nemrég írtam az ERA indikátorok megfelelő használatáról a relatív prediktív értékük alapján annak fényében, hogy azon kaptam magam, hogy ezeket használom anélkül, hogy jobban megértettem volna, miért. Azt hiszem, ez valami, amit sok alkalmi fantasy baseball játékos értékelhet. Egy barát sérteget egy korsót, amelyet szeretsz egy magas korszak alapján, így futsz a Fangraphs oldalára, megtalálod a SIERA, xFIP vagy FIP (amelyik a legalacsonyabb), és köpd vissza a barátodra. Ami még rosszabb, ezt a Twitteren fogja megtenni egy vita közepette.

én, az egyik, bűnös vagyok ebben.

de ez nem csak ERA mutatók. Ezt tesszük a statisztikákkal is. Először is, nehéz volt % Baseball Info Solutions. Egy játékos nem teljesít az elvárásoknak? Soha ne félj, kemény% – a csillagászati!

a fantasy közösség legújabb divatja a Statcast metrikák idézése a Baseball Savant-tól, amely a cikk középpontjában áll. Első, fontos megérteni, honnan származnak ezek az adatok:

a Statcast két különböző nyomkövető rendszer kombinációja — a Trackman Doppler radar és a nagyfelbontású Chyron Hego kamerák. A radar, amelyet minden ballparkba emelt helyzetben telepítenek az otthoni lemez mögött … rögzíti a hangmagasság sebességét, a centrifugálási sebességet, a hangmagasság mozgásának kilépési sebességét, az indítási szöget, az ütő labda távolságát, a kar erejét és így tovább. Külön-külön, minden ballparknak van egy Chyron Hego kamerarendszere is, ahol hat sztereoszkópikus kamerát telepítenek darabonként három kamera két bankjába a rossz vonalon. A kamerarendszer nyomon követi az emberek mozgását a pályán, amely lehetővé teszi a játékos sebességének, távolságának, irányának és még sok más mérését minden játék során.

sok mindent ki kell csomagolni, de ez nem egy cikk a Doppler radar vagy a kamerarendszer pontosságáról. Ehelyett a radar és a kamerák által generált legnépszerűbb Statcast ütési mutatók kurátoros listáját szeretném tesztelni, hogy megállapítsam, melyek a leginkább előrejelzik a hitter erejét.

ahhoz, hogy ezeket a meghatározásokat elvégezhessem, ezeket a mutatókat a HR/FB% és az ISO alapján állítom vissza. Az előbbi a fantasy baseball szempontjából relevánsabb, mert tudni akarjuk, hogy egy ütő folytatja-e az otthoni futásokat. Alapvetően, fontolóra vettem a Statcast mutatók regresszióját a nyers otthoni futási összegekkel szemben, de ezek nem képviselik a hitters teljesítményének pontos mérését, mert ezek az összegek a hitter lemezmegjelenéseinek számától függően változnak. Ennek megfelelően a HR/PA% – ot tekintettem, de ez sok olyan lemezmegjelenési eredményt söpör, amelyeket a Statcast teljesítménymutatói nem befolyásolnak, mint például a sztrájkok és a séták. Végül a HR/FB% – on landoltam, mivel ez a mutató csak a játékban lévő labdákat veszi figyelembe, különösen a fly balls-t, és a legtöbb otthoni futás egyébként is fly balls-en jön.

az ISO sokkal hasznosabb a valódi baseball szempontjából, mint a HR/FB%, mivel magában foglalja a duplákat és a triplákat. A másik mutató, amelyet figyelembe vettem, az SLG volt, de az ISO jobb a játékos nyers teljesítményének mérésére, mint az SLG, mert kizárja egyedülállók. Ennek eredményeként vissza fogom állítani a Statcast mutatókat az ISO-val szemben is.

elemzéseimhez lineáris és többszörös regressziót végeztem. A “regresszió” alatt azt értem, hogy megtaláltam a meghatározási együtthatót, vagy r^2, amely megmutatja, hogy egy független változó (például indítási szög) milyen mértékben magyarázza a függő változó mintájának változását (például HR/FB%). Minél nagyobb az r^2 (amely mindig 0 és 1 között lesz), annál nagyobb a függő változó előrejelzi az eltéréseket a független változóban.

a mintámhoz minden olyan játékost kiválasztottam, akinek legalább 150 ütő-labda eseménye (BBE) volt minden szezonban 2015-18 között. Először is, minden Statcast mutatót évről évre regresszáltam, hogy lássam, melyik “ragadós” és milyen mértékben. Ezután regresszáltam a Statcast mutatókat a HR/FB% és az ISO ellen. Végül, tettem egy kicsit ásni, hogy az Ön számára néhány bónusz elemzés.

kezdjük.

definíciók

először meg kell adnom néhány praktikus meghatározást a Statcast szószedetből a tesztelendő mutatókhoz, hogy legyen referenciakerete:

• ütős labda esemény (BBE): minden ütős labdát képvisel, amely eredményt hoz. Ez magában foglalja a bínokat, a találatokat és a hibákat. Bármely tisztességes labda ütős labda esemény. Így, is, olyan szabálytalan labdák, amelyek Outot vagy hibát eredményeznek.
• kilépési sebesség( EV): a kilépési sebesség a baseball sebességét méri, amikor az lejön az ütőről, közvetlenül az ütő érintkezése után. Ez nyomon követhető minden megütött labda esetén-outok, találatok és hibák.
• indítási szög (LA): azt a függőleges szöget jelöli, amelynél a labda ütés után elhagyja a játékos ütőjét. Az átlagos indítási szöget úgy számítják ki, hogy az összes indítási szög összegét elosztják az összes megütött labda eseményével.
• kemény találati arány (ÓÓ%): A Statcast a “keményen eltalált labdát” egy olyan találatként határozza meg, amelynek kilépési sebessége 95 mph vagy annál magasabb, és a játékos “kemény találati aránya” egyszerűen megmutatja az ütött labdák százalékos arányát 95 mph vagy annál nagyobb.
• hordó: ahhoz, hogy hordó legyen, egy megütött labda legalább 98 mph kilépési sebességet igényel. Ennél a sebességnél a 26 és 30 fok közötti indítási szöggel eltalált golyók mindig hordós besorolást kapnak. Minden kullancs felett 98 mph, az indítási szögek tartománya kibővül. A hordó besorolása olyan ütős-labdás eseményekhez van rendelve, amelyek hasonló találati típusai (a kilépési sebesség és a kilövési szög szempontjából) a minimumhoz vezettek .500 szemrebbenés átlagos és 1.500 slugging százalékos.

Az alábbiakban az átlagos EV, az átlagos LA és a HH%lesz. Ezen felül megvizsgálom az EV-t a fly balls és a line drive-okon (EV az FB/LD-n), a hordókat egy ütős labdás eseményenként (Brls/BBE%) és a hordókat a lemez megjelenésenként (Brls/PA%).

évről évre ragadósság

mennyire jól fordul át egy ütő HH%-a például az egyik évben a következőre? Milyen mértékben nézhetjük meg a hitter EV-jét az FB/LD-n, és mondhatjuk, hogy hasonló lesz a következő szezonban? A válasz ezekre a kérdésekre, és még több alább.

ezekből a számokból néhány következtetést levonhatunk. Először is, ezek mind meglehetősen hasonlóak, csak 0,5735 és 0,6674 között mozognak. Tudjuk, hogy az évről évre prediktivitás az, ennek megfelelően, viszonylag erős minden mutató esetében. Másodszor, az FB/LD EV egy év alatt az FB/LD EV nagyobb variációját magyarázza a következőben, mint bármely más Statcast mutató. Ez az összes “ragadósabb”.

harmadszor, bár a Brls/BBE% és a Brls/PA% hasonlónak tűnik, valójában egészen mások. Ezeket a különbségeket tükrözi az a tény, hogy a Brls/BBE% jobban előrejelzi önmagát az évszakok között. A Brls/BBE% csak a hordókat veszi figyelembe az ütöttlabda eseményeken, míg a Brls/PA% a hordókat az összes lemezmegjelenés függvényében veszi figyelembe. Mivel lényegesen több lemezmegjelenési eredmény van, mint csupán ütős-labdás események, nem meglepő, hogy a Brls/PA% nagyobb ingadozásnak van kitéve az évszakok között. Ha egy ütő javítja az áthúzási vagy járási arányát, akkor a Brls/PA% – a A következő évben megváltozik, míg a Brls/BBE% – a változatlan marad.

negyedszer, bár a fenti táblázat nem tükrözi, ezek a statisztikák körülbelül 50 játékgolyó után stabilizálódnak. Ezt Russel Carleton néhány nagyszerű kutatásából tudjuk, amelyet itt és itt olvashat. Ezek a Statcast mutatók mind la, EV és hordók származékai. Russel Carleton megállapította, hogy ez a három statisztika 50 játékgolyó után stabilizálódik (körülbelül 18 játékot játszottak).

most, hogy tudjuk, milyen ragadósak az egyes metrikák, és milyen gyorsan stabilizálódnak, tudjuk, hogy milyen mértékben tudjuk biztosan alkalmazni őket. Itt az ideje, hogy visszafejlődjenek a HR/FB% és az ISO ellen.

Hard%

először egy vezérlő változóra volt szükségem. Az egyik, amellyel összehasonlíthatjuk regresszióink eredményeit a Statcast teljesítménymutatók relatív prediktív értékének meghatározásához. Én telepedett Hard%, amely arról számolt be, a Fangraphs játékos oldalak által gyűjtött Baseball Info Solutions. Fangraphs szerint:

2010 óta a videó felderítők rögzítették a labda levegőben töltött idejét, a leszállási helyet és az ütős labda típusát (fly ball, ground ball, liner, stb.), és a BIS algoritmus meghatározza, hogy a labda puha, közepes vagy kemény volt-e. Sajnos a pontos algoritmus (a pontos vágási pontok/módszertan) a BIS tulajdonát képezi, és nem tudjuk pontosan megosztani, hogy mi minősül kemény érintkezésnek, de a számítás a lefagyási idő, a hely és az általános pálya alapján történik.

évek óta a Hard% – ot idézik annak meghatározására, hogy egy játékos megtartja-e a magas home run összértéket. Tehát a 2015-18-as ütők ugyanazon mintája esetében kemény% – ot regresszáltam a HR/FB% – kal és az ISO-val szemben, hogy teszteljem ennek a feltételezésnek a valódiságát.

mint látható, a Hard% viszonylag erős kapcsolatban áll mind a HR/FB% – kal, mind az ISO-val. Ne feledje, hogy felismerjük a meghatározási együtthatót, amely alacsonyabb lesz, mint a Pearson-korrelációs együttható (r). Tekintettel az ismeretlen változók számára, amelyek befolyásolják a játékos HR/FB% – át vagy ISO-ját (például ballpark, indítási szög, az ellenfél dobójának minősége stb.), egy r^2 0,44 vagy 0,48 elég erős. Másképp fogalmazva: például a HR/FB % varianciájának 44% – a kiszámítható a kemény% – ból.

átlagos indítási szög

most, hogy van egy kontrollcsoportunk, meg tudjuk mérni, hogy a Statcast mutatók milyen mértékben előrejelzik a nyers teljesítmény mutatóinkat.

egyrészt azt látjuk, hogy önmagában az átlagos LA nem prediktív a HR/FB% – ra, mivel az r^2 0,05852. Intuitív módon ennek van értelme. Az, hogy egy tészta többé-kevésbé megemelkedik-e, lényegtelen, hogy képes-e izmolni a légygolyóit a parkból. Ha a 0,05852 négyzetgyökét vesszük, akkor 0,2419 Pearson-korrelációs együtthatót kapunk, ami azt jelenti, hogy az átlagos LA és HR/FB% bizonyos fokig pozitívan korrelál. Ennek is van értelme. Hitters, akik emelik több általában hatalom hitters, akik képesek létrehozni otthon elfogy a légy golyó. De a felemelés önmagában nem okoz több otthoni futást a légygolyókon.

másrészt az átlagos LA jobban előrejelzi az ISO-t. Az ISO a denevéreknél az összes extra bázis találat mértéke. Az a ütő, aki többet emel, nagyobb valószínűséggel nagyobb százalékban rendelkezik a denevéreknél, ez extra bázist eredményez.

átlagos kilépési sebesség

Az átlagos EV egy másik történet. Arra számítottam, hogy jobban előrejelzi a HR/FB% – ot és az ISO-t, mivel ez a hitter nyers erejének mértéke, szemben az átlagos LA-val, amely a hitter megközelítésének mértéke.

nem meglepő, hogy elvárásomat alátámasztják a regressziók. A kemény% – hoz hasonló r^2 értékekkel az átlagos EV körülbelül ugyanolyan hasznos a nyers teljesítmény előrejelzéséhez (HR/FB% és ISO mérve), mint a kemény%. Szerintem az az oka, hogy nem jobb, mint a Hard%, hogy a Hard% – hoz hasonlóan egy ütő EV-jét méri a földi golyókon, valamint a légygolyókon és a vonalhajtásokon. Ez viszont lenyomja az átlagos EV mint teljesítménymutató prediktív értékét.

külön-külön valószínű, hogy az átlagos EV valószínűleg jobban előrejelzi az ISO-t, mint a HR/FB%-ot, mert az EV felvétele a földi golyókra valójában hasznos a páros előrejelzéséhez, mivel a nehezen eltalált földi golyók füvet találhatnak a mezőnyben a párosoknál. A HR / FB% – kal ellentétben az ISO magában foglalja a duplákat és a triplákat.

kilépési sebesség a Fly Balls and Line meghajtókon

ezután meg akartam vizsgálni az EV-t az FB/LD-n. Kezdettől fogva azt vártam, hogy az EV on FB / LD az egyik legjobb, ha nem a legjobb, a HR/FB% és az ISO előrejelzésében. És miért nem? Ez egyszerűen annak a mértéke, hogy egy ütő milyen gyorsan hagyja el az ütőjét. Minél gyorsabban utaznak, annál valószínűbb, hogy otthoni futássá válnak. Így a mutatónak legalább HR/FB% – ot kell előrejeleznie, ami csak annak mértéke, hogy a repülőgolyók milyen gyakran válnak otthoni futássá.

várakozásomat részben a fenti r^2 értékek tükrözik. Egyrészt a 0,6175 erős eredmény. Különösen a kontroll metrikánkhoz (Hard%) és a többi Statcast mutatóhoz képest, amelyeket eddig teszteltünk. Így kényelmesen megnézheti az ütő EV-jét az FB/LD-n, hogy megnézze, vajon a HR/FB% vissza fog-e térni.

mégis, ugyanez nem mondható el megbízhatóan az ISO esetében. Ennek oka valószínűleg az, hogy az ISO nevezője magában foglalja az összes denevért, ezért sztrájkokban és földlabdákban söpör. Mégis, egy r^2 0,5160 egy szép emlékeztető arra, hogy a hitter EV-je az FB/LD-n fontos mind a fantasy baseball, mind a valós baseball számára. Andrew Perpetua két évvel ezelőtt mondta a legjobban: a kilépési sebesség megdönti az indítási szöget.

kemény találati arány

sok vitát láttam a HH%-ról és annak értékéről, mint egy ütő teljesítménypotenciáljának becslésére szolgáló eszközről. Szkeptikus voltam, mert HH%, mint az átlagos EV, hurkok minden ütős labdatípusban, beleértve a földi golyókat is.

mint látható, az r^2 értéke 0,5343, a HH% jobban előrejelzi a HR/FB% – ot, mint a Hard%, az átlagos LA és az átlagos EV, de nem annyira prediktív a HR/FB% – ra, mint az FB/LD esetén. Még kevésbé előrejelzi az ISO-t, mint a kemény%.

hallottam azt az állítást, hogy a HH% azért hasznos, mert ha egy ütő változtatna a swingen, és többet emelne, akkor tudni szeretnénk, mi történt azokkal a földi golyókkal, amelyek most légygolyókká és vonalhajtásokká válnak, és a HH% rögzíti az EV-t ezeken a földi golyókon. Az én visszavágásom az lenne, ha csak az FB/LD EV-re néznénk, mert ez jobban ábrázolja, hogy mi történne, ha ezek a földi golyók repülőgolyókká vagy vonalhajtásokká válnának. Ez tükröződik a regressziókban.

ennek ellenére hallottam azt az állítást is, hogy a HH% erősen korrelál xwOBA és xwOBAcon között, és ezért jobb mércéje lehet egy ütő valódi tehetségének egy igazi baseball szempontjából. De ez az állítás túlmutat e cikk hatályán.

Brls/BBE%& Brls/PA%

úgy döntöttem, hogy a Brls/BBE% – ot és a Brls/PA% – ot párhuzamosan kezelem, mivel ezek hasonló mérések, kissé eltérő nevezőkkel. Az előbbi csak a labdákon lévő hordókat veszi figyelembe, míg az utóbbi az összes lemezmegjelenés függvényében tartja őket. Melyik a nyers erő jobb mértéke?

a Brls/BBE% – kal kezdődően az r^2 mind a HR/FB% – ra, mind az ISO-ra nagyon magas. Ez magasabb, mint bármely eddig elért eredmény. Amint egy perc múlva látni fogja, ez a legjobb egyetlen mutatónk annak előrejelzésére, hogy egy ütő milyen jól tudja izmolni a légygolyóit a parkból, vagy hogy a HR/FB% vissza fog-e térni.

azért jobb, mint az EV az FB/LD-n, mert csak azokat a labdákat rögzíti játékban, amelyeket olyan keményen ütnek, hogy rendkívül valószínű, hogy otthoni futássá válnak, míg az EV az FB/LD-n az átlagos teljesítmény mértéke, ezért az outlier rosszul vagy erőteljesen eltalálhatja az FB/LD-t.

így, ahogy a regresszió azt mondja nekünk, minél több ütő képes labdákat előállítani a tökéletes LA és EV kombinációkban (azaz minél több hordót termel), annál valószínűbb, hogy otthoni futásokat robbant. A Brls/BBE% által figyelembe vett LA sáv pedig szűken a legjobb teljesítményindítási szögekhez igazodik, így nem söpör minden fly balls-ban és vonalhajtásban, mint az EV az FB/LD-n. Utálom beismerni, ha tévedek, de a Brls/BBE% jobban előrejelzi mind a HR/FB% – ot, mind az ISO-t, mint az EV az FB/LD-n.

ugyanez vonatkozik a Brls/PA% – ra is. Valamivel kevésbé prediktív a HR/FB% – ra, mert a Brls/BBE% – kal ellentétben nem csupán a játékban lévő golyókat veszi figyelembe, a HR/FB% pedig csak a légy golyók (a játékban lévő labda típusa) teljesítményének mértéke. And it’s more predictive of ISO because, unlike Brls/BBE%, it considers strikeouts, and ISO does too.

In sum, we have the following r^2 values:

miután elérte az 50 labdát a játékban stabilizációs pontok, a legjobb megoldás az, hogy nézd meg brls/bbe%, hogy ha egy ütő hr/FB% fenntartható, és brls/pa% az ISO. Ne feledje, hogy a HR/FB% és az ISO a legjobb kimenetek, amelyekkel meg kell mérnünk egy ütő energiatermelését, mert kiküszöbölik a zaj nagy részét (pl. séták, szabálytalanságok, HBP-K; a strikeouts az egyéb teljesítménymutatók HR/FB% – jából is kiesik (pl. HR/XBH összesen vagy HR/PA%). Így a Brls / BBE% és a Brls/PA% a legjobb nyers energia bemenet.

többszörös regresszió

mindezek mellett több regresszióval akartam ellenőrizni a munkámat. Más szavakkal, két vagy több független változó (pl. átlagos LA és átlagos EV) tesztelése egy függő változóval szemben (pl. HR/FB%). Talán két Statcast mutató együttesen jobban megjósolta a HR/FB% – ot és az ISO-t, mint külön-külön.

először megvizsgáltam mind a hat Statcast mutatót, hogy lássam azok kombinált prediktív hatását a HR / FB% – ra és az ISO-ra. Ennek eredményeként az R^2 értéke 0,7615 volt HR/FB% – kal, 0,7634 pedig ISO-val. Más szóval, ha együtt, mind a hat Statcast mutatókat jósolt mintegy 76% – a variancia a HR/FB% és ISO minták.

tekintettel arra, hogy a BRLS/BBE% és a Brls/PA% a variancia 73% – át jósolta a HR / FB% és az ISO mintákban, egyetlen más Statcast metrika sem adott önmagában sok prediktív értéket. Például az átlagos indítási szög hozzáadása ehhez a két mutatóhoz az R^2 értéket HR/FB% – kal és ISO-val 0,7510-re és 0-ra növelte.7578, ill. De ez tényleg nem sokkal jobb. Két Statcast mutató más kombinációja sem mozgatta a tűt még ilyen magasra.

ezért a Brls/BBE% és a Brls/PA% erőteljes mutatók. Elég ragadósak évről évre, is. A Statcast többi ranglistáján való keresés valójában nem mondhat el semmit, amit nem kapna tőlük, és félrevezető lehet. Tudva, hogy nagyjából csak a BRLS/BBE% – ot kell megnéznünk a HR/FB% előrejelzéséhez, tegyük fel a gyakorlatban tanultakat.

néhány hitters tudjuk azonosítani, akik miatt a HR / FB % javulás tartalmazza: Adalberto Mondesi (9,1 óra / FB%, 17,3 Brls/BBE%), Avisail Garcia (11,8 óra/FB%, 16,7 Brls/BBE%) és Freddie Freeman (5,6 óra/FB%, 15,1 Brls/BB%). Néhány meglepő HR / FB% vezetők, hogy azt hiszem, kiérdemelte a magas HR/FB arányok közé: Mitch Moreland (27.8 óra/FB%, 20.9 Brls/BBE%), Luke Voit (26.7 óra/FB%, 20.9 Brls/BBE%), és Yoan Moncada (22.7 óra/FB%, 19.2 Brls / BBE%).

Swing Changes and Statcast

végül meg akartam vizsgálni, hogy melyik Statcast mutató lenne a leghasznosabb a swing változáson alapuló teljesítménykiesés hordozásához. Amint azt most megtudtuk, a teljesítményosztály sikere a jobb Brls/BBE% és Brls/PA% jelektől függ. Van-e mód arra, hogy azonosítsuk azokat a támadókat, akik javíthatják ezeket, és viszont javíthatják a HR/FB% – ot és az ISO-t? Ha igen, mely ütők profitálnának a legjobban egy ilyen változásból?

tudjuk, hogy a hordók LA – ból és EV-ből állnak. Csak az előbbi valóban egy ütő ellenőrzése alatt áll. Persze, több izmot tudott felvenni, és erősebben ütni a labdát. De ezt nem igazán tudjuk megjósolni. Ehelyett, ha azt feltételeznénk, hogy többet fog emelni, ami inkább tudatos választás kérdése, akkor sikeres lesz-e ezt követően? Talán egy játékos nyilatkozatot tett a médiának, hogy fel akarja emelni a labdát. Ez valóban előnyös lenne neki? Mindezen kérdések megválaszolásához meghatároztam, hogy mely nem LA Statcast mutatók voltak a leginkább prediktív Brls/BBE% és Brls / PA%, kitaláltad, lineáris és többszörös regresszió futtatásával.

ahelyett, hogy minden grafikont elkészítenék, és jelentősen meghosszabbítanám a cikk hosszát, úgy döntöttem, hogy az r^2 értékeket egy átfogó táblázatba teszem. Ennek megfelelően láthatja, hogy az FB/LD-n az EV a leginkább prediktív a Brls/BBE% és a Brls/PA%között. Olyannyira, hogy HH% – ban vagy átlagos EV-ben történő hozzáadása nem ad értéket a mintának, és egyes esetekben valójában kevésbé prediktív. Ez az eredmény engem is szédít, mert az FB/LD EV nemcsak prediktív, hanem a statcast mutatóink közül a legszorosabb is. Ez egy nagyszerű módja annak, hogy megtalálja a swing-változás kitörések.

Ez a legértékesebb abban a hipotetikus forgatókönyvben, amelyben egy ütő kiváló EV-t tartott fenn az FB/LD-n, de nem sok fly labdát és vonalhajtást ért el, így maradt hely a fejlődésre. De ehelyett mindent egy példával lehet a legjobban szemléltetni.

Vegyük például Josh Bell-t. Kint voltam rajta, hogy bemegy a szezonba, részben, mert nem emelt. Tavaly az átlagos LA-értéke 9 fok volt, és csak 34,6% – ot, 41-et ért el.7% földlabdák, ami a Brls/BBE% – át 7% – ra korlátozta (összességében a 151.A 150 BBE-vel rendelkezők közül), a Brls/PA% – át pedig 4,8% – ra (összesen 150.). Ez annak ellenére volt, hogy sokkal jobb EV volt az FB/LD-n, 94,2 mph (összesítésben 84.). Ebben az évben úgy tűnik, hogy összehangolt erőfeszítéseket tesz a felemelkedés érdekében, és látens ereje miatt ez támogathatja a kitörést. Most 37,5% – ban légygolyókat és 41,7% – ban földlabdákat üt, átlagosan 12 fokos Los Angeles-ig. Ne lepődj meg, ha a hordó aránya továbbra is emelkedett 14.6 Brls/BBE% és 10.3 Brls/PA% (és viszont, így lehetne a 16.7 HR/FB% és .276 ISO).

így, ha tudjuk, ki fog többet emelni, könnyen elválaszthatjuk a búzát a pelyvától. Ez nem nézi a HH% vagy átlagos EV; ehelyett csak egy gyors pillantást az EV FB / LD.

következtetés

remélhetőleg az emberek elkezdik használni a Statcast mutatókat megfelelően. Ha lát egy fantasy baseball elemzőt, aki egy ütő kemény% – át, HH% – át vagy átlagos EV-jét idézi, hogy áramkimaradást javasoljon, ellenőrizze a hordó arányát. Tudod, hogy előre jelzik a HR/FB% – ot és az ISO-t, és hogy ragadósak. Ezután ellenőrizze az EV-jét az FB/LD-n. Tudod, hogy ez többet jelenthet a hatalomnál, ha elkezd emelkedni, és hogy ez is megmarad. Ne csak azt feltételezzük, hogy az olyan mutatók, mint a kemény%, a HH% vagy az átlagos EV, a legjobbak, mert hozzáférünk hozzájuk.

Ez csak a kezdet. Részben Megnézem a Statcast mutatók relatív értékét a BABIP-hez képest. Maradjon velünk többet.

Justin Paradis kiemelt képe (@Freshmeatcomm a Twitteren)