计算NBA投篮一致性

评估/确定NBA球员三分球命中率一致性的正确方法是什么？例如，我有一个球员的三分球命中率是37％，全年要进行200次尝试。

我正在考虑拍摄任意数量（例如20张）的3分滚动平均值。然后使用这些平均值确定与37％平均值的标准偏差。使用20张滚动的滚动样本大小只能使5％的拍摄准确率，但是我担心使用过多的拍摄不会显示出性能上的不一致。

有没有更好的方法来确定一致性？

正如其他用户在上面的评论中所述，运行测试是分析您的射击数据的方法。它检验了序列元素相互独立的假设。如果假设被拒绝，那么您可以说玩家的三分球命中率是不一致的。

我还要向您指出这篇文章，因为它与您的分析直接相关。

我认为运行测试是一个好主意。对我而言，通过分析“块”中的数据，您的意图是为玩家一致性中的“热手”创建代理或控制。关于这种现象有大量文献。Gelman于2015年7月在他的博客上讨论了最好的论文之一。他的帖子标题是：“嘿，猜怎么着？真的有一个热手！” （http://andrewgelman.com/2015/07/09/hey-guess-what-there-really-is-a-hot-hand/）。盖尔曼报道的论文是对先前文献的反驳，因为它详细介绍了先前对热手现象的分析所产生的错误。较早的工作侧重于总体概率而非条件概率。本文提出了一个新的顺序概率模型（请参阅链接以获取本文参考）。

一种应该控制例如拍摄次数差异的一致性的好的度量是变化系数。CV是无量纲的尺度不变性度量，通过将标准偏差除以平均值来计算。它试图解决的问题是std偏差以被测单位的比例表示，即，它不是比例不变的。这意味着，具有较高平均值的度量标准也将比具有较低平均值的度量标准具有更高的std偏差。因此，例如，由于其平均值不同，因此无法直接比较舒张压和收缩压变化的量度。通过计算简历，他们的可变性变得可比。同样的情况也适用于许多其他指标，例如股价，

因此，可以为许多指标和量表类型计算CV，不包括分类信息和带有负值的量度。