Μέτρηση της αποδοτικότητας των ομάδων του ΝΒΑ : η επίδραση στην αλλαγή του salary cap
Notice bibliographique
Résumé
The aim of this dissertation is to use a two-stage DEA approach to perform an efficiency analysis of the 30 teams in the NBA. Particularly, our purpose is to estimate efficiency through a two-stage DEA process for NBA teams due to the increase of salary cap, in the first part and in second, the separation of teams based on the Conference (West-East) to which they belong, we estimate metafrontier and finding technology gaps. We decompose the overall team efficiency into two additive efficiencies: the first-stage salary cap efficiency that measures the effectiveness of transforming payrolls to on-court performance and the second-stage on-court efficiency that measures the efficacy of transforming players’ on-court performance to a better winning rate and higher revenue. For this reason, 30 teams in the NBA are being tested for 18 seasons, from 2001-2002 season to 2018-2019. Empirical results show that teams belonging to the Western conference achieve higher overall efficiency than those in the East. Utah Jazz, San Antonio Spurs, Chicago Bulls, Atlanta Hawks, Golden State Warriors and Toronto Raptors are among the top efficient teams, whereas New York Knicks, Dallas Mavericks, Orlando Magic, Minnesota Timberwolves and New Orleans Pelicans rank among the lowest efficient teams. Regarding, the conference efficiency scores the empirical results show that on average the overall team efficiency scores range between 71.2% and 91.03% through the sample period. It is understood that the continuous increase in the salary cap has affected the performance of the teams to the best, and as shown the results, firstly there is an increase in efficiency scores over time as well as a decrease in the variation of efficiency which helps to develop the competitiveness of the teams.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,010 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».