本文目录导读:

你这个问题信息不太完整,我先按最可能的理解来回答:在足球数据分析/开源项目(如 soccer-analytics、statsbombpy、FBref 爬虫项目、xG 模型项目等)中,“扑救成功率”这个指标被认为对比赛结果/球队成绩的影响有多大?
如果你的意思不是这个,请补充一下“开源项目”具体指哪个项目、以及“影响”的对象是什么(比赛胜负?联赛积分?球员身价?模型预测精度?)。
一般结论(足球分析开源社区的普遍观点)
扑救成功率(Save %)被认为是一个“描述性强、但预测性弱”的指标,影响被普遍低估或被视为噪声较大的变量,原因如下:
对比赛结果的影响:短期大,长期小
- 单场比赛:门将扑救成功率对结果影响很大(一次关键扑救≈0.3–0.5个预期失球)。
- 赛季层面:开源项目(如 StatsBomb 社区、FBref 分析)普遍发现,扑救成功率的年际相关性很低(约0.2–0.4),远低于射门转化率等指标,说明它很大程度是运气/样本噪声。
- 因此很多模型(如基于 xG 的积分预测)不把 Save% 作为核心特征,而用 PSxG±(扑救后预期失球差) 替代。
在 xG 类开源模型中的处理
- 主流开源 xG 模型(如
socceraction、xA系列项目)把门将扑救视为二元结果,不直接建模 Save%,而是建模 PSxG(Post-Shot xG)。 - 社区共识:PSxG-GA(扑救后预期失球减实际失球) 比 Save% 更能稳定衡量门将能力,年际相关性约 0.5–0.6。
对球队成绩的量化影响(开源分析常见估计)
- 顶级门将 vs 平均门将,一个赛季大约值 3–6 个积分(约 0.1–0.15 分/场)。
- 换算成“扑救成功率”:Save% 每高 5 个百分点,粗略对应每赛季少丢 4–7 球,约 2–4 个积分。
- 但这个效应远小于进攻端(xG 创造)和整体防守结构的影响。
为什么开源项目“认为影响不大”
- 样本量小:一门将一赛季面对约 100–150 次射正,Save% 的标准误约 ±3–4 个百分点。
- 可复现性差:不同项目对“扑救”定义不同(是否含点球、是否含挡出但未控住)。
- 被 xG 吸收:一旦控制射门质量(PSxG),Save% 的增量解释力很小。
如果你问的是别的“扑救成功率”
- 冰球(goalie save %):开源 hockey-analytics 社区认为影响比足球大,年际相关性约 0.6–0.7,顶级门将值 5–8 个胜场。
- 手球/水球:类似足球,描述性强、预测性弱。
请确认一下:
- 你指的“开源项目”是哪个(socceraction?FBref 分析?某个 xG 模型仓库?)
- “影响”是对比赛结果、球员评价还是模型预测精度?
我可以据此给出更精确的、带具体项目结论的回答。
版权声明:本站文章为原创整理,转载请注明出处。