Predict Raven1Dixon-Coles（貝葉斯收縮）統計模型
經典的足球比分模型。它拿每隊的預期進球與被預期進球——先向各自的實力評級收縮——搭出一張網格，列出每個可能比分及其概率，其中對 0-0、1-1 這類低比分平局做了專門修正（原始模型往往會低估它們）。把整張網格加起來，就得到勝/平/負。它擅長還原足球比分真實的形狀，也擅長把平局算準。
← 返回淘汰賽預測從 FIFA 賽後報告，到一個對外公佈的勝/平/負——每一步都是市場盲測。
方法說明
8 個模型怎麼從 FIFA 數據預測一場球
每一場淘汰賽對陣，都由 8 個統計與機器學習模型，外加一個多校準融合來評估——只讀兩隊在小組賽踢出來的足球數據，不看任何盤口、不看任何市場價格。對外公佈的數字，就是 90 分鐘內每種結果的概率：勝、平、負。
整條流程，從頭到尾
下面是完整的鏈條，從一份原始的 FIFA 賽後報告，一直到對外公佈的預測。每一環餵給下一環，全程沒有任何一步去讀價格。
- FIFA 賽後報告（PDF）每場比賽後，FIFA 都會發布一份詳細報告。
- 讀取“關鍵數據”+“比賽階段”頁的文字我們讀統計頁上的文字——不讀價格，不讀任何博彩數據。
- 每支球隊 · 每場比賽的數據每支球隊在它每一場比賽裡的數字。
- 3 場小組賽取平均 + 貝葉斯收縮把三場取平均，再輕輕拉向一個合理的先驗。
- 球隊畫像 A / 球隊畫像 B模型據以閱讀的、每支球隊穩定下來的樣子。
- 8 個模型各給一個 勝/平/負對同一場球的 8 種獨立讀法。
- 融合 + 偏差校正 + 淘汰賽平局校準彙總八家、修正已知偏差、為淘汰賽校準平局。
- 對外公佈：90 分鐘 勝/平/負每種結果一個數字，顯示在該場比賽的頁面上。
- 1FIFA 賽後報告（PDF） — 每場比賽後，FIFA 都會發布一份詳細報告。
- 2讀取“關鍵數據”+“比賽階段”頁的文字 — 我們讀統計頁上的文字——不讀價格，不讀任何博彩數據。
- 3每支球隊 · 每場比賽的數據 — 每支球隊在它每一場比賽裡的數字。
- 43 場小組賽取平均 + 貝葉斯收縮 — 把三場取平均，再輕輕拉向一個合理的先驗。
- 5球隊畫像 A / 球隊畫像 B — 模型據以閱讀的、每支球隊穩定下來的樣子。
- 68 個模型各給一個 勝/平/負 — 對同一場球的 8 種獨立讀法。
- 7融合 + 偏差校正 + 淘汰賽平局校準 — 彙總八家、修正已知偏差、為淘汰賽校準平局。
- 8對外公佈：90 分鐘 勝/平/負 — 每種結果一個數字，顯示在該場比賽的頁面上。
數據從哪來
每場比賽之後，FIFA 都會發布一份《賽後總結報告》——大約五十頁的詳細分析。我們讀其中兩頁上的文字：關鍵數據頁（Key Statistics）和比賽階段頁（Phases of Play）。這就是全部的數據來源。
我們只讀場上的足球：進球、射門、控球、逼搶、跑動距離這些。我們從不讀價格、盤口或任何博彩數據——預測在生成時就刻意對市場保持盲測。
我們讀出哪些數據，分別是什麼意思
每支球隊從這兩頁裡讀出 9 個數字。下面用大白話逐個解釋，並各給一個示例值。
進攻 — 預期進球（每場）
一支球隊一場比賽預計能創造多少進球，依據是它製造的機會質量。越高越強。
示例1.94
防守 — 被預期進球（每場）
一支球隊預計會丟多少球，依據是它放給對手的機會。越低越強。
示例0.74
控球 %
一支球隊在整場比賽裡控球的時間佔比。
示例54.0%
高位逼搶 %
一支球隊把比賽時間花在高位逼搶上的佔比——在靠近對方球門的區域搶球。
示例22.0%
反擊 %
一支球隊處於快速反擊階段的時間佔比。
示例18.0%
低位防守 %
一支球隊退守到自家球門前防守的時間佔比。
示例15.0%
高強度跑動（公里）
以高速（衝刺和快跑）跑出來的距離。用來看一支球隊體能上拼得有多狠。
示例9.6 km
實力評級（Elo）
賽前對球隊整體實力的估計，在第一腳球開球之前就定好。越高越強。
示例1932
已觀測場次
我們有數據的小組賽場次——3 場，整個小組賽。
示例3
“預期進球”（xG）是對射門質量的估計：它衡量一支球隊創造（或放給對手）的機會到底值多少個進球，而不只是數那些恰好打進的球。
從三場比賽到一支球隊的“畫像”
一支球隊只踢三場小組賽，所以任何單個數字都很“吵”——一場反常的比賽就能把一支球隊捧高或埋低。為了把它穩下來，我們先把三場取平均，再把每個數字輕輕拉向一個合理的先驗。統計學上把這叫貝葉斯收縮：它相信數據，但不盲信，這樣一場離譜的比賽就主導不了結果。
得到的就是球隊畫像——每支球隊那張穩定、去噪後的樣子，所有模型都從這裡讀起。從這一步往後，8 個模型用的都是同樣的兩張畫像。
8 個模型，8 種讀法
每個模型用不同的視角去看這兩張畫像，再把它變成一個勝/平/負。沒有哪一個是最終定論；它們之間的分歧，恰恰是重點。下面是每個模型靠什麼、又怎麼下判斷。
2xG 修正 Elo實力評級
一個單一的實力評級，整個小組賽三場裡隨球隊創造機會的質量——也就是預期進球——升降，而不只看最終比分。一支創造機會壓過對手卻輸球的隊，照樣會漲。兩隊評級之差，再加上一個平局項，就變成勝/平/負。它獎勵那些被結果“佔了便宜”或“坑了”的球隊。
3PRODEGY（攻防分離 Elo）實力評級
它不給每隊一個評級，而是分別保留一個進攻評級和一個防守評級，兩者都用小組賽的預期進球來更新。預測一場對陣時，它拿一方的進攻去對另一方的防守，反之亦然，從而得到每隊的進球預期。當一支球隊很“偏科”時它最出彩——比如進攻很強、防守很漏——這種情況單一評級會糊成一團。
4體能衰減 Elo實力評級
一個同時把體能負荷計入的實力評級。小組賽高強度跑動距離最多的球隊會被小幅扣分，邏輯是它們在賽事深處更可能累。它專門用來抓住純實力評級會漏掉的疲勞效應。
5戰術相剋 mElo實力評級
除了硬實力，它還比較兩隊實際怎麼踢——控球、逼搶、反擊、退守。風格上的相剋，可能讓評級更低的一方反而佔優，就像在實力之上再疊一層石頭剪刀布：一支出色的反擊球隊，能給一支評級更高的控球隊製造麻煩。
6機會質量機器學習（梯度提升樹）機器學習
一個梯度提升決策樹模型——這是一種機器學習方法，會搭出許多小的決策規則再層層疊加。它用小組賽訓練，喂進創造機會和打穿防線的數據（射門、過人線、向前推進），學出一套規律，把兩隊數字之間的差距映射成勝/平/負。
7傳球結構機器學習（隨機森林）機器學習
一個隨機森林——另一種機器學習方法，是許多獨立決策樹的平均——用傳球結構和打法風格的特徵訓練，比如控球和組織陣型。它是對同一個問題的另一種統計視角；它在哪裡和梯度提升模型唱反調，本身就是信息。
8堆疊集成融合模型
一個元模型，它根本不看場上。它唯一的工作，是從前面七個模型在小組賽裡的表現，學會該有多信任每一個——再把它們的看法加權、組合成一個判斷。它是一個“關於模型的模型”。
怎麼從 8 種讀法得出最後一個結論
8 種看法先被彙總成一個共識。然後一個在小組賽上學到的輕量偏差校正，在模型整體偏掉的地方做出微調。最後再上一道淘汰賽平局校準：淘汰賽 90 分鐘內打平的比例，遠高於小組賽——2022 卡塔爾世界盃約為 31%——所以對真正勢均力敵的對陣，我們把平局抬向這個歷史比例。實力懸殊的對陣幾乎不動，熱門一方也始終被保住。
得到的就是對外公佈的“多校準 8 合 1”勝/平/負。每場比賽都把全部九種看法——8 個模型加上融合——並排展示在它自己的頁面上，比賽打完後我們也公開為它們打分，任何人都能核對這份成績單。