Stats : Introduction à la Mesure de l'Impact

Écrit par I.Haffoud, le 3 août 2022 à 02:19. Mis à jour le 3 août 2022 à 19:08.

Stats : Introduction à la Mesure de l'Impact

On n'arrête pas le progrès dans l'analyse des données footballistiques. Présentation d'un nouveau modèle, inspiré du Box Plus Minus en NBA : la MI ou Mesure de l'Impact. Avec ses atouts... et ses limites.

Dans un précédent datafocus, nous présentions le +/- (ou plus-minus), une donnée très suivie au basketball qui mesure l’évolution du score quand un joueur est sur le terrain. Si la statistique seule n’est pas toujours la plus pertinente, elle a amené à une révolution dans l’évaluation de la performance en NBA. Avec elle, les analystes ont voulu découvrir la valeur objective des actions de la « boxscore » (le tableau contenant les paniers, rebonds, interceptions, etc.), plutôt que de leur assigner arbitrairement une valeur comme le faisait le PER (Player Efficiency Rating), créé par John Hollinger et popularisé par ESPN. 

Pour cela, ils ont effectué une régression statistique pour estimer le « plus-minus » du joueur à partir de la boxscore. L’estimation obtenue, le « Box Plus Minus » (BPM), s’est révélé extrêmement pertinente pour comparer l’impact des joueurs. En une décennie, les statistiques de ce type ont même réussi à s’installer dans les débats grand public. Ainsi, lors de la dernière saison, la domination de Nikola Jokic dans toutes les variations existantes du BPM a joué un rôle prépondérant dans l’obtention de son deuxième titre de MVP, aux dépens d'un Joël Embiid pourtant meilleur marqueur de la ligue.

Cette méthode appliquée au football peut-elle donner des résultats probants afin de mesurer l’impact des joueurs de champ ?

Méthodologie 

Tout d’abord, le fondement de la méthode utilisée est une simple régression linéaire. Ce modèle permet de trouver les relations linéaires entre la variable à expliquer et les données explicatives. Dans les faits, l’algorithme cherche la droite passant au plus près des points.

La référence utilisée est le plus-minus en expected goals (xG), c’est-à-dire la différence de xG de l’équipe lorsque le joueur est sur le terrain. Il a semblé préférable d’utiliser cette version en xG que celle à partir des buts réels, car elle est plus stable, et surtout, l’influence de la finition ne devrait reposer que sur le tireur et le gardien. Mais puisque l’objectif n’est pas de réestimer le plus précisément possible le plus-minus mais bien d’avoir une mesure de la performance, nous n’utiliserons pas les xG des joueurs, mais les buts réels.

En piochant dans l’ensemble des

Sur desktop et mobile : 4,99 € par mois ou 39 € par an, sans engagement

S'abonner