相反，对每一个
球队的具体实力为可交换的，它们来自常见分布：
正如许多学者的建议，我们需要在球队具体参数上提高一些可鉴别的约束。按照Karlis & Ntzoufras (2003)，文中使用了一个总和为零的约束。
但是，我们也另外用一个区域约束来评估模型的性能。在这个约束中，对于仅仅一只球队而言，其具体实力被设为0。例如：
虽然后面这个模型运行稍快，但是这些系数的解释随着基线增加，基线由进攻和防守强度都为0的球队所决定。所以不太直观。
最后，进攻和防守的超前效果再一次用均匀的先验分布独立建模：
模型的图标描述见图1。内在的分级特性通过一个无法观察的超参数
蕴含了一种在观察变量
之间的关联形式。事实上，
的组成一方面描述了一种潜在的结构，即为，我们假定整个赛季中所有球队表现正常；另一方面决定了平均得分率。
图1 分级模型的DAG表现形式 [DAG： directed acyclic graph 有向无环图]
每场比赛有助于这些参数的评估，这些参数依次生成主要效果。它们用来解释参数的变化并由此得出被观察量y的关联形式。
|
 |
人在热爱
|
