本文目录导读：
主客场因素在足球（尤其是联赛制比赛）中的影响，是体育数据分析里一个经典且被广泛研究的课题，综合多个开源项目（如 football-data.co.uk、FiveThirtyEight 的 SPI、OpenFootball、各类 Kaggle 数据集上的建模项目）的分析,可以得到以下结论。
总体量级
主场优势大约相当于 0.3～0.5 个进球的期望值差异，换算成胜率大约让主队多赢 15～20 个百分点。
一个常被引用的经验分布（欧洲五大联赛长期平均）：
| 结果 | 平均概率 |
|---|---|
| 主胜 | ~45% |
| 平局 | ~26% |
| 客胜 | ~29% |
如果完全中立场地，主胜通常降到 ~35%，客胜升到 ~38% 左右，也就是说，主场优势大约值 0.3~0.4 球。
具体影响维度
进球期望（xG）
- 主队 xG 平均比客队高约 0.2~0.35
- 主场进球率约为客场的 1.2~1.3 倍
胜平负概率
- 主胜概率提升约 15~20 个百分点
- 平局概率变化不大（略降）
- 客胜概率下降约 15 个百分点
对不同球队的差异
- 强队主场优势相对小（因为客场也能赢）
- 弱队/保级队主场优势更明显（主场是主要抢分手段）
- 德比、升班马等情境下波动更大
影响主场优势的因素
开源项目里常被纳入模型的因素：
- 观众/球迷：疫情空场期间（2020-21）研究显示主场优势下降约一半，说明观众是重要来源
- 旅途疲劳：客队飞行/长途跋涉距离
- 裁判偏向：主队获得的点球、犯规判罚略有利（多项研究证实,空场后减弱）
- 场地熟悉度：草皮、气候、更衣室等
- 赛程密度：连续客场影响更大
建模中的处理方式
主流开源做法：
- 泊松/负二项模型：给主队加一个
home_advantage参数（通常拟合出 0.2~0.4） - Elo 类模型：主场加 60~100 分（相当于胜率提升约 15%）
- Dixon-Coles：单独估计 home 参数，长期约 0.3
- ML 特征工程：
is_home是最重要的特征之一，SHAP 值通常排前 3
联赛差异（重要）
不同联赛主场优势差别明显：
- 英超/德甲：中等（~0.3）
- 西甲/意甲：略低
- 南美联赛（尤其高原主场如玻利维亚）：极高，可超 0.6
- 北欧/小联赛：因旅途和气候，往往更高
综合开源项目：
主客场因素大约值 0.3~0.5 球 / 15~20% 胜率，是除球队实力外最重要的单一变量，但小于球队实力差距本身，在建模中必须纳入，且应按联赛、球队、是否空场分别校准,而不是用全局常数。
如果你有具体某个开源项目（比如某个 GitHub 仓库或 Kaggle notebook）想深挖，可以告诉我,我帮你对着它的方法细看。
