5 讨论
文中所述模型是贝叶斯分级建模的简单应用。在第二节中讲述的基本结构通过标准MCMC算反很容易实施运行,例如第六节所提供的WinBUGS代码。本模型的性能不比Karlis & Ntzoufras (2003)的模型差,后者依赖于双变量泊松结构并需要一个详细的算法。
此外,分级模型很容易扩展成混合结构以解释如下事实:当用进攻和防守效果来描述得时候,球队表现出不同的进球和失球景象。在此情况下,模型变得更复杂且很耗时。但任然可以使用标准MCMC算法完成。
灵敏度分析是通过在混合模型中任意选取正负3界限值的截断正态分布来进行的。当取值很大时,模型不可能把球队混合地分配到三个组当中,而是大多数都会分配到第二个类别里。这直观上是因为当截断正态分布有一个很大的支集时,相比中心的组成,其它部分的密度会很低。另外,如果截断值太小,极端事件的密度会很高,从而没有一个球队会分配在第二类里。
此模型会产生的极端情况(不是模型本身)之一如下,简言之, 用观察值估计参数来对整个赛季所有比赛一次得到所有预测。另一种,更复杂的方法是动态预测新的比赛结果。一种可能的办法是将超参数定义为”时间”确定的,以解释球队不同时期的变化形式(包括受伤,停赛等)。此外,先验信息可以包含在各种层次的模型中,比如专家关于每支球队优点的意见。
|