在预测冰球运动员的职业生涯总目标时是否在Poisson回归中使用偏移

我有一个关于不愿使用补偿的问题。假设一个非常简单的模型，您要在其中描述曲棍球的（全部）目标数。因此，您有目标，打的游戏次数和虚拟变量“ strike”（如果玩家是前锋，则等于1，否则等于0）。那么正确指定了以下哪个模型？

1. 目标=游戏+前锋，或

2. 目标=偏移量（游戏）+前锋

同样，目标是整体目标，游戏数量是单个玩家的整体游戏。例如，可能有一个玩家在100场比赛中有50个进球，而另一个在50场比赛中有20个进球的玩家，依此类推。

我想估算目标数时应该怎么做？是否真的需要在此处使用偏移量？

参考文献：

• 参见前面的问题，讨论一般在Poisson回归中何时使用偏移量。

补偿模型可以模拟每个游戏的目标，如下所示：

log(goals/games) = a+bx

相当于

log(goals) -log(games) = a+bx

相当于

log(goals)= a+bx +log(games)   <-this is an offset model, assumes coef on the last term =1

参见此处的幻灯片35：http : //www.ed.uiuc.edu/courses/EdPsy490AT/lectures/4glm3-ha-online.pdf

如果您认为a + bx与目标与游戏的对数比（比率）有关，请使用偏移量。如果您认为存在更复杂的游戏效果（可能是由于积累经验），那就不要。有关更多讨论，请参见：http : //ezinearticles.com/?The-Exposure-and-Offset-Variables-in-Poisson-Regression-Models&id=2155811

一些简单的要点不能直接解决您有关偏移的问题：

• 我将看看游戏数量是否与平均进球相关。在我可以想到的许多精英进球运动中（例如，足球，澳大利亚规则足球等），我可以预测职业的长寿与职业的成功有关。至少对于进球得分角色的球员而言，成功与进球数有关。如果是这样，那么游戏数量将捕获两种效果。这可能与这样一个事实有关：更多的比赛意味着更多的进球机会。另一个将捕获与技能相关的效果。您可以检查游戏数与平均得分（例如，目标/游戏数）之间的关系以进行探索。我认为这对您所做的任何建模都有实质性的影响。
• 我的直觉是将因变量转换为每场比赛的平均进球。我意识到，对于那些玩更多游戏的玩家，您将可以更精确地衡量其技能，所以也许这将成为一个问题。根据所需模型中的精度以及播放器均值的分布情况，您可能可以依靠标准的线性建模技术。但这也许有点适合您的目的，也许您有理由要对总得分目标建模。