感谢原po的用心整体，这篇只是一些我个人的看法和疑问。 : 给予每1%的efg% opp.加权=*200 : 等於靠FG的得分是79.29分(96.2-16.91=79.29) : FGA 81.2次, FGM 36.4次 （同样都是NBA per 48min 平均） : 所以在efg%的公式下 : 可得 79.29分 : 因此每次投篮命中=79.29/39.6≒2.00 : 等於每减少1%的efg opp.代表守住2分 这边不太清楚 39.6 由来，请问原意是要除以 36.4 吗？ 不过 79.29/36.4 是 per Field Goal Made 平均带来的分数， 计算每减少 1% eFG% （每 100 FG Attempt）的分数应该是 100*1%*2=2 。 （虽然结果与原文 79.29/39.6 的结果一样就是了） : NBA平均每场(48min)poss.= 93.7次(poss.可以简单解释为『进攻』) : 所以每次poss.=96.2/93.7≒1.03分 抱歉，我知道这部份旨在计算出联盟的 DRtg 或一个类似 PER 里的 VOP， 数字些微差异不是重点； 但还是好奇的想请问 poss48m= 93.7 这个数字的来源是？ 因我查询本季联盟 DefEff（101.8，至4/15）或 DRtg（104.7，至4/19） 均不符合 103 这数字，小小疑问。 : 而每1%的drb％可以解释为『每100次防守篮板可以抓到1次』 : 每抓到1次防守篮板也等於1次poss. 挑个定义上的问题，Poss 不依篮板增减，1OR 加进攻方一次 play，继续该次 Poss。 : blk%的部分比较麻烦 : 因为火锅搧出来 会是敌队续攻或转换球权的比例找不到统计 : 只好直接认为两者各50% 这边提供一个82g做的统计给您做设计公式的参考： http://www.82games.com/comm16.htm 基本上自2000以降，联盟平均 DR% 算是稳定，变幅都在 3% 内， 但火锅後的 DR% 因人而异会有相当大的不同我认为会是将公式更细节化的难题。 另外以下一起说明个人看法，因为版面将您的一些缩写更改至常见的方式； A = D+-Net +200*OeFG + 103*DR% +103*.5*BK% + .75*OFTA + 1.03*OTO + DR/S/B B = D+-Net + DR/S/B Player A版 B版 T. Chandler -21.31 -10.4 Bibby 13.60 2.0 在Ａ公式上，其实我认为很大的问题在於各项重复性太高， 一成功防守 play 价值被重复计算多次。 原po请先不要见怪，这边是个人看法，不见得正确:) 例公式里给减少 eFG% 分数，但又在 BK% 给予该 play 全额分数（部分重复给分） ，且将第1项的 Def/100 的 Net 值与2~6项做加总，毕竟该值是球员在场上各项防 守的综合产物（当然该值没有经过调整，不适直接比较），再加总个人认为等同2~6 项价值有一定机率完全重复计算， 而再加第7项 DR/S/B，则是如Ｂ公式，将 on/off 资料与原始数据揉合，这部份同 样有极大的重复问题，因为球员的个人Box原始数据已反映於 on/off 体系中，例如 Tyson 的高篮板率即会直接或间接造成 off court 时团队篮板率的相对衰退。 或者这样说，就个人认知，现有数据统计方式大致为 Box Metrics 系统和 +/-系统 ，而 on/off 数据横跨了两个系统（端看需要的资料类型），不同系统以不同形式 和模型统计同一件事情（试图去量化球员场上的表现），轻易的做数据加总会造成 该数值含高重复率，会容易高/低/错估球员的表现。 还有另一个显而易见的问题是公式五、七项是per 48 min的统计，而其余四项是per 100 possessions 或 per 100单位的统计。 A版公式中 Tyson 的分数达-21.31分，如果用联盟 DRtg 去减该分数（因为公式中 的系数来自联盟），Tyson 会得到 83.39 这史上空前绝後的单季个人 DRtg，而史 上第一的单季防守头衔似乎让人难以置信。 : 最後提供一篇文章 : 缩网址：http://0rz.tw/RUZXA 感谢提供，该文作者大致参考 Dean.Oliver 的理论基础。 最後的数值应该是 Oliver 的 Individual DRtg play-by-play 版本。 : 我会修改成：防守光看『现有』的数据不准。毕竟有数据还是比较有参考、讨论的依据 : 除非未来数据精进到记录 : 个人单防\协防下的出手命中率、个人单防造成的犯规和失误数... : 这种非常个人且精确的数据 否则目前的防守数据还是太粗略 : 需要依靠过多的主观和推论去进行处理 : 而on/off court 数据 就像+/-这类数据一样 必须考虑到很多其他因素 : 像：先发在场时 面对的也是对方的先发 当然攻防都会比较困难 : 替补上场 多半也是面对对方的替补 攻防就比较容易 : 或者球员上下场时的队友差异 : 还是得说 数据就是多个看球的乐趣 讨论时多一点话题 : 有什麽错误还请板友包涵 其实防守数据个人很喜欢 RAPM（Regularized Adjusted Plus/Minus(+/-) ） 的防守端数值，APM（Adjusted +/-）已用统计方式尽量去除原po您所考量的 同/敌队的先发/替补影响，RAPM则是再将该值以 Bayesian 方法 Regularized （没有记统计上专有名词中译）；当然这数据也是有不足之处，样本需求相当大， 以及角色球员在不同队不同定位时会有不小差距，当然或许这也未必是数字问题， 角色球员本来状况就不稳定而容易因定位有所大起伏。 而 Neil Paine 也用 Dan Rosenbaum 模型设计出一个公式 DPA (Def Pts Added )， 理论也是很有系统地建构。http://www.basketball-reference.com/blog/?p=4516 一些个人看法，打得匆忙，一定有错误之处， 措词上有让phelyl板友你不舒服之处请让我知道，感谢！ --

※ 发信站: 批踢踢实业坊(ptt.cc) ◆ From: 220.134.16.174 ※ 编辑: Broli 来自: 220.134.16.174 (04/20 08:48) ※ 编辑: Broli 来自: 220.134.16.174 (04/20 15:59)