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。
|
 |
人在热爱
|
