感謝原po的用心整體，這篇只是一些我個人的看法和疑問。 : 給予每1%的efg% opp.加權=*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 （同樣都是NBA per 48min 平均） : 所以在efg%的公式下 : 可得 79.29分 : 因此每次投籃命中=79.29/39.6≒2.00 : 等於每減少1%的efg opp.代表守住2分 這邊不太清楚 39.6 由來，請問原意是要除以 36.4 嗎？ 不過 79.29/36.4 是 per Field Goal Made 平均帶來的分數， 計算每減少 1% eFG% （每 100 FG Attempt）的分數應該是 100*1%*2=2 。 （雖然結果與原文 79.29/39.6 的結果一樣就是了） : NBA平均每場(48min)poss.= 93.7次(poss.可以簡單解釋為『進攻』) : 所以每次poss.=96.2/93.7≒1.03分 抱歉，我知道這部份旨在計算出聯盟的 DRtg 或一個類似 PER 裡的 VOP， 數字些微差異不是重點； 但還是好奇的想請問 poss48m= 93.7 這個數字的來源是？ 因我查詢本季聯盟 DefEff（101.8，至4/15）或 DRtg（104.7，至4/19） 均不符合 103 這數字，小小疑問。 : 而每1%的drb％可以解釋為『每100次防守籃板可以抓到1次』 : 每抓到1次防守籃板也等於1次poss. 挑個定義上的問題，Poss 不依籃板增減，1OR 加進攻方一次 play，繼續該次 Poss。 : blk%的部分比較麻煩 : 因為火鍋搧出來 會是敵隊續攻或轉換球權的比例找不到統計 : 只好直接認為兩者各50% 這邊提供一個82g做的統計給您做設計公式的參考： http://www.82games.com/comm16.htm 基本上自2000以降，聯盟平均 DR% 算是穩定，變幅都在 3% 內， 但火鍋後的 DR% 因人而異會有相當大的不同我認為會是將公式更細節化的難題。 另外以下一起說明個人看法，因為版面將您的一些縮寫更改至常見的方式； 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，其實我認為很大的問題在於各項重複性太高， 一成功防守 play 價值被重複計算多次。 原po請先不要見怪，這邊是個人看法，不見得正確:) 例公式裡給減少 eFG% 分數，但又在 BK% 給予該 play 全額分數（部分重複給分） ，且將第1項的 Def/100 的 Net 值與2~6項做加總，畢竟該值是球員在場上各項防 守的綜合產物（當然該值沒有經過調整，不適直接比較），再加總個人認為等同2~6 項價值有一定機率完全重複計算， 而再加第7項 DR/S/B，則是如Ｂ公式，將 on/off 資料與原始數據揉合，這部份同 樣有極大的重複問題，因為球員的個人Box原始數據已反映於 on/off 體系中，例如 Tyson 的高籃板率即會直接或間接造成 off court 時團隊籃板率的相對衰退。 或者這樣說，就個人認知，現有數據統計方式大致為 Box Metrics 系統和 +/-系統 ，而 on/off 數據橫跨了兩個系統（端看需要的資料類型），不同系統以不同形式 和模型統計同一件事情（試圖去量化球員場上的表現），輕易的做數據加總會造成 該數值含高重複率，會容易高/低/錯估球員的表現。 還有另一個顯而易見的問題是公式五、七項是per 48 min的統計，而其餘四項是per 100 possessions 或 per 100單位的統計。 A版公式中 Tyson 的分數達-21.31分，如果用聯盟 DRtg 去減該分數（因為公式中 的係數來自聯盟），Tyson 會得到 83.39 這史上空前絕後的單季個人 DRtg，而史 上第一的單季防守頭銜似乎讓人難以置信。 : 最後提供一篇文章 : 縮網址：http://0rz.tw/RUZXA 感謝提供，該文作者大致參考 Dean.Oliver 的理論基礎。 最後的數值應該是 Oliver 的 Individual DRtg play-by-play 版本。 : 我會修改成：防守光看『現有』的數據不準。畢竟有數據還是比較有參考、討論的依據 : 除非未來數據精進到記錄 : 個人單防\協防下的出手命中率、個人單防造成的犯規和失誤數... : 這種非常個人且精確的數據 否則目前的防守數據還是太粗略 : 需要依靠過多的主觀和推論去進行處理 : 而on/off court 數據 就像+/-這類數據一樣 必須考慮到很多其他因素 : 像：先發在場時 面對的也是對方的先發 當然攻防都會比較困難 : 替補上場 多半也是面對對方的替補 攻防就比較容易 : 或者球員上下場時的隊友差異 : 還是得說 數據就是多個看球的樂趣 討論時多一點話題 : 有什麼錯誤還請板友包涵 其實防守數據個人很喜歡 RAPM（Regularized Adjusted Plus/Minus(+/-) ） 的防守端數值，APM（Adjusted +/-）已用統計方式盡量去除原po您所考量的 同/敵隊的先發/替補影響，RAPM則是再將該值以 Bayesian 方法 Regularized （沒有記統計上專有名詞中譯）；當然這數據也是有不足之處，樣本需求相當大， 以及角色球員在不同隊不同定位時會有不小差距，當然或許這也未必是數字問題， 角色球員本來狀況就不穩定而容易因定位有所大起伏。 而 Neil Paine 也用 Dan Rosenbaum 模型設計出一個公式 DPA (Def Pts Added )， 理論也是很有系統地建構。http://www.basketball-reference.com/blog/?p=4516 一些個人看法，打得匆忙，一定有錯誤之處， 措詞上有讓phelyl板友你不舒服之處請讓我知道，感謝！ --

※ 發信站: 批踢踢實業坊(ptt.cc) ◆ From: 220.134.16.174 ※ 編輯: Broli 來自: 220.134.16.174 (04/20 08:48) ※ 編輯: Broli 來自: 220.134.16.174 (04/20 15:59)