Tipología de partidos y factores de rendimiento en baloncesto

  1. José Antonio Martínez
  2. Laura Martínez Caro
Revista:
Revista Internacional de Medicina y Ciencias de la Actividad Física y del Deporte

ISSN: 1577-0354

Año de publicación: 2013

Volumen: 13

Número: 49

Páginas: 131-148

Tipo: Artículo

Otras publicaciones en: Revista Internacional de Medicina y Ciencias de la Actividad Física y del Deporte

Resumen

Esta investigación analiza la tipología de partidos de baloncesto utilizando una aproximación probabilística para la solución cluster, e incorporando factores de rendimiento, así como variables exógenas que influyen en la probabilidad de victoria, y por ende, en la diferencia final en el marcador. Tras analizar datos de partidos de la NBA, implementar varios procesos de filtrado, y realizar dos replicaciones añadidas, los resultados muestran que existen cinco tipologías de partidos diferentes, tomando como referencia principal la diferencia en el marcador. Así, las variables más importantes para discriminar entre los diferentes clusters son el margen de puntos, la eficiencia en el lanzamiento y la diferencia de potencial entre los contendientes. Consideraciones sobre el factor cancha, los factores de rendimiento, los métodos de análisis y la endogeneidad de las variables son discutidas.

Referencias bibliográficas

  • Andrews, R. L., y Currim, I. S. (2003). A Comparison of segment retention criteria for finite mixture logit models. Journal of Marketing Research, 40, 235-243.
  • Arkes, J. (2011). Is controlling the rushing or passing game the key to NFL victories? The Sports Journal, 14.
  • Bacher J, Wenzig K,, y Vogler M. (2004). SPSS TwoStep Cluster – First Evaluation. Arbeits- und Diskussionspapiere 2004-2, 2.korr. Aufl . ErlangenNürnberg: Friedrich-Alexander Universität.
  • Berri, D. J. (2008). A simple measure of worker productivity in the National Basketball Association. in The Business of Sport, eds. Brad Humphreys and Dennis Howard, editors, 3 volumes, Westport, Conn
  • Gómez, M. A., Lorenzo, A. y Sampaio, J. (2009). Análisis del rendimiento en baloncesto. ¿Es posible predecir los resultados? Sevilla: Wancelulen
  • Kline, R. B. (2010). Principles and practice of structural equation modeling ( 3rd ed.). New York: Guilford Press
  • Magidson, J. y Vermunt. J. K. (2002). Latent Class Models for Clustering: a Comparison with K-means. Canadian Journal of Marketing Research, 20, 36-43.
  • Martínez, J. A. (2012). Entrenador nuevo, ¿victoria segura? Evidencia en baloncesto / Chaning a coach, guarantee the win?. Revista Internacional de Medicina y Ciencias de la Actividad Física y el Deporte, 12 (48), 663-679
  • Martínez, J. A. (2011b). El uso del porcentaje de victorias en modelos predictivos en la NBA. Revista Internacional de Derecho y Gestión del Deporte, 13.
  • Pearl, J. (2000). Causality, models and inference. Cambridge, MA: MIT Press Vermunt, J., y Magidson, J. (2005). Latent GOLD 4.0 User's Guide. Belmont: Massachusetts, Statistical Innovations Inc.
  • Wilcox, R. R. (2010). Fundamentals of modern statistical methods. Second Edition. New York: Springer.
  • Winston, W. L. (2009). Mathletics. New Jersey: Princeton University Press Wooldridge, J. M. (2003). Introducción a la econometría: Un enfoque moderno. Thomson, Segunda Edición
  • Xu, R. y Wunsch II, D. C (2009). Clustering. New Jersey: Wiley.