Identification of Factors Determining Market Value of the Most Valuable Football Players
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose: The problem of identifying the most important determinants of the market value of football players is quite well described in the literature. There are many works that try to identify these factors. Some of them are focused on variables to make a set complete and others are on models and methods. The aim of this article is to present the variables influencing the valuation and to build an econometric model valuing footballers playing on the forward position, taking into consideration the assumptions of the econometric modelling. Such an approach indicates managers as other sources for obtaining information. Methodology: Econometric models were used to verify the hypothesis formulated in this research. The database was created on the basis of variables presented on the website www.transfermarkt. de that presents the values of the most valuable football players in the world playing on the forward position. The Gretl program was used in the research. Findings: The literature review showed that there are many independent variables having an impact on the value of the player. There are also many different models used to valuate footballers’ performance rights. The results of estimation of models in the research indicated that such factors as Canadian classification points adjusted the market value of the team and dummy variables describing “goodwill” (only for the best players) had an impact on the market value of footballers’ performance rights. Limitations/implications: Information about different factors having an impact on football players’ market value could support the investment decision process of football managers. Originality/value: The results were part of a study concerning economics of sport, particularly processes of management of football clubs and valuation of intangible assets.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle