xT 模型網格點幾細先夠？彈性與準確度的取捨

5月5日
讀畢需時 5 分鐘

已更新：5月6日

Expected Threat（xT）是足球數據分析中很受歡迎的解釋型模型：它把球場切成網格，估計每個位置在當前 possession 內最終入球的機率，再用動作前後的 xT 差值衡量傳球、盤帶等 on-ball actions 的價值。它比很多黑箱模型容易同教練、球探、分析師溝通，但有一個實務難題：球場網格應該切得幾細？

van Arem、Söhl、Bruinsma 與 Jongbloed 喺 arXiv:2511.09457v1 研究 xT 模型的 flexibility-accuracy trade-off。網格越細，模型越能分辨不同位置與情境；但同一批資料要估計更多 transition probabilities，估計誤差亦會上升。這篇 paper 的目標是把這個取捨量化，並給 practitioner 一條可操作的 rule of thumb。

本文重點

作者從 xT 的 Markov chain 公式出發，推導估計誤差上界，再用 StatsBomb open data 建立大規模 simulation，估計不同 grid size 與 training sample size 下的最大 xT 誤差分佈。

結論可以簡化成一句：不要盲目把網格切得越細越好；應選擇「在可接受誤差下最靈活」的模型。以 scouting 為例，若 maximal model error 要在 90% 機率下低於 0.03，而你有約 2,480,000 個 training data points（約 4 個聯賽賽季），paper 的 rule of thumb 會建議最高用 M = 130，即約 13 × 10 的 grid。

一、xT 的基本想法

xT 把足球控球鏈視為 Markov chain。球場被分成 M 個 states，每個 state 對應持球者所在格子。對某一格 s，xT(s) 表示從這個位置開始，當前 possession 最終入球的機率。

在每個 state，球隊可以直接射門，也可以傳球或盤帶到另一個 state。公式可寫成：

xT(s) = P(shot | s) · xG(s) + Σ T(s→s') · xT(s')

其中 T(s→s') 是由 state s 移動到 state s' 的 transition probability。實務上，P(shot | s)、xG(s)、T(s→s') 都由事件資料 counting 得到，然後解一組線性／迭代方程估計 xT。

二、為何 grid size 是關鍵設計選擇

如果 grid 很粗，例如 16 × 12，模型容易解釋，而且每格都有較多樣本，估計比較穩。但它會把很多不同情境混在一起：禁區邊緣同肋部傳球、不同角度的推進、不同風險區域，可能被迫共用類似狀態。

如果 grid 很細，模型能分辨更細緻的位置差異，理論上更有表達力。但每格樣本變少，transition matrix 變大，需要估計的機率更多，誤差自然上升。對球會而言，增加資料量往往不是免費的：不同 provider、不同 league、不同 season 也會引入 domain shift。

所以問題不是「grid 越細越好」，而是「在你手上資料量下，最細可以切到甚麼程度而仍然可靠」。

三、理論結果：誤差如何隨 M 和 N 變化

作者定義 model error 為真實 xT 與估計 xT 之間的最大差距：

||xT - xT_hat||∞

在若干假設下，論文推導出 probabilistic upper bound。直覺上，誤差會隨 game states 數量 M 增加而上升，並隨 training points 數量 N 增加而下降。理論階數大致為：

O(M · sqrt(log M) / sqrt(N))

這個上界有助理解方向，但作者也指出，在實務 finite sample regime 下，實際誤差可能比上界更低，且衰減形式需要透過 simulation 更精準估計。

四、Simulation 設計

作者使用 StatsBomb open data，涵蓋 Premier League、Ligue 1、Serie A、La Liga、Bundesliga 的所有可用比賽，過濾出 passes、dribbles、errors、clearances、shots 等事件，得到約 4,000,000 events，約等於一個聯賽 6.5 個完整賽季。

研究測試多種 grid size，包括：

16 × 12，即 M = 192
32 × 24，即 M = 768
40 × 30，即 M = 1200
48 × 36，即 M = 1728
56 × 42，即 M = 2352
64 × 48，即 M = 3072

對每個 grid size，作者先用完整 StatsBomb data 建立一個 ground-truth xT model，再從其 Markov chain 重新抽樣不同大小的 training datasets，重新訓練 xT，計算與 ground truth 的最大誤差。每組 M 和 N 重複 1,000 次，總共得到 48,000 個 simulation datapoints。

五、實務誤差模型

作者用 lognormal model 擬合最大誤差分佈：

||xT_hat - xT||∞ = C · M^α / (sqrt(N))^β · exp(ε)

OLS 結果顯示 adjusted R² = 0.835，表示 M 與 N 已能解釋大部分誤差變異。估計出的參數約為 α = 0.9898、β = 1.0416，即實務上誤差大致接近：

O(M^0.9898 / (sqrt(N))^1.0416)

這比理論上界少了 sqrt(log M) 的懲罰，說明理論 bound 保守，而 simulation 可以提供更貼近實務的估計。

六、Rule of Thumb：在可接受誤差下取最高 M

論文將上述誤差分佈轉化成一條給 practitioner 的規則：

選擇最高的 M，使 maximal model error 有 90% 機率低於 0.03。

這裡的 0.03 來自作者與專家討論後，認為對 scouting 用途而言，小於 0.03 的最大 xT 誤差可接受。當然，若用途是 broadcast explanation、academy scouting、或高價轉會決策，容忍度可以不同；但框架本身可替換 threshold。

文章舉例：如果使用 N = 2,480,000 個 training data points，大約等於 4 個聯賽賽季，符合 90% quantile < 0.03 的最高 M 是 130，約等於 13 × 10 grid。這比很多人直覺上想用的高解析網格保守得多，但更符合估計穩定性。

七、對足球分析實務的含意

第一，xT 的可解釋性不是免費的。它容易講、容易可視化，但網格設定仍是統計選擇，不應只靠習慣或美觀決定。

第二，資料量與模型解析度要匹配。若只用一季資料，切得太細可能令某些格子的 transition probability 極不穩定，最後球員評分看似精細，其實只是 sample noise。

第三，這種誤差框架可以幫助球隊把模型設計變成可討論的風險決策：我們想要更細的位置辨識，願意承受幾多 xT 誤差？我們是否有足夠跨賽季、跨聯賽資料支撐更高 M？

八、限制與延伸

這篇 paper 聚焦經典 grid-based xT。若使用 context-aware xT、continuous pitch model、tracking features、game state features，誤差結構可能不同。不過核心問題仍然存在：模型越靈活，估計越不穩。

另外，simulation 把完整 StatsBomb data 建出的 xT 視為 ground truth，這是合理近似，但仍受資料來源、聯賽風格、事件定義與 shot / move filtering 影響。若球會使用自家 provider 或特定聯賽資料，最好重新校準誤差分佈。

九、小結

arXiv:2511.09457v1 的貢獻不在於提出新 xT 公式，而是把一個常被忽略的工程選擇變成統計問題：grid size 越大，模型越靈活，但估計誤差也越高。

對使用 xT 做 scouting、opponent analysis、球員估值的人來講，這篇 paper 提供了一個實用提醒：先估算資料量能支撐多細的網格，再談模型解釋與可視化。否則，所謂更精細的 xT map，可能只是更精細的噪聲。

Reference

K. W. van Arem, J. Sohl, M. Bruinsma, G. Jongbloed. The trade-off between model flexibility and accuracy of the Expected Threat model in football. arXiv:2511.09457v1 [stat.AP], 2025. https://arxiv.org/abs/2511.09457
K. Singh. Introducing Expected Threat (xT). 2018. https://karun.in/blog/expected-threat.html
M. Van Roy, P. Robberechts, T. Decroos, J. Davis. Valuing On-the-Ball Actions in Soccer: A Critical Comparison of xT and VAEP. AAAI Workshop on Artificial Intelligence in Team Sports, 2020.