Estimating winning percentage of the fourth quarter in close NBA games using Bayesian logistic modeling
Notice bibliographique
Résumé
This study examined the fourth quarters in the close games in the regular NBA games in the last decade, ranging from the 2013-14 season to the 2022-2023 season. A close game is categorically defined by a scenario where the point differential is confined within a 10-point margin at the onset of the fourth quarter and narrows further to a 5-point disparity by the end of the game. In total, 2,295 close games were identified in this study. Advanced game statistics, including offensive rate, defensive rate, assistance ratio, pace of game, and true shooting percentage, etc., are obtained from the NBA box scores using a python script. Understanding key factors that determine the outcome of the basketball games is critical, as such can be used to develop predictive models for coaches to design game strategies. This study developed a Bayesian Logistic Modeling approach to estimate the winning probability of a basketball team in the fourth quarter, using the pace of the last quarter and a team's shooting percentage. The accuracy of the model is used to evaluate if the model can correctly classify game outcome based on the identified game statistics in the fourth quarter of a game. The binary outcome of the close game is modeled as a Bernoulli distribution. Results reveal that the True Positive Rate and False Positive Rate is 0.93 and 0.07, respectively. Insights from this study can be used to help design coaching strategies in basketball games, illuminating potential tactical pivots that could tilt the game in their favor.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».