Spelarrotation och sportsliga resultat i Div 1 2018

 

Våra minnesgoda läsare kommer så klart ihåg att vi i våras gjorde en analys över hur sportsliga resultat påverkas när man av olika skäl tvingas att använda många startspelare i ett lag under en säsong. Ni kan läsa vår analys här

Skadade fotbollsspelare – hur påverkar det resultat och tabellplacering?

Vi såg bland annat att lag som använt många startspelare tog färre poäng per match och hade sämre målskillnad än de lag som använt färre startspelare.

Nu vill vi försöka förstå lite närmare vad det är som händer när lag roterar in nya spelare på plan. Vi vill dessutom göra det med data som är aktuell nu och som inte bara är historisk.

Det vi utgått från i denna analys är alla lag i Div 1 Norra och Södra serien. Vi tar med södra serien för att få tillräckligt med data till analyserna. Vi använder data från årets säsong från omgång 1 till omgång 23.

Vi har alltså försökt förstå vad som händer mer specifikt när lag roterar in många spelare i laget. Vi har tittat på ett antal statistiska mått för att se vart de kan finnas något som förklarar vad som händer vid spelarrotation. De mått vi har tittat på är

Variabler som vi försökt förklara

Vinst: antal vinster i årets serie

Oavgjorda: antal oavgjorda i årets serie

Förlust: antal förluster i årets serie

Målskillnad

Poäng: antal poäng i årets serie

Variabler som vi använder för att förklara ovanstående variabler

Antal använda spelare: Spelare som använts på plan under säsongen

Medeltid: speltid för alla spelare som varit på plan i genomsnitt

Standardavvikelse: Ett mått som anger hur stor spridning det är på spelarnas olika spelmedeltid

Nedre kvartilen: Ett mått som anger medelspeltiden för de 25% som spelat minst tid

Mediantid: det värde som återfinns i mitten om man listar alla spelarnas medelspeltid från 0 min till högsta värdet

Övre kvartilen: Ett mått som anger medelspeltiden för de 75% som spelat minst tid

 

I tabellen presenterar vi grunddata – den är inte av så stort intresse, mer än att man kan bilda sig en snabb uppfattning om hur det ser ut. Tabellen är organiserad så att lagen med flest poäng står högst upp och sen i fallande skala. Några enkla fynd kan vi lyfta fram i alla fall. Lag i toppen verkar ha en större standardavvikelse, det vill säga att det är större spridning på hur mycket speltid truppens spelare har. Vi kan också se att lag i toppen tycks ha en lägre medeltid för spelarna i den undre kvartilen, dvs de 25% av spelarna med minst speltid.

 

I ovanstående tabell visar vi lite mer handfast hur speltiden mellan två lag kan skilja sig åt och därmed ge olika värden på förklaringsmåtten som vi använder för att försöka förklara resultaten i Div 1 serierna så här långt i år.

Vi har då två lag VSK och HFF. Vi har delat in lagets speltid i 10% block där vi börjar med det block där de som har haft minst speltid återfinns. I första blocket 10% ser vi att de spelare som återfinns där i VSK har 0 minuter i speltid under säsongen. För HFF ser vi att de 10% med minst speltid har 19 min i snitt. Om vi fortsätter uppåt i procentblocken ser vi att VSKs spelare har mycket mindre speltid än motsvarande för HFF. Det gäller ända upp till 60%-blocket där det jämnas ut. Men från  60%-nivån har vi ju lagens normala startspelare och där ska det vara hyfsat lika. Sen ser vi att HFF:s startspelare har mindre tid 70-90%-blocken. Vilket så klart beror på att flera bänk- och truppspelare har mer speltid i det laget jämfört med i VSK.

Då så, då vet vi lite hur det ser ut. I nästa steg har vi tittat på hur våra förklarande variabler mäktar med att förklara varför fotbollsmatcher går som de går – vinster, förluster osv.

 

I tabellen ser vi de kopplingar som fanns mellan resultatmåtten till vänster och de olika spelartidsvariabler som kan förklara dem. Vi presenterar bara de variabler där det finns ett statistiskt signifikant samband mellan de olika variablerna. För att förstå hur tex antalet poäng är kopplat till de olika tidsmåtten gjordes en så kallad korrelationsanalys där man får ett statistiskt mått på hur starkt sambandet mellan två variabler är. Resultatet blev tex att poäng korrelerade med variabeln standardavvikelse med .43 (en korrelation kan ha ett värde mellan -1 till +1 där värdet 0 innebär att det inte finns någon koppling mellan de två saker man tittar på). En korrelation på .43 är substantiell även om det på långa vägar inte förklarar hela sambandet mellan standardavvikelsen och antalet poäng man har som Div 1 lag.

Om vi då tittar i tabellen ser vi att antalet poäng är korrelerat till dels standardavvikelse, samt negativt korrelerat till värdet för den nedre kvartilen. Vad betyder då det här? Jo det innebär att lag med större spridning (standardavvikelse) på speltiden i sina trupper tar fler poäng. I praktiken innebär det att ens bänk- och ffa truppspelare inte får särskilt mycket speltid, då har man ett gäng spelare med lite speltid och sen har man som alla lag ett gäng spelare med mycket speltid. Har man det så får man stor spridning på speltiden och standardavvikelsen blir större. Samma fenomen återspeglas i variabeln nedre kvartilen som alltså är medelvärdet för speltid för de 25% av spelarna med minst speltid. Här är korrelationen negativ vilket innebär att du tar mer poäng om den genomsnittliga speltiden för den här gruppen är så låg som möjligt. I praktiken indikerar det att relativt få truppspelare får speltid, man använder mest sin startelva och sin bänk till matcherna. Ett lag som VSK har alltså bara 25 minuters medelspeltid för de 25% i sin trupp som spelar minst, det är inte mycket och det är alltså kopplat till hur mycket poäng man tar.

Man kan ju tycka att det här är en komplicerad statistisk exercis av föga värde för den riktiga världen och vad som händer på fotbollsplanen. Tyvärr är det inte så. I kolumnen längst till höger som heter förklarad varians kan vi se betydelsen av det hela. Genom att göra en sk regressionsanalys kan man se hur mycket en eller flera variabler kan förklara en tredje variabel. I det här sammanhanget kan vi alltså fastslå att variablerna standardavvikelse och nedre kvartil till drygt 18% statistiskt kan förklara hur många poäng lagen i årets Div 1 serier har. Nästan 20% av lagens poäng beror alltså på hur man står på de här två variablerna. Så visst har det betydelse hur lagen använder eller tvingas använda sina trupper och hur spelarna får eller inte får spela.

I tabellen kan vi också se att de här två variablerna ännu bättre kan förklara varför ett lag förlorar, där är förklaringsgraden dryga 26%

I vår tidigare analys visade vi att det är just försvarsspelet som blir lidande när man roterar in många spelare i ett lag, det märks på målskillnaden. Det bekräftas också av den här analysen där förklaringsgraden nästan är 25% för de här två variablerna. Ju större spridning du har på speltiden som du har som lag och ju mindre speltid på de 25% minst spelande i laget, ju bättre målskillnad har du.

Så vad säger denna analys oss då? Jo den säger att du som tränare i första hand bör förlita dig på din startelva och dina bänkspelare, då ökar statistiskt sett chansen till poäng och segrar och ffa att undvika förluster. Analysen är tydlig med att ju mer tid du ger eller tvingas ge till dina truppspelare, ju sämre kommer laget att prestera. Statistiskt sett verkar det vara en god idé att hålla kvar vid sin startelva så mycket det går och inte ändra om man inte måste. Resultaten blir alltså inte bättre för att man ”rör om” i uppställningarna och skickar in oprövade kort med order om att ”ta chansen”. Siffrorna är tydliga, som Div 1 tränare 2018 ska du jobba med de spelare du gett förtroende en gång i tiden och se till att hålla dem friska och i form. Om du ska välja mellan två spelare som ska lösa samma uppgift men har olika mycket tidigare speltid ska du alltid välja den med mest speltid, då kommer laget gå bättre, statistiken är tydlig på den punkten.

Facebook Comments