python案例如何量化主队球迷人数影响？

wen python案例 2026-08-13 2

本文目录导读：

核心方法（按难度排序）
Python实战案例（核心方法）
实操注意事项（避免犯大错）
商业结论输出（你最终要写进报告的）
总结代码速查表

量化主队球迷人数对比赛结果（或其他指标）的影响，在体育数据分析中非常常见，由于主队球迷人数（现场观众）与主队胜率高度相关（且存在内生性），直接做简单回归会得出“球迷多所以赢球多”的误导结论。

以下是6个核心量化方法，从简单到复杂，最后附上Python代码实战案例（以足球为例）。

核心方法（按难度排序）

描述性统计与可视化（相关性分析）

目的：初步观察趋势。做法：计算主队球迷人数与主队胜率、净胜球的皮尔逊相关系数，并绘制散点图。

多元线性回归（控制变量）

目的：剔除球队实力差异。做法：控制球队历史排名、身价、近期战绩等因素，单独看观众人数的回归系数。

面板数据固定效应（最常用）

目的：消除球队自身特质（如豪门球迷基数大且总赢球）。做法：使用球队固定效应，比较同一支球队在“主场人多”和“主场人少”时的表现差异。

工具变量法（破解内生性）

目的：解决“球迷是因比赛精彩才来，还是来了比赛才精彩”的问题。做法：用“天气”或“当地是否节假日”作为工具变量，因为天气好/放假会带来更多观众，但不直接影响比赛结果。

分位点回归

目的：观察不同比赛阶段的影响。做法：看球迷数量对比赛0-15分钟进球率的影响（早期进球往往能锁定胜局）。

机器学习特征重要性

目的：验证非线性影响。做法：用随机森林/XGBoost，输入球迷人数、主客场等特征，输出胜率，查看特征重要性。

Python实战案例（核心方法）

数据准备（模拟数据，包含内生性）

假设你有历史比赛数据：attendance（场均观众），home_team_rating（主队身价），away_team_rating（客队身价），result（主队赢=1，平/负=0）。

import pandas as pd
import numpy as np
import statsmodels.api as sm
from linearmodels.panel import PanelOLS
import matplotlib.pyplot as plt
import seaborn as sns
# 模拟数据（50支球队，每队10个主场）
np.random.seed(42)
teams = [f'Team_{i}' for i in range(50)]
n_seasons = 10
data = []
for team in teams:
    for season in range(n_seasons):
        # 球队实力（随机）
        strength = np.random.normal(0, 1)
        # 球迷人数：受球队实力和随机误差影响（内生性来源）
        attendance = 30000 + 5000*strength + np.random.normal(0, 3000)
        # 比赛结果：受球队实力和球迷额外激励（真实效应）
        win_prob = 1 / (1 + np.exp(-(0.5*strength - 0.3*strength_away + 0.00002*(attendance-30000))))
        result = np.random.binomial(1, win_prob)
        data.append({
            'team': team, 
            'season': season,
            'strength': strength,  # 主队实力
            'attendance': attendance,
            'win': result
        })
df = pd.DataFrame(data)
# 增加客队实力变量（简化，假设为0）
df['opp_strength'] = np.random.normal(0, 1, len(df))

方法1：简单线性回归（会得到误导性结果）

X = sm.add_constant(df[['attendance', 'strength', 'opp_strength']])
y = df['win']
model = sm.OLS(y, X).fit()
print(model.summary())

结果解读：你会发现attendance的系数显著为正，但这混入了球队实力的影响（强队球迷多且容易赢）。

方法2：固定效应（剔除球队个体差异）

from linearmodels.panel import PanelOLS
# 设置面板索引
df = df.set_index(['team', 'season'])
# 固定效应模型（控制球队自身特质）
exog = sm.add_constant(df[['attendance', 'strength', 'opp_strength']])
fe_model = PanelOLS(df['win'], exog, entity_effects=True).fit(cov_type='clustered', cluster_entity=True)
print(fe_model)

结果解读：此时attendance的系数会大幅缩小，因为它只反映同一支球队在不同上座率下的表现差异，如果系数仍然显著且为正（如0.00005），说明每增加1000名观众，主队胜率提升约5%。

方法3：工具变量法（用“周末”作为工具变量）

from linearmodels.iv import IV2SLS
# 构造工具变量：是否为周末（周末观众多，但不直接影响实力）
df['is_weekend'] = np.random.choice([0, 1], size=len(df), p=[0.7, 0.3])  # 模拟
df['attendance_iv'] = df['attendance'] * df['is_weekend']  # 交互项作为工具变量
# 第一阶段：用工具变量预测 attendance （简化，实际需两阶段）
# 直接使用 IV2SLS 类
formula = 'win ~ strength + opp_strength + [attendance ~ is_weekend]'
iv_model = IV2SLS.from_formula(formula, data=df.reset_index()).fit()
print(iv_model.summary)

结果解读：工具变量的结果与OLS差异大，说明内生性严重，如果工具变量有效，该系数才是“球迷真正推动比赛结果”的无偏估计。

方法4：分不同比赛阶段（时间效应）

如果想看球迷人数对上半场的影响，你可以将 win 替换为 first_half_goals（上半场进球数），再用负二项回归（泊松回归的扩展）分析。

import statsmodels.discrete.discrete_model as dm
# 假设有上半场进球数
df['first_half_goals'] = np.random.poisson(0.5 + 0.00001*df['attendance'])
# 泊松回归
model_poisson = dm.Poisson(df['first_half_goals'], sm.add_constant(df[['attendance', 'strength']])).fit()
print(model_poisson.summary())

结果解读：负二项或泊松回归的系数表示“每增加一个单位观众，进球数的对数变化”，若系数为0.00002，则每增加10000观众，上半场进球数增加约20%。

方法5：机器学习（XGBoost特征重要性）

from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
X = df[['attendance', 'strength', 'opp_strength', 'is_weekend']]
y = df['win']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
model = RandomForestClassifier(n_estimators=200)
model.fit(X_train, y_train)
# 特征重要性
importances = pd.Series(model.feature_importances_, index=X.columns).sort_values(ascending=False)
print(importances)
# 边际效应：SHAP 值
import shap
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X_test)
shap.summary_plot(shap_values, X_test)

结果解读：attendance 的SHAP值在低值时对胜率影响为负，高值时为正，且呈非线性关系，说明存在“临界点”（比如超过4万人带来额外优势）。

实操注意事项（避免犯大错）

必须控制球队实力：不带控制变量的回归就是耍流氓。
球迷人数存在“反向因果”：强强对话球迷多，比赛也激烈，必须用工具变量或固定效应。
使用对数形式：观众人数呈长尾分布，建议使用 np.log(attendance) 进行回归，此时系数解释为“弹性”（观众增加1%，胜率提升X%）。
引入交互项：看球迷影响是否在弱队身上更明显（爆冷效应）。attendance * strength 的交互项。

商业结论输出（你最终要写进报告的）

如果经过固定效应模型后,系数为 00001：

含义：在同一支球队内，观众每增加10,000人，主队获胜概率提高约10%（在基础胜率50%附近）。
折现价值：假设球队平均主场比赛带来200万欧元收入（门票+周边），额外增加1万观众带来的胜率提升，可能转化为额外1-2个积分，对应下赛季赞助费增加50万欧元——这就是球迷影响力货币化。

总结代码速查表

方法	代码核心	适用场景
简单回归	`sm.OLS`	粗略看看
面板固定	`PanelOLS`	学术论文首选
工具变量	`IV2SLS`	应对内生性
泊松回归	`dm.Poisson`	计算进球数影响
XGBoost+SHAP	`shap`	非线性检测

在实际操作中,建议至少跑固定效应 + 工具变量两种，如果系数方向一致，结论就非常扎实了。