Predict Raven1Dixon-Coles（贝叶斯收缩）统计模型
经典的足球比分模型。它拿每队的预期进球与被预期进球——先向各自的实力评级收缩——搭出一张网格，列出每个可能比分及其概率，其中对 0-0、1-1 这类低比分平局做了专门修正（原始模型往往会低估它们）。把整张网格加起来，就得到胜/平/负。它擅长还原足球比分真实的形状，也擅长把平局算准。
← 返回淘汰赛预测从 FIFA 赛后报告，到一个对外公布的胜/平/负——每一步都是市场盲测。
方法说明
8 个模型怎么从 FIFA 数据预测一场球
每一场淘汰赛对阵，都由 8 个统计与机器学习模型，外加一个多校准融合来评估——只读两队在小组赛踢出来的足球数据，不看任何盘口、不看任何市场价格。对外公布的数字，就是 90 分钟内每种结果的概率：胜、平、负。
整条流程，从头到尾
下面是完整的链条，从一份原始的 FIFA 赛后报告，一直到对外公布的预测。每一环喂给下一环，全程没有任何一步去读价格。
- FIFA 赛后报告（PDF）每场比赛后，FIFA 都会发布一份详细报告。
- 读取“关键数据”+“比赛阶段”页的文字我们读统计页上的文字——不读价格，不读任何博彩数据。
- 每支球队 · 每场比赛的数据每支球队在它每一场比赛里的数字。
- 3 场小组赛取平均 + 贝叶斯收缩把三场取平均，再轻轻拉向一个合理的先验。
- 球队画像 A / 球队画像 B模型据以阅读的、每支球队稳定下来的样子。
- 8 个模型各给一个 胜/平/负对同一场球的 8 种独立读法。
- 融合 + 偏差校正 + 淘汰赛平局校准汇总八家、修正已知偏差、为淘汰赛校准平局。
- 对外公布：90 分钟 胜/平/负每种结果一个数字，显示在该场比赛的页面上。
- 1FIFA 赛后报告（PDF） — 每场比赛后，FIFA 都会发布一份详细报告。
- 2读取“关键数据”+“比赛阶段”页的文字 — 我们读统计页上的文字——不读价格，不读任何博彩数据。
- 3每支球队 · 每场比赛的数据 — 每支球队在它每一场比赛里的数字。
- 43 场小组赛取平均 + 贝叶斯收缩 — 把三场取平均，再轻轻拉向一个合理的先验。
- 5球队画像 A / 球队画像 B — 模型据以阅读的、每支球队稳定下来的样子。
- 68 个模型各给一个 胜/平/负 — 对同一场球的 8 种独立读法。
- 7融合 + 偏差校正 + 淘汰赛平局校准 — 汇总八家、修正已知偏差、为淘汰赛校准平局。
- 8对外公布：90 分钟 胜/平/负 — 每种结果一个数字，显示在该场比赛的页面上。
数据从哪来
每场比赛之后，FIFA 都会发布一份《赛后总结报告》——大约五十页的详细分析。我们读其中两页上的文字：关键数据页（Key Statistics）和比赛阶段页（Phases of Play）。这就是全部的数据来源。
我们只读场上的足球：进球、射门、控球、逼抢、跑动距离这些。我们从不读价格、盘口或任何博彩数据——预测在生成时就刻意对市场保持盲测。
我们读出哪些数据，分别是什么意思
每支球队从这两页里读出 9 个数字。下面用大白话逐个解释，并各给一个示例值。
进攻 — 预期进球（每场）
一支球队一场比赛预计能创造多少进球，依据是它制造的机会质量。越高越强。
示例1.94
防守 — 被预期进球（每场）
一支球队预计会丢多少球，依据是它放给对手的机会。越低越强。
示例0.74
控球 %
一支球队在整场比赛里控球的时间占比。
示例54.0%
高位逼抢 %
一支球队把比赛时间花在高位逼抢上的占比——在靠近对方球门的区域抢球。
示例22.0%
反击 %
一支球队处于快速反击阶段的时间占比。
示例18.0%
低位防守 %
一支球队退守到自家球门前防守的时间占比。
示例15.0%
高强度跑动（公里）
以高速（冲刺和快跑）跑出来的距离。用来看一支球队体能上拼得有多狠。
示例9.6 km
实力评级（Elo）
赛前对球队整体实力的估计，在第一脚球开球之前就定好。越高越强。
示例1932
已观测场次
我们有数据的小组赛场次——3 场，整个小组赛。
示例3
“预期进球”（xG）是对射门质量的估计：它衡量一支球队创造（或放给对手）的机会到底值多少个进球，而不只是数那些恰好打进的球。
从三场比赛到一支球队的“画像”
一支球队只踢三场小组赛，所以任何单个数字都很“吵”——一场反常的比赛就能把一支球队捧高或埋低。为了把它稳下来，我们先把三场取平均，再把每个数字轻轻拉向一个合理的先验。统计学上把这叫贝叶斯收缩：它相信数据，但不盲信，这样一场离谱的比赛就主导不了结果。
得到的就是球队画像——每支球队那张稳定、去噪后的样子，所有模型都从这里读起。从这一步往后，8 个模型用的都是同样的两张画像。
8 个模型，8 种读法
每个模型用不同的视角去看这两张画像，再把它变成一个胜/平/负。没有哪一个是最终定论；它们之间的分歧，恰恰是重点。下面是每个模型靠什么、又怎么下判断。
2xG 修正 Elo实力评级
一个单一的实力评级，整个小组赛三场里随球队创造机会的质量——也就是预期进球——升降，而不只看最终比分。一支创造机会压过对手却输球的队，照样会涨。两队评级之差，再加上一个平局项，就变成胜/平/负。它奖励那些被结果“占了便宜”或“坑了”的球队。
3PRODEGY（攻防分离 Elo）实力评级
它不给每队一个评级，而是分别保留一个进攻评级和一个防守评级，两者都用小组赛的预期进球来更新。预测一场对阵时，它拿一方的进攻去对另一方的防守，反之亦然，从而得到每队的进球预期。当一支球队很“偏科”时它最出彩——比如进攻很强、防守很漏——这种情况单一评级会糊成一团。
4体能衰减 Elo实力评级
一个同时把体能负荷计入的实力评级。小组赛高强度跑动距离最多的球队会被小幅扣分，逻辑是它们在赛事深处更可能累。它专门用来抓住纯实力评级会漏掉的疲劳效应。
5战术相克 mElo实力评级
除了硬实力，它还比较两队实际怎么踢——控球、逼抢、反击、退守。风格上的相克，可能让评级更低的一方反而占优，就像在实力之上再叠一层石头剪刀布：一支出色的反击球队，能给一支评级更高的控球队制造麻烦。
6机会质量机器学习（梯度提升树）机器学习
一个梯度提升决策树模型——这是一种机器学习方法，会搭出许多小的决策规则再层层叠加。它用小组赛训练，喂进创造机会和打穿防线的数据（射门、过人线、向前推进），学出一套规律，把两队数字之间的差距映射成胜/平/负。
7传球结构机器学习（随机森林）机器学习
一个随机森林——另一种机器学习方法，是许多独立决策树的平均——用传球结构和打法风格的特征训练，比如控球和组织阵型。它是对同一个问题的另一种统计视角；它在哪里和梯度提升模型唱反调，本身就是信息。
8堆叠集成融合模型
一个元模型，它根本不看场上。它唯一的工作，是从前面七个模型在小组赛里的表现，学会该有多信任每一个——再把它们的看法加权、组合成一个判断。它是一个“关于模型的模型”。
怎么从 8 种读法得出最后一个结论
8 种看法先被汇总成一个共识。然后一个在小组赛上学到的轻量偏差校正，在模型整体偏掉的地方做出微调。最后再上一道淘汰赛平局校准：淘汰赛 90 分钟内打平的比例，远高于小组赛——2022 卡塔尔世界杯约为 31%——所以对真正势均力敌的对阵，我们把平局抬向这个历史比例。实力悬殊的对阵几乎不动，热门一方也始终被保住。
得到的就是对外公布的“多校准 8 合 1”胜/平/负。每场比赛都把全部九种看法——8 个模型加上融合——并排展示在它自己的页面上，比赛打完后我们也公开为它们打分，任何人都能核对这份成绩单。