メインコンテンツへスキップ
見出し画像

対戦モデルにしたら投手が強くなった なんで?

    対戦モデルのロジックが完成し、1週間のモンテカルロシミュレーションが終わりました

    画像
    1週間のシミュレーション

    それでは、早速結果を見てみましょう

    シミュレーション結果

    1回シミュレーションとの比較

    まずは1回シミュレーションとチームの勝数・得点・失点を比較します

    画像
    勝利数 (実績の引き分けは0.5勝として集計)
    画像
    各チームのシーズン得点
    画像
    各チームのシーズン失点

    当然の結果ではありますが、1回シミュレーションと比較すると、予測のばらつきはだいぶん抑えられていることがわかります

    でも傾向(傾き)は同じですね

    2チーム対戦モデルの検証

    続いて、2チーム対戦の再現による効果を、平均的なチームと対戦する、通称「独り相撲モデル」と比較しながら確認したいと思います

    こちらもまずはチーム成績を比較します

    まずは勝利数

    画像
    勝利数

    勝利数の傾向はそんなに変わらないですね
    誤差の指標であるRMSE(平均的にどのくらい離れているか)を計算すると

    独り相撲モデル・・・4.778  
    対戦モデル・・・4.781
    ほぼ一緒と言っていいでしょう

    誤差の改善を期待したんですが、効果はありませんでした 残念・・・

    続いて得失点

    画像
    チーム得点 傾き 0.9484 → 0.9154
    画像
    チーム失点 傾き 0.9729 → 0.9142

    得失点は傾きが小さくなっていますね
    投手と打者の対戦を再現したことで、実績よりも離れてしまいました

    この結果を素直にとらえると、投手の能力が強く表現されるようになった
    ってことなのかな? でもなんで?

    平均より優秀な投手との対戦は増えるけど、投手側からすると強打者との対戦が増える 平等なはずですよね?

    うーん・・・

    個人成績比較

    ということで、個人成績の方を見ていきましょう
    まずは打撃成績から

    画像
    打者個人成績から算出した得点期待値比較

    独り相撲モデルは比例定数がほぼ1なので、実績通り
    一方対戦モデルは若干能力が低めになっています

    続いて投手成績

    画像
    打者個人成績から算出した得点期待値比較

    こっちも同じように投手の失点が減っていますが、打者よりも減っています

    投手の場合、リリーフは、継投ルールで対戦打者数が大きく変わるので、打者数で補正して比較してみます

    画像
    対戦打者数をそろえた期待値比較

    相関係数を見てみると、
    独り相撲モデルはほぼ1 対戦モデルは0.95
    打者より投手のほうが、さらに0.02 低い

    ということで、どういうわけか対戦モデルでは投手がやや有利になってしまう結果になりました

    原因調査 なぜ投手が強くなってしまうのか?

    ということで原因調査です
    実績との差が大きい投手成績に注目して、全シーズン全打席の結果の比率を比較してみます

    画像
    それぞれの発生比率を比較

    併殺打の減少は原因がわかってるからいいとして、
    出塁系が全体的にうっすら減少
    三振と犠打がこのグラフでわかるレベルで増加

    画像
    ひらめいた!

    三振と犠打が多くて、出塁が少ない選手と言えば・・・

    そう、投手の打席!

    この線でデータを深堀していきましょう

    まずはその仮説の確からしさを確認するため、セリーグとパリーグの失点期待値を比べてみます

    仮説が正しければ、投手打者との対戦が多いセリーグの方が失点期待値が低くなるはずです

    画像
    セ・パ 投手失点期待値比較

    目論見どおり!
    パリーグも傾きが1にはなっていませんが、おそらく交流戦の影響でしょう

    仮説が確からしいことがわかったので、どんどん深ぼっていきましょう!

    それでは、野手の実績・投手の実績・野手の予測・投手の予測 それぞれの期待値の差を埋めていこうと思います

    選手個人記録の差を埋めるのは難しいので、2009~2025年の野手得点期待値 投手得点期待値の予測実績の合計値で想定通りになるかを確認してみましょう

    画像
    全シーズンの投打得失点期待値合計値 予実比較

    この期待値から投手の打席を除いて、野手の打席数をそろえることで、野手投手間 予測実績間 それぞれの誤差が減るだろう と考えます

    投手の打席数
    残念ながらシミュレーションでは、投手の打撃成績を記録していなかったので、
    投手の対戦打者数ー野手の打席数 で算出します

    画像
    野手・投手それぞれの打席数

    計算してみると、
    野手の打席数は 実績>予測
    投手の打席数は 予測>実績
    となっていて、投手にとって有利になっています
    代打を実装していないことが原因ですが、これも投手側に有利に働いた理由の一つと言えそうです

    このように算出した投手の打席数に、投手打撃期待値を掛けて、投手分の得点を計算します

    投手1打席当たりの期待値は次のように計算できます

    画像
    投手の平均打撃結果と期待値

    1打席当たり - 0.012 となりました
    - 0.012 × 投手打席数で投手分の期待値が算出できます 

    画像
    投手の打席数から投手の打撃期待値を算出

    この投手打席の期待値を投手実績・野手実績それぞれから除くと次のようになります

    画像
    投手の期待値から投手の打撃分を除く

    野手と投手の期待値は完全一致とはいきませんでしたが、おおむね一致しています

    次は横軸の予測・実績をできるだけ揃えたいです

    予測と実績でそろっていないのは野手の打席数で、およそ3.0%くらい実績の方が多いです

    野手の打席数をそろえるため、予測期待値をを1.03倍程度に補正します
    そうすると・・・

    画像
    野手打席数をそろえての予実比較

    うーん、1にもう少し足りない
    予測の投手の方がまだちょっぴり有利になっています

    打者の成績はシンプルに投手との対戦成績
    投手の成績には投手打者の成績が含まれている
    となると、投手の(特にセリーグ)ほうが有利になるのは理にかなっています

    この歪みが2%程度の差として現れてしまったようです

    ここは要改善ポイントとして押さえておきます

    チーム成績 予実誤差

    個人成績の投手有利の原因はつかめました
    現在のチーム失点の予測には投手の打撃の扱いに伴い、95.1%程度減少していることになります

    一方でチーム得失点期待値の傾きは0.915程度
    投手の打席以外にも投手が強くなる要素が入っているようです 

    画像
    チーム得失点の予実比較

    うーん、なんでだろう・・・

    そういえば、実際の得点と期待値の関係ってどうなってたんだっけ?

    ということで、振り返ってみると

    画像
    実際の得点と、打撃結果から算出した期待値

    もともと低めになってるじゃん・・・

    期待値ってなんでこれでいいってことにしたんだっけ?
    ということで振り返ってみると、

    記事ではチームの得点と期待値の比較には注目していません・・・
    こんだけあってれば十分 という気持ちが強かったんでしょう

    まあ開発なんてそんなもんですよね

    実際は全く注目していなかったわけではなく、ChatGPTとの議論を振り返ると、

    得点と期待値の差(残差)は打撃意外の要素 例えば
    盗塁 エラー 球場の違い 天候 などなど・・・
    が含まれる

    でも、ここにこだわってたら進めないから、試合のモデル化に進もう!

    ってことにしていたようです

    それを踏まえて今回の予測期待値 / 実点数 = 0.9148 の妥当性を確認します

    実期待値 / 実点数 =  0.9667
    予測期待値 / 実期待値 =  0.9524 (野手側・投手側の平均)
    となるので、
    予測期待値 / 実点数 = 0.9667 × 0.9524 = 0.9207

    0.9148と0.9207 なので、0.6%程度の誤差なのでほぼ一致と考えて良いと思います

    これでおおむね誤差の原因ははっきりしました

    まとめ これからの進め方

    対戦モデルに進化することで、投手が強めにされる結果になりました
    原因は以下の通りです

    原因①
    投手成績には投手打者との対戦成績が含まれるため、投手有利になっていた
    原因②
    代打が実装できていないため、投手が打席に立つ機会が増えていた
    原因③
    そもそも期待値は実得点に対して低めに出る傾向があった
    盗塁・エラー等の要素を実装していないことが主な原因

    今後の進め方

    原因② ③については、より現実の野球に近づける必要があるため今のモデルでは改善できない

    原因①は対数オッズ空間での計算に使う標準成績と投手成績を改善する必要があり、より現実に野球に近づけたモデルに進んだとしても残されてしまう問題です
    ということで、この改善はこの対戦モデルで詰めておいた方が良いと考えます

    ということで次回は、原因①の解決に進みたいと思います

    例によって開発状況をXでつぶやいています
    もう一回50回シミュレーションをやることになるため、しばらく間があくと思うので、気になるよっ て方は覗いていただけると幸いです

    おまけ 対戦モデルの成績

    ここでは、今回の考察には使わなかった、でも「ふーん」と思える分析結果を掲載します

    興味のある方は見ていってください

    画像
    先発勝利数
    24勝しているのはマー君こと2013年 田中将大選手(E)
    相関係数はおおむね1なのでいい感じ
    画像
    セーブ数
    相関係数は独り相撲モデルに対してやや現実に近づいたようです
    54セーブしているのは2017年 サファテ選手(H)
    画像
    ホールドポイント
    独り相撲モデルに比べ改善
    強打者との対戦が再現されることで、救援登板機会が増えたものと考えられます
    画像
    救援登板回数
    独り相撲モデルに比べて改善
    こちらも強打者との対戦が再現できたことによると考えます

    投手の登板傾向は対戦モデルに進化したことで、現実に近づいたようです

    ただ、
    2013年 田中将大選手の24勝 
    2017年 サファテ選手の54セーブ
    のような極端な成績は再現が難しいようです
    統計的に考えると、現実の方が外れ値だったと考えてもいいのかもしれません

    順位結果については次回掲載しようと思います

    ここまで読んでいただいた方 ありがとうございます


    この記事が参加している募集

     
     
    機械系エンジニアを仕事にしてきましたが、巡り合わせでデータサイエンスの世界にも飛び込むことになりました。 プロ野球を題材にしたシミュレーションを進めているのでその過程を公開します データサイエンティストの皆さん、野球好きの皆さんに楽しんでもらえる記事にしたいです

    あなたへのおすすめ