدل اصلاح‌شده به شکل زیر است:
[
P^*(x,y)=P(x)\times P(y)\times \tau(x,y,\lambda,\mu,\rho)
]
در این فرمول:
- x: تعداد گل‌های میزبان
- y: تعداد گل‌های میهمان
- λ: میانگین گل مورد انتظار میزبان
- μ: میانگین گل مورد انتظار میهمان
- τ: ضریب اصلاحی مدل دیکسون–کولز
- ρ: پارامتری که شدت و جهت اصلاح را تعیین می‌کند
نکته مهم این است که مدل دیکسون–کولز برای تمام نتایج، ضریب متفاوتی اعمال نمی‌کند. این اصلاح تنها برای چهار نتیجه صفر بر صفر، یک بر صفر، صفر بر یک و یک بر یک طراحی شده است.
فرمول ضریب اصلاحی دیکسون–کولز
ضریب تاو برای هر نتیجه به شکل زیر تعریف می‌شود:
[
\tau(x,y)=
\begin{cases}
1-\lambda\mu\rho & x=0,\ y=0\
1+\lambda\rho & x=0,\ y=1\
1+\mu\rho & x=1,\ y=0\
1-\rho & x=1,\ y=1\
۱ & \text{سایر نتایج}
\end{cases}
]
این فرمول نشان می‌دهد که احتمال چهار نتیجه خاص با توجه به گل‌های مورد انتظار و مقدار پارامتر اصلاح می‌شود. برای سایر نتایج، مقدار تاو برابر با یک است؛ بنابراین احتمال محاسبه‌شده توسط پواسون تغییر نمی‌کند.
پارامتر رو در مدل دیکسون–کولز چیست؟
یکی از مهم‌ترین بخش‌های مدل دیکسون–کولز، پارامتری به نام «رو» است که با حرف یونانی ρ نمایش داده می‌شود. این پارامتر تعیین می‌کند احتمال نتایج کم‌گل چگونه اصلاح شود. در مثال‌های مقاله اصلی، مقدار آن برابر با منفی ۰٫۱۳ در نظر گرفته شده است.
[
\rho=-0.13
]
این مقدار در نمونه مورد بحث، باعث افزایش احتمال نتایج صفر بر صفر و یک بر یک و کاهش احتمال نتایج یک بر صفر و صفر بر یک می‌شود.
چرا مقدار منفی رو اهمیت دارد؟
وقتی مقدار رو منفی باشد و سایر مقادیر در محدوده معتبر مدل قرار داشته باشند، اصلاح احتمالات به این شکل انجام می‌شود: احتمال صفر بر صفر افزایش پیدا می‌کند. احتمال یک بر یک نیز بیشتر می‌شود. در مقابل، احتمال یک بر صفر و صفر بر یک کاهش پیدا می‌کند. این تغییرات می‌توانند به هماهنگ‌تر شدن خروجی مدل با الگوهای مشاهده‌شده در داده‌های فوتبال کمک کنند. اما مقدار منفی ۰٫۱۳ یک عدد ثابت و مناسب برای تمام مسابقات جهان نیست. بهتر است مقدار این پارامتر با توجه به داده‌های لیگ، دوره زمانی و نوع رقابت برآورد شود.
مثال اول؛ مقایسه مدل پواسون و دیکسون–کولز برای دو تیم برابر
برای درک بهتر تفاوت دو مدل، مسابقه‌ای فرضی میان دو تیم با قدرت نسبتاً یکسان را بررسی می‌کنیم. فرض کنید میانگین گل مورد انتظار هر دو تیم برابر با ۱٫۳ باشد. یعنی مدل انتظار دارد هر تیم به‌طور میانگین ۱٫۳ گل در مسابقه به ثمر برساند. در این شرایط، احتمال چهار نتیجه مهم با دو روش محاسبه شده است.
جدول مقایسه احتمال نتایج
| نتیجه مسابقه | مدل پواسون | مدل دیکسون–کولز |
|---|---|---|
| صفر بر صفر | ۷.۳۴٪ | ۸.۹۵٪ |
| یک بر صفر | ۹.۵۴٪ | ۷.۹۳٪ |
| صفر بر یک | ۹.۵۴٪ | ۷.۹۳٪ |
| یک بر یک | ۱۲.۴۰٪ | ۱۴.۰۱٪ |
همان‌طور که مشاهده می‌کنید، احتمال صفر بر صفر از ۷٫۳۴ درصد به ۸٫۹۵ درصد افزایش پیدا کرده است. احتمال یک بر یک نیز از ۱۲٫۴۰ درصد به ۱۴٫۰۱ درصد رسیده است. در مقابل، احتمال یک بر صفر و صفر بر یک از ۹٫۵۴ درصد به ۷٫۹۳ درصد کاهش یافته است.
نتیجه این تغییرات چیست؟
در این مثال، مدل دیکسون–کولز احتمال هرکدام از دو نتیجه مساوی کم‌گل را حدود ۱٫۶۱ واحد درصد افزایش می‌دهد. از طرف دیگر، احتمال هرکدام از دو پیروزی یک بر صفر و صفر بر یک تقریباً به همین میزان کاهش پیدا می‌کند. بنابراین، مجموع احتمال در میان این چهار نتیجه حفظ می‌شود، اما سهم هر نتیجه تغییر می‌کند. این موضوع یکی از مهم‌ترین ویژگی‌های مدل دیکسون–کولز است. مدل تلاش می‌کند احتمال نتایج نزدیک را با الگوی مشاهده‌شده در داده‌های فوتبال هماهنگ‌تر کند.
مثال دوم؛ پیش‌بینی مسابقه منچسترسیتی و برنلی
در مثال بعدی، دو تیم با قدرت متفاوت را در نظر می‌گیریم. فرض کنید منچسترسیتی میزبان برنلی باشد. در این مثال فرضی، میانگین گل مورد انتظار دو تیم به این شکل تعیین شده است:
منچسترسیتی: ۲٫۱ گل
برنلی: ۰٫۹ گل
این اعداد نشان می‌دهند که مدل، منچسترسیتی را از نظر قدرت گلزنی در شرایط بهتری قرار می‌دهد. اکنون احتمال نتایج مختلف را مقایسه می‌کنیم.
مدل دیکسون–کولز در پیش بینی نتایج فوتبال
جدول مقایسه دو مدل
| نتیجه | مدل پواسون | مدل دیکسون–کولز |
|---|---|---|
| صفر بر صفر | ۵.۰٪ | ۶.۲٪ |
| یک بر صفر | ۱۰.۵٪ | ۹.۲٪ |
| صفر بر یک | ۴.۵٪ | ۳.۳٪ |
| یک بر یک | ۹.۴٪ | ۱۰.۶٪ |
اعداد گرد شده‌اند و مربوط به یک مثال آماری هستند، نه پیش‌بینی قطعی مسابقه واقعی این دو تیم.
اصلاح احتمال‌ها چه تغییری ایجاد می‌کند؟
در این مثال، احتمال صفر بر صفر افزایش پیدا می‌کند. احتمال یک بر یک نیز بیشتر می‌شود. در مقابل، احتمال پیروزی یک بر صفر منچسترسیتی و صفر بر یک برنلی کاهش پیدا می‌کند. نکته مهم این است که مدل همچنان منچسترسیتی را تیم قدرتمندتر می‌داند. در واقع، هدف دیکسون–کولز تغییر کامل ارزیابی قدرت دو تیم نیست؛ بلکه اصلاح توزیع احتمال نتایج مشخص است. این اصلاح می‌تواند احتمال کلی برد، مساوی و باخت را نیز تا اندازه‌ای تغییر دهد، اما معمولاً نقش آن محدودتر از عواملی مانند تفاوت قدرت تیم‌ها و میانگین گل‌های مورد انتظار است.
تفاوت مدل دیکسون–کولز با پواسون در یک نگاه
| ویژگی | مدل پواسون | مدل دیکسون–کولز |
|---|---|---|
| مبنای محاسبه | توزیع پواسون | توزیع پواسون اصلاح‌شده |
| استقلال گل‌های دو تیم | فرض استقلال | اصلاح وابستگی در نتایج کم‌گل |
| احتمال صفر بر صفر | محاسبه مستقیم | امکان اصلاح احتمال |
| احتمال یک بر یک | محاسبه مستقیم | امکان اصلاح احتمال |
| نتایج یک بر صفر و صفر بر یک | محاسبه مستقیم | امکان اصلاح احتمال |
| نیاز به پارامتر اضافه | ندارد | دارد |
| پیچیدگی | کمتر | کمی بیشتر |
| کاربرد | برآورد اولیه نتایج | اصلاح احتمالات و شبیه‌سازی |
در مجموع، دیکسون–کولز را می‌توان توسعه‌ای بر مدل پواسون دانست، نه جایگزینی کاملاً مستقل برای آن.
نقش مدل دیکسون–کولز در شبیه‌سازی مسابقات فوتبال
یکی از کاربردهای مهم مدل دیکسون–کولز، شبیه‌سازی مسابقات فوتبال است. در شبیه‌سازی، رایانه با استفاده از احتمال نتایج مختلف، تعداد زیادی نتیجه احتمالی تولید می‌کند. برای مثال، می‌توان یک مسابقه را هزاران بار به‌صورت رایانه‌ای شبیه‌سازی کرد و بررسی کرد هر نتیجه چند بار رخ می‌دهد. البته این کار به معنای پیش‌بینی قطعی نتیجه واقعی نیست. هدف آن، بررسی توزیع احتمالی نتایج بر اساس فرض‌ها و داده‌های مدل است.
شبیه‌سازی فصل با روش مونت‌کارلو
یکی از روش‌های رایج شبیه‌سازی، روش مونت‌کارلو است. در این روش، از تولید نتایج تصادفی بر اساس احتمال‌های مشخص استفاده می‌شود. برای مثال، می‌توان تمام مسابقات یک فصل فوتبال را به‌صورت رایانه‌ای شبیه‌سازی کرد. سپس این فرایند را هزاران بار تکرار کرد تا مشخص شود هر تیم در چند درصد از شبیه‌سازی‌ها قهرمان شده، به رتبه‌های بالای جدول رسیده یا سقوط کرده است. در نمونه مطرح‌شده در متن اصلی، از ۱۵ هزار بار شبیه‌سازی یک فصل استفاده شده است. در چنین فرایندی، خطاهای کوچک در احتمال نتایج می‌توانند بر توزیع نهایی امتیازها اثر بگذارند.
به همین دلیل، اصلاح احتمال نتایج کم‌گل ممکن است اهمیت پیدا کند.
مدل دیکسون–کولز چگونه وارد شبیه‌سازی فصل می‌شود؟
در روش مورد بحث، ابتدا برای هر مسابقه احتمال نتایج مختلف با استفاده از پواسون محاسبه می‌شود. سپس ضریب اصلاحی دیکسون–کولز روی احتمال چهار نتیجه خاص اعمال می‌شود. در مرحله بعد، جدول احتمال نتایج بررسی و در صورت نیاز، مجموع احتمال‌ها به یک نرمال می‌شود. به این معنی که مجموع احتمال تمام نتایج باید برابر با ۱۰۰ درصد باشد. پس از آماده شدن جدول اصلاح‌شده، نتیجه هر مسابقه به‌صورت تصادفی و متناسب با احتمال‌ها انتخاب می‌شود.
مراحل اصلی شبیه‌سازی
فرایند را می‌توان به شکل زیر خلاصه کرد:
۱. برآورد تعداد گل مورد انتظار میزبان و میهمان
۲. محاسبه احتمال نتایج مختلف با مدل پواسون
۳. اعمال ضریب دیکسون–کولز روی چهار نتیجه کم‌گل
۴. آماده‌سازی جدول نهایی احتمال‌ها
۵. انتخاب تصادفی یک نتیجه بر اساس احتمال‌های اصلاح‌شده
۶. محاسبه امتیاز تیم‌ها و ثبت نتیجه در جدول لیگ
۷. تکرار فرایند برای تمام مسابقات و فصل‌های شبیه‌سازی‌شده
با تکرار تعداد زیادی شبیه‌سازی، می‌توان توزیع احتمالی رتبه‌های نهایی را بررسی کرد.
چرا اصلاح احتمال مساوی برای جدول لیگ مهم است؟
در فوتبال، نتیجه مساوی با پیروزی و شکست از نظر امتیاز تفاوت دارد. در بیشتر لیگ‌ها، پیروزی سه امتیاز و مساوی یک امتیاز برای هر تیم به همراه دارد. بنابراین، تغییر در احتمال نتایج مساوی می‌تواند بر توزیع امتیازهای شبیه‌سازی‌شده اثر بگذارد. برای مثال، اگر مدلی احتمال برخی نتایج یک بر صفر را بیش از اندازه تخمین بزند، ممکن است در شبیه‌سازی‌ها تعداد پیروزی‌های کم‌گل بیشتری تولید کند. این موضوع می‌تواند بر امتیاز نهایی تیم‌ها اثر بگذارد. وقتی یک فصل شامل ده‌ها مسابقه باشد و شبیه‌سازی هزاران بار تکرار شود، حتی تفاوت‌های کوچک نیز ممکن است در خروجی آماری مشاهده شوند.
تأثیر مدل بر پیش‌بینی قهرمانی
در یک لیگ ۲۰ تیمی با ۳۸ مسابقه برای هر تیم، تعداد زیادی نتیجه در تعیین قهرمان نقش دارد. اگر توزیع احتمالی این نتایج به داده‌های واقعی نزدیک‌تر باشد، احتمال دارد برآورد آماری رتبه‌های نهایی نیز بهبود پیدا کند. با این حال، بهتر شدن پیش‌بینی قهرمانی فقط با اضافه کردن ضریب دیکسون–کولز تضمین نمی‌شود. کیفیت داده‌ها، برآورد قدرت تیم‌ها و روش شبیه‌سازی نیز اهمیت زیادی دارند.
تأثیر بر پیش‌بینی سقوط تیم‌ها
همین مسئله درباره تیم‌های پایین جدول نیز صدق می‌کند. تفاوت میان یک مساوی و یک شکست ممکن است در پایان فصل اهمیت زیادی داشته باشد. اگر مدلی تعداد مساوی‌ها را کمتر از واقع برآورد کند، ممکن است توزیع امتیازات تیم‌های پایین جدول نیز دچار اختلاف شود. اصلاح احتمال نتایج می‌تواند یکی از راه‌های کاهش این نوع خطا باشد.
مدل دیکسون–کولز در پیش بینی نتایج فوتبال
آیا مدل دیکسون–کولز همیشه دقیق‌تر از پواسون است؟
خیر. مدل دیکسون–کولز با وجود مزایای آماری، محدودیت‌هایی دارد. این مدل برای اصلاح بعضی ویژگی‌های نتایج فوتبال طراحی شده است، اما نمی‌تواند تمام عوامل مؤثر بر یک مسابقه را در نظر بگیرد. در ادامه، مهم‌ترین محدودیت‌های آن را بررسی می‌کنیم.
۱. اصلاح تنها چهار نتیجه مشخص
مدل دیکسون–کولز احتمال چهار نتیجه کم‌گل را مستقیماً اصلاح می‌کند. بنابراین، نمی‌توان انتظار داشت تمام خطاهای مدل پواسون با اضافه کردن این ضریب برطرف شوند. برای مثال، اگر مدل در پیش‌بینی تعداد گل‌های زیاد نیز خطا داشته باشد، اصلاح چهار نتیجه کم‌گل لزوماً آن مشکل را حل نمی‌کند.
۲. مقدار پارامتر رو برای همه لیگ‌ها یکسان نیست
در مثال‌های مقاله، مقدار منفی ۰٫۱۳ برای پارامتر رو استفاده شده است. اما این مقدار نباید به‌عنوان یک عدد ثابت و مناسب برای تمام رقابت‌ها در نظر گرفته شود. ممکن است الگوی نتایج در لیگ‌های مختلف متفاوت باشد. همچنین شرایط تاکتیکی فوتبال در دوره‌های زمانی گوناگون تغییر می‌کند. به همین دلیل، بهتر است پارامتر رو با استفاده از داده‌های همان رقابت برآورد شود.
۳. کیفیت گل‌های مورد انتظار اهمیت زیادی دارد
دیکسون–کولز احتمال نتایج را اصلاح می‌کند، اما به‌تنهایی میانگین گل‌های مورد انتظار تیم‌ها را دقیق‌تر نمی‌سازد. فرض کنید مدل به‌اشتباه انتظار داشته باشد تیمی ۲٫۵ گل بزند، در حالی که برآورد مناسب‌تر بسیار کمتر باشد. در چنین شرایطی، ضریب اصلاحی نمی‌تواند تمام خطای ناشی از ورودی نامناسب را جبران کند. بنابراین، کیفیت اطلاعات اولیه یکی از مهم‌ترین عوامل تعیین‌کننده دقت مدل است.
۴. مدل نتیجه قطعی مسابقه را مشخص نمی‌کند
حتی اگر احتمال یک نتیجه در مدل بالا باشد، نمی‌توان وقوع آن را قطعی دانست. برای مثال، اگر احتمال برد یک تیم ۷۰ درصد باشد، همچنان ۳۰ درصد احتمال برای سایر نتایج وجود دارد. همچنین عواملی مانند اخراج بازیکن، مصدومیت، اشتباهات فردی و اتفاقات غیرمنتظره می‌توانند جریان مسابقه را تغییر دهند. بنابراین، خروجی مدل باید به‌عنوان برآورد احتمال تفسیر شود، نه پیش‌گویی نتیجه.
چه عواملی می‌توانند دقت مدل دیکسون–کولز را افزایش دهند؟
برای استفاده بهتر از این مدل، انتخاب داده‌های مناسب اهمیت زیادی دارد. یکی از مهم‌ترین داده‌ها، توان هجومی و دفاعی تیم‌هاست. اگر مدل بتواند قدرت گلزنی و گل خوردن تیم‌ها را دقیق‌تر برآورد کند، میانگین گل مورد انتظار نیز می‌تواند مناسب‌تر باشد. عامل دیگر، تفاوت عملکرد تیم‌ها در مسابقات خانگی و خارج از خانه است. بعضی تیم‌ها در زمین خود عملکرد بهتری دارند و این موضوع باید در محاسبات لحاظ شود. همچنین استفاده از داده‌های به‌روز می‌تواند به مدل کمک کند تغییرات قدرت تیم‌ها را بهتر دنبال کند.
برای مثال، عملکرد یک تیم در فصل گذشته ممکن است لزوماً نشان‌دهنده قدرت فعلی آن نباشد. به همین دلیل، هنگام طراحی یک مدل آماری باید درباره بازه زمانی داده‌ها و وزن مسابقات قدیمی‌تر تصمیم‌گیری شود. در نهایت، بهتر است مدل با مسابقاتی که در مرحله تنظیم پارامترها استفاده نشده‌اند نیز آزمایش شود تا دقت آن به‌صورت مستقل بررسی شود.
تفاوت پیش‌بینی نتیجه دقیق و احتمال برد یا مساوی
یکی از نکات مهم درباره مدل دیکسون–کولز، تفاوت میان دو نوع پیش‌بینی است. نوع اول، محاسبه احتمال نتیجه دقیق مسابقه است.
برای مثال:
- صفر بر صفر
- یک بر صفر
- یک بر یک
- دو بر یک
نوع دوم، محاسبه احتمال سه نتیجه کلی است:
- پیروزی میزبان
- مساوی
- پیروزی میهمان
احتمال هرکدام از این سه حالت از جمع احتمال نتایج دقیق مربوط به آن به دست می‌آید. برای مثال، احتمال مساوی از جمع احتمال تمام نتایج برابر محاسبه می‌شود. یعنی احتمال صفر بر صفر، یک بر یک، دو بر دو و سایر مساوی‌های ممکن با یکدیگر جمع می‌شوند. مدل دیکسون–کولز با تغییر احتمال صفر بر صفر و یک بر یک، می‌تواند احتمال کلی مساوی را نیز تغییر دهد. با این حال، این تغییر معمولاً محدود است و به مقدار پارامتر رو و تعداد گل‌های مورد انتظار دو تیم بستگی دارد.
آیا مدل دیکسون–کولز برای تمام مسابقات فوتبال مناسب است؟
این مدل می‌تواند برای تحلیل آماری بسیاری از رقابت‌های فوتبال استفاده شود، اما کیفیت نتیجه به داده‌های موجود بستگی دارد. در مسابقاتی که اطلاعات تاریخی کافی درباره عملکرد تیم‌ها وجود دارد، برآورد پارامترهای مدل معمولاً امکان‌پذیرتر است. اما در رقابت‌هایی با داده‌های محدود یا تیم‌هایی که تغییرات زیادی داشته‌اند، برآورد دقیق قدرت هجومی و دفاعی دشوارتر خواهد بود. همچنین در مسابقات حذفی، شرایط انگیزشی و تاکتیکی ممکن است با مسابقات لیگ متفاوت باشد. بنابراین، بهتر است پیش از استفاده از مدل در هر رقابت، عملکرد آن با داده‌های واقعی همان نوع مسابقات بررسی شود.
مدل دیکسون–کولز در پیش بینی نتایج فوتبال
پرسش‌های متداول درباره مدل دیکسون–کولز
مدل دیکسون–کولز چیست؟
مدل دیکسون–کولز یک روش آماری برای پیش‌بینی نتایج فوتبال است که با اضافه کردن ضریب اصلاحی به مدل پواسون، احتمال چهار نتیجه کم‌گل را تنظیم می‌کند.
مدل دیکسون–کولز چه تفاوتی با پواسون دارد؟
مدل پواسون ساده، تعداد گل‌های دو تیم را مستقل در نظر می‌گیرد. مدل دیکسون–کولز با استفاده از یک ضریب اصلاحی، وابستگی احتمالی نتایج کم‌گل را در محاسبات لحاظ می‌کند.
مدل دیکسون–کولز چه زمانی معرفی شد؟
این مدل در سال ۱۹۹۷ توسط مارک دیکسون و استوارت کولز معرفی شد.
آیا مدل دیکسون–کولز احتمال مساوی را افزایش می‌دهد؟
اگر پارامتر اصلاحی مقدار منفی مناسبی داشته باشد، احتمال نتایج صفر بر صفر و یک بر یک افزایش پیدا می‌کند. اما جهت و میزان تغییر به مقدار پارامتر و داده‌های مدل وابسته است.
پارامتر رو در مدل دیکسون–کولز چیست؟
پارامتر رو با نماد ρ نمایش داده می‌شود و شدت و جهت اصلاح احتمال نتایج کم‌گل را مشخص می‌کند.
آیا مقدار منفی ۰٫۱۳ برای تمام لیگ‌ها مناسب است؟
خیر. این مقدار در مثال مقاله استفاده شده است، اما بهترین مقدار پارامتر ممکن است برای لیگ‌ها و دوره‌های زمانی متفاوت باشد.
آیا مدل دیکسون–کولز می‌تواند قهرمان لیگ را پیش‌بینی کند؟
از این مدل می‌توان در شبیه‌سازی مسابقات و برآورد احتمال قهرمانی استفاده کرد، اما نتیجه آن قطعی نیست و به کیفیت داده‌ها و روش شبیه‌سازی بستگی دارد.
آیا دیکسون–کولز از پواسون دقیق‌تر است؟
در بعضی مجموعه‌داده‌ها، دیکسون–کولز می‌تواند برآورد نتایج کم‌گل را بهبود دهد. با این حال، برتری آن باید با آزمایش روی داده‌های واقعی بررسی شود.
آیا این مدل تعداد گل مورد انتظار را تغییر می‌دهد؟
خیر. ضریب اصلاحی اصلی دیکسون–کولز روی توزیع احتمال نتایج اعمال می‌شود و مستقیماً برآوردهای ورودی گل مورد انتظار را تغییر نمی‌دهد.
جمع بندی؛ مدل دیکسون–کولز چه کمکی به پیش‌بینی فوتبال می‌کند؟
مدل دیکسون–کولز یکی از روش‌های مهم در تحلیل آماری نتایج فوتبال است که برای اصلاح بعضی محدودیت‌های مدل ساده پواسون طراحی شده است. در روش پواسون، تعداد گل‌های میزبان و میهمان مستقل فرض می‌شود و احتمال نتیجه دقیق از ضرب احتمال گل‌های دو تیم به دست می‌آید. اما این فرض ممکن است برای برخی مسابقات کم‌گل با داده‌های واقعی هماهنگ نباشد. دیکسون–کولز با اضافه کردن یک ضریب اصلاحی، احتمال چهار نتیجه صفر بر صفر، یک بر صفر، صفر بر یک و یک بر یک را تغییر می‌دهد.
در نمونه‌ای که هر دو تیم میانگین ۱٫۳ گل مورد انتظار دارند، احتمال صفر بر صفر از ۷٫۳۴ درصد در مدل پواسون به ۸٫۹۵ درصد در مدل اصلاح‌شده می‌رسد. همچنین احتمال یک بر یک افزایش پیدا می‌کند و احتمال نتایج یک بر صفر و صفر بر یک کاهش می‌یابد. این تغییرات می‌توانند در شبیه‌سازی تعداد زیادی مسابقه، بر توزیع امتیازهای لیگ و برآورد احتمال قهرمانی یا سقوط اثر بگذارند.
با این حال، باید توجه داشت که دقت مدل به کیفیت داده‌های اولیه، مقدار پارامتر اصلاحی و نحوه برآورد توان گلزنی تیم‌ها بستگی دارد. در نهایت، دیکسون–کولز را می‌توان روشی کاربردی برای توسعه مدل‌های آماری فوتبال دانست؛ روشی که بدون تغییر کامل ساختار پواسون، تلاش می‌کند برآورد بعضی نتایج نزدیک را با الگوهای واقعی مسابقات هماهنگ‌تر کند.
