Tohoku Rakuten Eagles其實擁有不少NPB頂尖stuff的投手，岩隈久志、一場靖弘、田中将大皆是有能力在日職逞兇鬥狠的大咖。
可惜岩隈久志已經算是半殘了，球威是還在，問題是三天兩頭就進廠維修。另外，曾被捧為大物新人的一場靖弘持續自爆中，野村老頭發功惡搞投手故然是主兇，不過一場本身makeup還像也有些問題。
最後，田中将大就高卒生來看，新人年的表現算是滿不錯了，但以野村老頭那種毀滅性的操法，隨時都有爆肩、爆肘的危機在。
最近閒著沒事，仔細看了這幾名投手的投球
首先從岩隈久志聊起，這位近鐵的最後王牌、2004年風雲人物，9/24 vs. Seibu Lions的投球內容、球威讓人眼睛為之一亮。
fastball 142~148km/h，最慢140km/h，最快150km/h，均速143.79km/h
受傷的投手最怕就是失速，岩隈球速還飆得出來，看來還有藥救。
印象中，slider是岩隈的out pitch，不過與一場、田中相比較，並沒有特別犀利。大致上，slider 125~135之間跑，評價50~55分不等，其中一顆135km/h滑球有60分...幅度、軌跡、速度兼俱~
整場最令我感到驚艷的就是forkball，132~139km/h，139km/h那幾顆球速夠快，軌跡較偏向splitter，要說岩隈會投SFF也說得通。扣掉幾顆沒丟好的fork、splitter，大概有55分，略優於slider(50~55分)
整體評價，fastball(50~55分)、slider(50~55分)、forkball(55分)。
接下來談一場靖弘，當初因營養金事件聲名大噪，raw stuff絕對好的沒話講。與同梯次進NPB的涌井秀章、Darvish相比，一點都不遜色。正確地說，涌井的stuff低於Darvish、一場靖弘一個檔次。
2007.9.21 vs. Lotte Marines
fastball大約在141~148km/h，均速144.92km/h
cutter 138~142km/h
slider 131~139km/h
curve 118~120km/h
forkball 126~137km/h
splitter 137~141km/h
changeup 122~128km/h
直球是比岩隈久志來得快，但與松坂大輔、2006年的斉藤和已相比，還是差了點。
cutter這場投了幾顆，投得還不差。視覺上，軌跡、幅度都不比川上憲伸來得差，但控球就差很多。川上可是能把cutter投在好球帶邊緣的箇中好手。
slider投進想要的位置時，大約有50~55不等的水準，比起NPB ACE級的slider(新垣渚)，是差了點。
forkball的威力還挺嚇人，50~55分不等，偶而來顆plus。一場的splitter看起來比較鳥，hang的機率高滿多的，投低角度的話，大概50~55分不等，綜觀來看，給個50分算合理。
changeup 整場投了12球，其中10球濫到不行，另外2顆分別為50分、55分。
看到這，大家應該很好奇，一場stuff這麼好，為啥投球成績遲遲沒法與球威成正比？ 我想這跟他的控球有絕對的關係，一場所有球路都很容易投到甜的location，變化球投得再好，只要飄高，一切都是枉然，只有待宰的份。
最後來看田中将大，2007.10.3 vs. Nippon Ham Fighters這場的配球引起我的注意，curve的使用量實在太多，整場投了20顆。我之前已提過，田中将大的curve很遜，這場當然也不例外，不知投了幾顆打者腰帶的curve...搞笑的是日本火腿的打者群更遜，不是白白地放掉，就是打不好。
這場slider沒我前些日子寫的那篇那般出色，那一場有occasional plus的水準，這場大概是50~55分的水準。fastball 141~149km/h，均速144.76km/h，看來田中是能穩定地把fastball投在90mph上下的範圍。
另外值得一提的是，田中forkball掉得夠犀利，投了好幾顆plus，130~136km/h，平均下來，55~60分。changeup我就不想多談了，NPB投手changeup、curve都是在比濫~
現在來講，田中的stuff應該是55-55-55的組合。
星期二, 10月 02, 2007
What does Lin throw?
看了9/23 vs. Seibu Lions，林恩宇投得是不錯，首局還連3K，不過這不是我寫這篇的主因~
林恩宇的垂直變化球是啥，眾說紛紜，各有說法。有人說是changeup；也有人認為是fork...更屌的是，有些人直接喊說是變速指叉...
為了釐清真相，我特別注意了垂直變化球的放球點，食指、中指張那麼開，怎麼會有人猜是changeup呢? 還是轉播慢動作重播看得到無名指，這些人就直接認定這是changeup握法?
有圖有真相
一局上K掉片岡易之的splitter
changeup基本有兩種握法：circle changeup、palm ball
圖二：這是Maddux的circle change。從這張圖，可以明顯看出分叉的是中指、無名指，與splitter、fork系列孑然不同。
圖三：這就是所謂的palm ball，中指、無名指分得特別開。
接下來看林恩宇的握法
22-44-57%5D.JPG)
食指與中指分得這麼明顯，怎麼看都是屬於splitter、forkball系列的握法。
這場球慢動作重播都是這握法，網路上某些人所謂的changeup握法大概是自己瞎掰的~
林恩宇的垂直變化球是啥，眾說紛紜，各有說法。有人說是changeup；也有人認為是fork...更屌的是，有些人直接喊說是變速指叉...
為了釐清真相，我特別注意了垂直變化球的放球點，食指、中指張那麼開，怎麼會有人猜是changeup呢? 還是轉播慢動作重播看得到無名指，這些人就直接認定這是changeup握法?
有圖有真相
一局上K掉片岡易之的splitter
changeup基本有兩種握法：circle changeup、palm ball
圖二：這是Maddux的circle change。從這張圖，可以明顯看出分叉的是中指、無名指，與splitter、fork系列孑然不同。
圖三：這就是所謂的palm ball，中指、無名指分得特別開。
接下來看林恩宇的握法
22-44-57%5D.JPG)
食指與中指分得這麼明顯，怎麼看都是屬於splitter、forkball系列的握法。
這場球慢動作重播都是這握法，網路上某些人所謂的changeup握法大概是自己瞎掰的~
星期四, 9月 20, 2007
Offensive Win Shares
Win Shares可以說是數據頭Bill James的重大發明，賽伯計量學之所以能在棒球世界理擁有主流地位，Win Shares功不可沒。Win Shares背後的意義、基本文獻在此就沒有必要再累述了。就算看不懂英文，網路上權威們對Win Shares的中文簡介隨便翻也有。不過其計算過程、公式，大多三言兩語呼攏一下就過去了，通常理由都是算法太複雜...
為了進一步了解Win Shares的內涵，我決定挑在台灣比較冷門的NPB來玩玩。這篇其實已構思有一段時間了，問題是翻NPB的數據很費時，一拖再拖，終於孵出來了~
既然要探討Win Shares，就不得不提到Park Factors。基本上，Park Factors很容易算，公式背後的含意也沒啥難理解。附帶一提，在通常的情況下，PF採用近5年的數據來計算；也就是說，我需要02~06球季的相關基本數據來算2006年的Park Factors。接下來的步驟，針對分配的球季做加權平均：06年的權數值為0.5；其他年數的權數總合為0.5，個別的加權數值則是0.125。問題是NPB的數據很難找，沒辦法只好克難點，拿2006年的PF湊合用，沒做weighted average。
PF的算法如下：
iPF = RPG(H)/RPG(R)
PF = ((T-1)*iPF+T-iPF)/(2*(T-1))
RPG(H) = run per game at home; RPG(R) = run per game on the road; T = number of teams in the league。2006年西武巨蛋的iPF、PF分別是0.9689、0.9875。
下一步程序，將Win Shares配給攻擊、防守兩大項(防守包含pitching、fielding)
首先得由expected run and run allowed開始，其計算方式為：
ExpR = Lg(R/I)*PF(R)*IB
ExpRA = Lg(R/I)*PF(R)*IP
IB= Innings batted; IB = IP - W(H) + L(R)
2006年太平洋聯盟的R/I為0.4388
Seibu Lions的ExpR與ExpRA則個別是：
ExpR = .4388*.9875*1210 = 524.36
ExpRA = .4388*.9875*1223 = 529.99
接下來算marginal run and run allowed
MR = R - ExpR*.52
MRA = ExpRA*1.52 – RA
算出來分別是372.34、249.58
下一步就是計算Offensive Win Shares、Defensive Win Shares
OWS = MR/(MR+MRA)*W*3
DWS = MRA/(MR+MRA)*W*3
西武獅06年的進攻為了球隊打下約48場勝場數，貢獻了143.685 Win Shares；防守則扛下32勝，吃下96.315的Defensive Win Shares。
其實球隊的WP%有更準備的計算方式，James為啥選擇這方法我也不太清楚...
在把OWS分配給打者前，還有一步煩人的程序，就是計算打者們的Run Created。
Tech-1 RC：
A = H + W + HB - CS - DP
B = TB + .26(W + HB - IW) + .52(SB + SH +SF)
C = AB + W + HB + SH + SF
在此不用conventional的A*B/C，採用的是Theoretical Team RC的算法，經過一段複雜計算程序，導出的公式是：
TT RC = (A + 2.4C)*(B + 3C)/(9C) - .9C
討人厭的是這只是初步Run Created的估算，還須做調整。Hitting with runners in scoring position等調整我沒算，在網路上沒找到資料。 我本身也對situational adjustment的論點持保留的態度。
因此只考慮了reconciliation factor，針對打者對球隊得分的貢獻做了整合化的調整：
RC = TT RC*RF
RF = Rconciliation Factor；Team RC/ Team total run scored
最後一步，以個別的Marginal Runs為依據，分配OWS給打者：
MR = RC - LgR/Out*Out*PF(R)*.52
Where Out = AB - H + CS + SH + SF + DP
我寫了這麼多，其實只是想自己算算看Win Shares，壓根沒想要對Win Shares提出啥新看法與解釋。我有自知之明，沒那斤兩在這品頭論足、長篇闊談Win Shares的短處。
最後附上2006年Seibu Lions打者群的OWS
為了進一步了解Win Shares的內涵，我決定挑在台灣比較冷門的NPB來玩玩。這篇其實已構思有一段時間了，問題是翻NPB的數據很費時，一拖再拖，終於孵出來了~
既然要探討Win Shares，就不得不提到Park Factors。基本上，Park Factors很容易算，公式背後的含意也沒啥難理解。附帶一提，在通常的情況下，PF採用近5年的數據來計算；也就是說，我需要02~06球季的相關基本數據來算2006年的Park Factors。接下來的步驟，針對分配的球季做加權平均：06年的權數值為0.5；其他年數的權數總合為0.5，個別的加權數值則是0.125。問題是NPB的數據很難找，沒辦法只好克難點，拿2006年的PF湊合用，沒做weighted average。
PF的算法如下：
iPF = RPG(H)/RPG(R)
PF = ((T-1)*iPF+T-iPF)/(2*(T-1))
RPG(H) = run per game at home; RPG(R) = run per game on the road; T = number of teams in the league。2006年西武巨蛋的iPF、PF分別是0.9689、0.9875。
下一步程序，將Win Shares配給攻擊、防守兩大項(防守包含pitching、fielding)
首先得由expected run and run allowed開始，其計算方式為：
ExpR = Lg(R/I)*PF(R)*IB
ExpRA = Lg(R/I)*PF(R)*IP
IB= Innings batted; IB = IP - W(H) + L(R)
2006年太平洋聯盟的R/I為0.4388
Seibu Lions的ExpR與ExpRA則個別是：
ExpR = .4388*.9875*1210 = 524.36
ExpRA = .4388*.9875*1223 = 529.99
接下來算marginal run and run allowed
MR = R - ExpR*.52
MRA = ExpRA*1.52 – RA
算出來分別是372.34、249.58
下一步就是計算Offensive Win Shares、Defensive Win Shares
OWS = MR/(MR+MRA)*W*3
DWS = MRA/(MR+MRA)*W*3
西武獅06年的進攻為了球隊打下約48場勝場數，貢獻了143.685 Win Shares；防守則扛下32勝，吃下96.315的Defensive Win Shares。
其實球隊的WP%有更準備的計算方式，James為啥選擇這方法我也不太清楚...
在把OWS分配給打者前，還有一步煩人的程序，就是計算打者們的Run Created。
Tech-1 RC：
A = H + W + HB - CS - DP
B = TB + .26(W + HB - IW) + .52(SB + SH +SF)
C = AB + W + HB + SH + SF
在此不用conventional的A*B/C，採用的是Theoretical Team RC的算法，經過一段複雜計算程序，導出的公式是：
TT RC = (A + 2.4C)*(B + 3C)/(9C) - .9C
討人厭的是這只是初步Run Created的估算，還須做調整。Hitting with runners in scoring position等調整我沒算，在網路上沒找到資料。 我本身也對situational adjustment的論點持保留的態度。
因此只考慮了reconciliation factor，針對打者對球隊得分的貢獻做了整合化的調整：
RC = TT RC*RF
RF = Rconciliation Factor；Team RC/ Team total run scored
最後一步，以個別的Marginal Runs為依據，分配OWS給打者：
MR = RC - LgR/Out*Out*PF(R)*.52
Where Out = AB - H + CS + SH + SF + DP
我寫了這麼多，其實只是想自己算算看Win Shares，壓根沒想要對Win Shares提出啥新看法與解釋。我有自知之明，沒那斤兩在這品頭論足、長篇闊談Win Shares的短處。
最後附上2006年Seibu Lions打者群的OWS
| 中島裕之 | 16.77688 |
| 高木浩之 | 4.012613 |
| 片岡易之 | 10.75527 |
| 平尾博司 | 3.959095 |
| 石井義人 | 7.778386 |
| 江藤智 | 4.177063 |
| Jeffrey Liefer | 6.566129 |
| Alex Cabrera | 26.64406 |
| 水田圭介 | 0 |
| 中村剛也 | 9.100932 |
| 和田一浩 | 22.82485 |
| 赤田将吾 | 11.60503 |
| 佐藤友亮 | 0.548454 |
| 貝塚政秀 | 0 |
| 高山久 | 3.057789 |
| 佐藤隆彦 | 2.230049 |
| 大島裕行 | 0 |
| 栗山巧 | 3.996441 |
| 福地寿樹 | 8.417543 |
| 野田浩輔 | 0.084071 |
| 細川亨 | 1.394232 |
| 炭谷銀仁朗 | 0 |
| 上本達之 | 0 |
| 田原晃司 | 0 |
星期日, 9月 09, 2007
Clay Buchholz at first glance
Clay Buchholz成了MLB史上第21位投出無安打比賽的rookie，不過最後有投出名堂的投手卻沒幾人，不知Buchholz會步上前人的後塵嗎？
stfo提過Buchholz的fastball很普通，debut那場fastball 88~94mph，均速91.14mph
沒看no-no這場之前，我本以為這場球速應該會快一點；事實上，是我沒事想太多。
fastball還是沒丟出來，也有可能是本身球速就這樣可憐...87~94mph，均速90.63mph。有一球測速槍顯示99mph，我想大概是測到batted ball speed，沒列入計算中。
changeup是投得滿不錯，問題是常常hang，拉低整體水準。
大概投在76~80mph，評價45~65不等，差異性很大。不知打者是不是被嚇到，沒看過品質這麼不穩的changeup，反而有點不知所措，以上解讀是我瞎掰的^^
值得一提的是，Buchholz的changeup很不像changeup，軌跡倒比較像forkball。大部份右投的changeup都會往左打者外角橫移、跑。這特點就算在Enhanced Gameday也能明顯地標示出來，可供眼殘者參考~
curve則投在71~78mph，與stfo在debut那場的評價一樣，55~65分不等，未勉也太穩定了點。軌跡、幅度都算上乘，可惜總讓人有種平淡無味的感覺。這講法很抽象，不過我相信眼力有練過的朋友能體會那意境...
slider跟debut一樣，隨便丟了兩顆，水準不高也不低，標準的50分。
坦白講，BA的說法有時很矛盾，既然fastball(BA給plus)僅是Buchholz的fourth-best offering，那怎可麼只是a possible No.1 starter?
照BA對No.1 starter的定義，Clay Buchholz的stuff算是犯規、開外掛作弊的等級，應該說是神之右手的possible接班人...
stfo提過Buchholz的fastball很普通，debut那場fastball 88~94mph，均速91.14mph
沒看no-no這場之前，我本以為這場球速應該會快一點；事實上，是我沒事想太多。
fastball還是沒丟出來，也有可能是本身球速就這樣可憐...87~94mph，均速90.63mph。有一球測速槍顯示99mph，我想大概是測到batted ball speed，沒列入計算中。
changeup是投得滿不錯，問題是常常hang，拉低整體水準。
大概投在76~80mph，評價45~65不等，差異性很大。不知打者是不是被嚇到，沒看過品質這麼不穩的changeup，反而有點不知所措，以上解讀是我瞎掰的^^
值得一提的是，Buchholz的changeup很不像changeup，軌跡倒比較像forkball。大部份右投的changeup都會往左打者外角橫移、跑。這特點就算在Enhanced Gameday也能明顯地標示出來，可供眼殘者參考~
curve則投在71~78mph，與stfo在debut那場的評價一樣，55~65分不等，未勉也太穩定了點。軌跡、幅度都算上乘，可惜總讓人有種平淡無味的感覺。這講法很抽象，不過我相信眼力有練過的朋友能體會那意境...
slider跟debut一樣，隨便丟了兩顆，水準不高也不低，標準的50分。
坦白講，BA的說法有時很矛盾，既然fastball(BA給plus)僅是Buchholz的fourth-best offering，那怎可麼只是a possible No.1 starter?
照BA對No.1 starter的定義，Clay Buchholz的stuff算是犯規、開外掛作弊的等級，應該說是神之右手的possible接班人...
星期五, 8月 31, 2007
搞笑的Gameday
自從Joe P. Sheehan利用Enhanced Gameday來解析投手，這玩意兒已火紅了有好一陣子。不過我天生反骨，始終對使用數據來評斷球路的變化幅度持著保留的態度。趁最近有空，想了解Enhanced Gameday有啥缺陷，順便貶一下被吹捧成大帝的Hughes~
為了趕時髦，我也搞了張依球速分類的pFX_X和pFX_Z的分析圖
從圖來看，Hughes的fastball、curve、changeup的pFX_X與pFX_Z形成三個對稱群，slider的pFX_X與pFX_Z則歸納於同一個群組。每顆球都經過我眼睛鑑定~
Fastball
直球因球速的關係，要區分錯誤都很難，在加上直球往右打者內角會竄(pFX_X為負值)。理論上2-seamer的pFX_X會較大，4-seamer的vertical movement(pFX_Z+)會比理論軌跡還要高。
Slider
認知上，pFX_X+越大，horizontal break就越往右變化(捕手視點)
不過實際上，pFX_X+值並無法與變化幅度成正比，在我眼睛認證的過程中，注意到有幾顆球明明是hanging slider，pFX_X值卻比較高。
只看Gameday上的逐球數據＃90(pFX_X3.027、pFX_Z0.344)，＃91(pFX_X6.149、pFX_Z-0.145)，＃91的橫向位移值明顯較大，但卻是顆變化幅度很小、沒掉下來的滑球。我另外注意到Vx0的差別，所以嘗試找出pFX_X與Vx0的關係。
圖2: 具體指出pFX_X與Vx0的inverse relationship
Vx0是放球點出手速度在左右橫移的分量，pFX_X值會受到Vx0的影響而減少或增加，換句話說，實際進壘點的橫向位移會因Vx0+的增加而接近理論軌跡。
假設有兩顆實際變化幅度相當得滑球，其中一顆Vx0遠大於另外一顆，Vx0較大的那顆滑球，pFX_X會明顯較小。
這場球slider投得不多，通常BA說已封劍、再不與世人一爭長短的球路，基本上都上不了檯面，Hughes當然也不意外~
Hughes這場的樣本數實在太少，為了強調pFX_X根本就是搞笑的玩意，我特別看了場Peavy的投球，對照pFX_X與滑球實際變化程度是否當符合。
發現這場球Peavy投了幾顆65分的slider，Gameday上的pFX_X值很低(0.31)，Vx0卻很高(7.053)
就Peavy這場球為例，不難發現pFX_X與Vx0呈反比關係。很顯然光看pFX_X是不可靠的；具體的說，如果不考慮Vx0的影響來判斷movement的話，分析半天所得的結論會很搞笑~
在Gameday上，有時提前落地、overthrown的slider，pFX_Z卻高得有點誇張。我想相同的解釋，大概也能運用在pFX_Z與Vz0上。
寫到這我已沒有動力再繼續鑽研Gameday上的數據，誤差性實在太大，搞了老半天還遠不如用眼睛看。
為了趕時髦，我也搞了張依球速分類的pFX_X和pFX_Z的分析圖
從圖來看，Hughes的fastball、curve、changeup的pFX_X與pFX_Z形成三個對稱群，slider的pFX_X與pFX_Z則歸納於同一個群組。每顆球都經過我眼睛鑑定~
Fastball
直球因球速的關係，要區分錯誤都很難，在加上直球往右打者內角會竄(pFX_X為負值)。理論上2-seamer的pFX_X會較大，4-seamer的vertical movement(pFX_Z+)會比理論軌跡還要高。
Slider
認知上，pFX_X+越大，horizontal break就越往右變化(捕手視點)
不過實際上，pFX_X+值並無法與變化幅度成正比，在我眼睛認證的過程中，注意到有幾顆球明明是hanging slider，pFX_X值卻比較高。
只看Gameday上的逐球數據＃90(pFX_X3.027、pFX_Z0.344)，＃91(pFX_X6.149、pFX_Z-0.145)，＃91的橫向位移值明顯較大，但卻是顆變化幅度很小、沒掉下來的滑球。我另外注意到Vx0的差別，所以嘗試找出pFX_X與Vx0的關係。
圖2: 具體指出pFX_X與Vx0的inverse relationship
Vx0是放球點出手速度在左右橫移的分量，pFX_X值會受到Vx0的影響而減少或增加，換句話說，實際進壘點的橫向位移會因Vx0+的增加而接近理論軌跡。
假設有兩顆實際變化幅度相當得滑球，其中一顆Vx0遠大於另外一顆，Vx0較大的那顆滑球，pFX_X會明顯較小。
這場球slider投得不多，通常BA說已封劍、再不與世人一爭長短的球路，基本上都上不了檯面，Hughes當然也不意外~
Hughes這場的樣本數實在太少，為了強調pFX_X根本就是搞笑的玩意，我特別看了場Peavy的投球，對照pFX_X與滑球實際變化程度是否當符合。
發現這場球Peavy投了幾顆65分的slider，Gameday上的pFX_X值很低(0.31)，Vx0卻很高(7.053)
就Peavy這場球為例，不難發現pFX_X與Vx0呈反比關係。很顯然光看pFX_X是不可靠的；具體的說，如果不考慮Vx0的影響來判斷movement的話，分析半天所得的結論會很搞笑~
在Gameday上，有時提前落地、overthrown的slider，pFX_Z卻高得有點誇張。我想相同的解釋，大概也能運用在pFX_Z與Vz0上。
寫到這我已沒有動力再繼續鑽研Gameday上的數據，誤差性實在太大，搞了老半天還遠不如用眼睛看。
星期二, 8月 21, 2007
A Rough Draft of my Thoughts on Artificial Turf
前幾天在我最近才發現的blog，看到了一篇有關滾地球投手在artificial turf表現變差的解讀。
我不否認有不少滾地球投手在人工草皮有顯著的落差，不過作者只採用了在Skydome/Rogers Centre的樣本，似乎狹義了點...
基本上artificial turf的球場大多是偏打者、中性屬性，早期有Kingdome、Olympic Stadium到沿用至今的Rogers Centre、Tropicana Field、Metrodome等。我隨便翻了些投手在turf上的表現，因樣本數的考量，也照樣地把Brandon Webb、Felix Hernandez、Fausto Carmona、Aaron cook等人排除在外。
我本來打算BABIP包括在Table裡，不過我沒找到現成數據，又懶得算，就因此而作罷。
在這8人裡Scott Erickson在Minnesota投了6季，Metrodome的成績在所有球場中算滿出色的，ERA只有4.15，低於在 artificial turf上的平均值。Metrodome以外的人工草皮球場，ERA高達4.97。於其說Scott Erickson在artificial turf上表現較出色，不如說在主場較猛。
Kenny Rogers在Minnesota也丟了一季，特別的是，那年Metrodome的數據遠差於生涯在artificial turf上的平均值。
其他投手，除了Derek Lowe、王建民外，在人工草皮上並沒有明顯地落差，Jake Westbrook、Tim Hudson還比在天然草皮上猛!
值得一提的是，在人工草皮上被打爆的那兩位，除了sinker外，secondary pitches好像都沒啥看頭，難道這是...
至於Halladay，我想他不只在Rogers Centre囂張，在其他人工草皮上他一樣能逞兇鬥狠~
我不否認有不少滾地球投手在人工草皮有顯著的落差，不過作者只採用了在Skydome/Rogers Centre的樣本，似乎狹義了點...
基本上artificial turf的球場大多是偏打者、中性屬性，早期有Kingdome、Olympic Stadium到沿用至今的Rogers Centre、Tropicana Field、Metrodome等。我隨便翻了些投手在turf上的表現，因樣本數的考量，也照樣地把Brandon Webb、Felix Hernandez、Fausto Carmona、Aaron cook等人排除在外。
| Name | Split | IP | ERA | H/9 |
| Kevin Brown | Grass | 2728 | 3.21 | 8.40 |
| Turf | 424.1 | 3.73 | 9.21 |
| Tim Hudson | Grass | 1693.2 | 3.52 | 8.51 |
| Turf | 130 | 2.98 | 8.45 |
| Scott Erickson | Grass | 1547 | 4.69 | 9.92 |
| Turf | 813.2 | 4.39 | 9.74 |
| Kenny Rogers | Grass | 2692.2 | 4.24 | 9.34 |
| Turf | 406 | 3.95 | 9.29 |
| Derek Lowe | Grass | 1506.1 | 3.47 | 8.75 |
| Turf | 182.2 | 6.26 | 10.15 |
| Andy Pettitte | Grass | 2199.2 | 3.81 | 9.39 |
| Turf | 278.2 | 3.88 | 9.14 |
| Jake Westbrook | Grass | 859.1 | 4.44 | 9.57 |
| Turf | 124.2 | 4.04 | 10.32 |
| Wang Chien Ming | Grass | 423 | 3.70 | 9.17 |
| Turf | 62.2 | 5.03 | 10.91 |
我本來打算BABIP包括在Table裡，不過我沒找到現成數據，又懶得算，就因此而作罷。
在這8人裡Scott Erickson在Minnesota投了6季，Metrodome的成績在所有球場中算滿出色的，ERA只有4.15，低於在 artificial turf上的平均值。Metrodome以外的人工草皮球場，ERA高達4.97。於其說Scott Erickson在artificial turf上表現較出色，不如說在主場較猛。
Kenny Rogers在Minnesota也丟了一季，特別的是，那年Metrodome的數據遠差於生涯在artificial turf上的平均值。
其他投手，除了Derek Lowe、王建民外，在人工草皮上並沒有明顯地落差，Jake Westbrook、Tim Hudson還比在天然草皮上猛!
值得一提的是，在人工草皮上被打爆的那兩位，除了sinker外，secondary pitches好像都沒啥看頭，難道這是...
至於Halladay，我想他不只在Rogers Centre囂張，在其他人工草皮上他一樣能逞兇鬥狠~
| Split | IP | ERA | H/9 | BABIP | BA/OBP/SLG |
| Rogers Centre | 782.2 | 3.37 | 8.39 | .280 | .245/.289/.378 |
| On other Artif. Turf | 140.1 | 3.01 | 8.02 | .277 | .241/.288/.344 |
星期日, 8月 19, 2007
Batted Ball Tendency
近對batted ball tendency有點疑惑，照理講LD是較容易出現安打的打擊結果，不過我老覺得GB也很容易出現安打。整體來說，groundball pitchers的BABIP也沒比較低。為了探討何種型態的打者最容易擊出安打，整理了些LD%、GB%、FB%的data來玩玩~
首先，我採用了178位MLB打者在8月15日前的資料，做了些simple linear regression analyses，看能否找出independent variables ( LD%、GB%、FB%)與dependent variable的關係。
從Fig.1來看，BABIP與LD%是positive correlated，換句話說，as the amount of independent variable，LD%，increases； the dependent variable，BABIP， also increases.
Fig2：GB%跟BABIP是有positive slope, 不過沒LD%那樣明顯。
Statistically，球打高的次數越頻繁，BABIP就越低，趨勢還滿顯而易見的，比想像的還大。
從數字的角度來分析，LD、GB、FB轉換成安打的機率也許比光看圖表來得精準。
從這table來看，GP與BABIP並沒有特別引人注意的關係，換句換說，GP%的變動，並不會對BABIP有啥影響。LD%、FB%的correlation coefficient也沒強烈到能當作predictor來看待。
從以下的表格就可略之一二：
"R2 is a statistic that will give some information about the goodness of fit of a model. In regression, the R2 coefficient of determination is a statistical measure of how well the regression line approximates the real data points. An R2 of 1.0 indicates that the regression line perfectly fits the data."
上述的分析都是以整體、平均的觀點來分析。接下來將以個別球員來看batted ball tendency與BABIP的因果關係...
Top 10 GB% of BABIP：
從這table多少能看出Top10 Groundball hitters的BABIP都滿高的，棒球場上就是有些奇人異士，GB%越高，BABIP就越唬爛。
Ichiro Suzuki就是很好的例子。2004、2007年的GP%皆比其他球季來的高，在這兩球季，LD%很恰好地也同時低於20%。但有人能主張Ichiro都是靠唬爛、運氣來維持高檔的BABIP?
我的結論是以那些強者的能力跟天賦，不管用啥方式，BABIP會趨向符合自身實力的合理值。換句換說，大樣本所得到計算結果，有時很難對單一球員一概而論。
最後補上一些LD%的個人數據，不然發現結論有時會因個人假設而不同。打個比方，我假設LD%與BABIP有強烈的因果關係，挑有利於我的數據來闡述，這時得到的結果就會失真。事實上，LD%的R、R2多少說明LD%並不是很理想的BABIP estimator。
Top 10 LD% of BABIP：
Bottom 10 LD% of BABIP：
首先，我採用了178位MLB打者在8月15日前的資料，做了些simple linear regression analyses，看能否找出independent variables ( LD%、GB%、FB%)與dependent variable的關係。
Statistically，球打高的次數越頻繁，BABIP就越低，趨勢還滿顯而易見的，比想像的還大。
從數字的角度來分析，LD、GB、FB轉換成安打的機率也許比光看圖表來得精準。
| PEARSON Product (r) | LD% | GP% | FB% |
| BABIP | .512 | .191 | -.373 |
從這table來看，GP與BABIP並沒有特別引人注意的關係，換句換說，GP%的變動，並不會對BABIP有啥影響。LD%、FB%的correlation coefficient也沒強烈到能當作predictor來看待。
從以下的表格就可略之一二：
| R^2 | LD% | GP% | FB% |
| BABIP | .262 | .036 |
.139
|
"R2 is a statistic that will give some information about the goodness of fit of a model. In regression, the R2 coefficient of determination is a statistical measure of how well the regression line approximates the real data points. An R2 of 1.0 indicates that the regression line perfectly fits the data."
上述的分析都是以整體、平均的觀點來分析。接下來將以個別球員來看batted ball tendency與BABIP的因果關係...
Top 10 GB% of BABIP：
| Name | GB% | BABIP |
| Luis Castillo | 67.1% | .333 |
| Derek Jeter | 57.3% | .369 |
| Tony Pena | 57.2% | .318 |
| Ichiro Suzuki | 55.8% | .376 |
| Joe Mauer | 54.3% | .342 |
| Casey Kotchman | 53.9% | .315 |
| Shawn Green | 53.2% | .300 |
| Orlando Hudson | 52.6% | .333 |
| Mark Teahen | 51.8% | .366 |
| Juan Pierre | 51.8% | .302 |
從這table多少能看出Top10 Groundball hitters的BABIP都滿高的，棒球場上就是有些奇人異士，GB%越高，BABIP就越唬爛。
Ichiro Suzuki就是很好的例子。2004、2007年的GP%皆比其他球季來的高，在這兩球季，LD%很恰好地也同時低於20%。但有人能主張Ichiro都是靠唬爛、運氣來維持高檔的BABIP?
我的結論是以那些強者的能力跟天賦，不管用啥方式，BABIP會趨向符合自身實力的合理值。換句換說，大樣本所得到計算結果，有時很難對單一球員一概而論。
最後補上一些LD%的個人數據，不然發現結論有時會因個人假設而不同。打個比方，我假設LD%與BABIP有強烈的因果關係，挑有利於我的數據來闡述，這時得到的結果就會失真。事實上，LD%的R、R2多少說明LD%並不是很理想的BABIP estimator。
Top 10 LD% of BABIP：
| Name | LD% | BABIP |
| Chone Figgins | 25.6% | .400 |
| Michael Young | 25.4% | .358 |
| Brendan Harris | 24.5% | .347 |
| Placido Polanco | 24.3% | .351 |
| Paul Lo Duca | 23.9% | .277 |
| Jorge Posada | 23.6% | .398 |
| Todd Helton | 23.5% | .331 |
| Edgar Renteria | 23.3% | .378 |
| Delmon Young | 22.8% | .348 |
| Shannon Stewart | 22.6% | .324 |
Bottom 10 LD% of BABIP：
| Name | LD% | BABIP |
| Ray Durham | 12.8% | .250 |
| Chris Young | 13.6% | .249 |
| Gary Matthews Jr. | 13.6% | .310 |
| Nick Punto | 14.0% | .245 |
| Adrian Beltre | 14.0% | .286 |
| Brian Schneider | 14.1% | .251 |
| Aubrey Huff | 14.2% | .301 |
| Richie Sexson | 14.3% | .219 |
| Casey Kotchman | 14.5% | .315 |
| Dan Uggla | 14.7% | .290 |
訂閱：
文章 (Atom)