统计学论文关于英超球队的分析Word下载.docx

1、12594604.89436440659.465通过上述聚类过程，得出了下面的分类的树状图。从树状图中我们可以看出分成五类比较好。群集成员案例5 群集1:曼城 2:曼联 3:阿森纳 4:托特纳姆 5:切尔西 6:纽卡斯尔 7:诺维奇 8:埃弗顿 9:布莱克本 10:富勒姆 11:利物浦 12:博尔顿 13:桑德兰 14:西布朗 15:斯旺西 16:女王公园巡游者17:维甘 18:狼队 19:阿斯顿维拉 20:斯托克城 从图片中看出类别球队球队数量第一类曼城，曼联，阿森纳，托特纳姆，切尔西，利物浦，斯旺西第二类纽卡斯尔，诺维奇，埃佛顿，西布朗，维甘，狼队第三类布莱克本，博尔顿，桑德兰，女王公园巡

2、游者，阿斯顿维拉第四类富勒姆第五类斯托克城从分类结果显示出强队中除了曼联，利物浦和阿森纳。也有了曼城，托特纳姆热刺，斯旺西以及切尔西的的加入，使得英超比西甲多了观赏性。西甲的防守过于孱弱，不堪一击，两大豪门皇家马德里和巴塞罗那过于强大，联赛缺乏竞争力。也许这正是近些年英超球迷越来越多的原因吧。ANOVA平方和df均方F显著性进球组间3209.978802.4946.933.002组内1736.222115.748总数4946.200半场541.700135.4257.373275.50018.367817.200失球2355.978588.9945.233.0081688.222112.548

3、4044.200射门169061.39442265.34938.536.00016451.5561096.770185512.950射正31622.1617905.54047.0872518.389167.89334140.550角球31207.3007801.82519.8845885.500392.36737092.800犯规12631.4943157.8742.673.07317721.0561181.40430352.550传球1.734E84.335E735.8121.816E71210564.4701.916E8传球成功率458.943114.73617.78996.7496.45

4、0555.692抢断17366.3334341.5831.746.19237306.6672487.11154673.000抢断成功率45.43711.3595.17432.9292.19578.366越位3717.450929.3623.316.0394203.500280.2337920.950黄牌511.533127.8831.798.1821066.66771.1111578.200红牌25.9786.4941.940.15650.2223.34876.200控球率639.136159.78433.36171.8424.789710.978通过上面这个分析表可以看出分组情况非常好，至于

5、抢断，黄红牌的P值比较大的原因恐怕是因为足球是一个团体项目，再强亦或者再弱的球队抢断这一项的数据都不会差很多。而红黄牌随着比赛向技术流发展，大动作的犯规或者恶意犯规已经减少，各队差异不太大。通过上述报告，从这十项技术统计中可以看出，处在第一梯队的六支球队的进球率明显高于其他球队，从这方面体现出了强队应有的成绩。与此同时在防守方面失球率也是明显低于其他球队，最少的也有八个球。射门次数，射正次数也更是多余其他队伍大约100次之多，强队不是吹出来的，靠技术说话，让人不得不服。而传球和传球成功率这两项数据也是更好地说明了球星的作用，好的中场球星能够起到穿针引线的作用，使整支球队进攻更流畅，也更富想象力

6、。强队是技术流，是球星的作用，更是想象力的天堂。而足球比赛充满偶然性，充满机遇，只有丰富的想象力才能获得精彩的结果。通过判别分析来验证一下分组是否合理：按照案例顺序的统计量案例数目实际组最高组第二最高组判别式得分预测组P（Dd | G=g）P（G=g | D=d）到质心的平方 Mahalanobis 距离组函数 1函数 2函数 3函数 4p初始.9041.0001.0412712.77947.0081.573.172-.834.3264.6443007.25649.6972.023.945-.758.2065.9112694.96347.281-.793.712.796.5173.249274

7、7.20947.668.561-.870-1.635.982.4062778.79147.6781.354.799-.726.1357.026265.338-12.334.642-1.3892.765.5463.068151.489-10.198-2.132-1.346.605.4793.494171.893-9.446-1.355-1.9312.444.4333.809191.789-43.337.6201.9161.027189.475-3.262-11.690-2.322-2.721.7162.1062833.22547.9022.352.609.3842.979173.008-44.1

8、002.1652.639-1.542.2055.920241.277-43.585.5734.636-1.930.3404.525191.077-12.104-2.663-.0182.387.978.4552776.91547.7171.255-.320-.180.3544.402240.429-41.482.9103.020.424.976.472186.570-10.445-1.090-.3231.592.8261.506190.575-10.373-.913.2101.456.2884.989164.531-43.243.481.668-1.829197.787-51.0446.128-

9、7.804-1.724交叉验证a48775.730155009.536713.07948442.4602778.30812739.13350.5482624.59880.6382612.4453294.40120459.2644*772.6102104.281185.5821175.802128.801206.1462*1778.567582.7194003.6505*178.452304.267100.895672.09675.527215.178642.9092692.694276.6611439.531730.8481072.084397.228443.426234.942255.471

10、3*1734.696由上表，我们可以看出分组无误。分类结果b,cAverage Linkage （Between Groups） 预测组成员合计计数%100.0.050.060.040.0a. 仅对分析中的案例进行交叉验证。 在交叉验证中，每个案例都是按照从该案例以外的所有其他案例派生的函数来分类的。b. 已对初始分组案例中的 100.0% 个进行了正确分类。c. 已对交叉验证分组案例中的 65.0% 个进行了正确分类。由上表说明，100%的判别率证明上述得出的聚类的结果分类成功。下面通过主成分分析欲找出其主要作用的几个成分。KMO 和 Bartlett 的检验取样足够度的 Kaiser-Me

11、yer-Olkin 度量。.490Bartlett 的球形度检验近似卡方250.70991Sig.取样足够度的 Kaiser-Meyer-Olkin 度量才达到了0.49说明不太适合做主成分分析，但是sig值小于0.000说明可以做主成分分析。解释的总方差成份初始特征值提取平方和载入旋转平方和载入方差的 %累积 %6.60647.1875.89942.1371.76112.58259.7691.83113.07955.2161.60311.44971.2181.66011.85667.0721.0527.51278.7301.41110.07877.150.9746.95685.6861.19

12、58.536.7015.00490.690.3952.82193.511.3432.45195.962.2912.07698.038.1631.16599.203.060.43299.635.031.22199.855.017.12299.978.003.022100.000提取方法：主成份分析。通过解释的总方差可以看出第1,2,3,4,5成分对结果影响很大。其中第一个主成分的特征根为6.606，占总特征根的的比例（方差贡献率）为47.187%，而前五个主成分方差贡献率的和为85.686%。这表示第一个主成分解释了原始15个变量85.686%的信息，可见第一个主成分对原来的15个变量解释的已经

13、很充分了。而下面这张碎石图也很好地证明了这一观点。成份矩阵a.948.038.041-.141.928-.079-.178-.051-.188.922-.004.262-.112.895.004-.166-.136-.241.855-.076.273-.193-.100.847-.153.229-.317.033.840-.078.101.078-.730-.277.115.043-.352.230.781.178-.086.034.374.560-.220.513.352-.555.518.538-.048-.359.305.691.148-.011-.335.660-.305.260-.4

14、38.219-.247.760提取方法 :主成份。a. 已提取了 5 个成份。通过上面的成分矩阵可以列出：Y1=0.948X1+0.928X2+0.922X3+0.895X4+0.855X5+0.847X6+0.840X7-0.730X8+0.230X9+0.374X10-0.086X11-0.359X12-0.355X13+0.260X14Y2=0.038X1-0.079X2-0.004X3-0.004X4+0.943X5+0.842X6-0.375X7+0.946X8+0.910X9+0.248X10+0.209X11+0.353X12-0.339X13-0.080X14Y5=0.948X1+0.842X2-0.741X3+0.916X4+0.943X5+0.842X6-0.375X7+0.946X8+0.910X9+0.248X10+0.209X11+0.353X12-0.339X13-0.080X14运用MANOVA分析：多变量检验b效应值假设 df误差 df截距Pillai 的跟踪3044.123a15.0005.000Wilks 的 Lambda