실시간 승률과 잠재 선수 능력 평가를 위한 STATS X 프레임워크

이 논문은 점수 기반 팀 스포츠에서 제한된 박스스코어만을 활용해 실시간 승률과 선수별 잠재 능력을 정량화하는 새로운 통계 프레임워크를 제시한다. 먼저 경기 결과를 연속적인 우위 지표인 T‑score로 변환한다. T‑score는 두 팀의 점수 (a, b) 에 대해 함수 T(a,b) 를 정의하고, 승·패 구분을 기준값 c 와 단조성 조건으로 보장한다. 논문은 점수 차, 비율, 로그‑비율, 정규화 비율 등 다섯 가지 구체적 형태를 제시하고, 특히 고득점 스포츠에 적합한 비대칭 보정식(2.1)을 통해 승·패 간 거리의 대칭성을 확보한다. 이후 T‑score를 시간에 따라 변하는 확률 과정(T‑process)으로 모델링한다. 팀 수준에서는 경기 종료 시점의 T‑score Tₖ를 d 차원의 표준화된 누적 통계량 Sₖ와 비선형 함수 Fα를 연결한 회귀식 Tₖ = α₀ + Fα(Sₖ)+εₖ 으로 표현한다. 여기서 α₀는 경기 시작 전 팀이 보유한 평균 우위, 즉 팀 기본 점수(TFS)이며, Fα(Sₖ)는 누적 통계가 T‑score에 미치는 추가 효과를 의미한다. εₖ는 평균 0, 분산 σ²인 독립 잡음이다. 표준화는 ‘확산 표준화’라 명명했으며, 실제 구현에서는 각 통계량을 평균 0·분산 1로 정규화한다. 선수 수준 모델은 팀 T‑score가 개별 선수들의 기여 점수(PSS) 합으로 구성된다고 가정한다. 모든 선수에게 동일한 비선형 함수 fα를 적용해 PSSₖ,j = fα(Sₖ,j) 로 정의하고, 팀 통계 점수(TSS)와의 관계 TSSₖ = ∑₍j₎ PSSₖ,j 을 유지한다. 이후 PCS(선수 기여 점수)를 도입해 α₀를 J명 선수에게 균등 배분한 기본값 α₀/J 에, 각 선수의 PSS가 팀 평균과 얼마나 차이 나는지를 가중치 Dₖ = ∑|PSSₖ,j − TSSₖ/J| 로 정규화한 비율을 곱한다. 즉, PCSₖ,j = α₀/J + α₀·(PSSₖ,j − TSSₖ/J)/Dₖ·𝟙{Dₖ>0} 이다. 이 설계는 경기 내에서의 상대적 기여를 강조하며, 장기적인 능력 추정이라기보다 특정 경기 상황에서의 영향력을 측정한다. STATS X는 PCS가 양(우위)인 구간을 누적해 선수별 잠재 기여를 정량화한다. T‑process가 양의 구간에 있을 때 해당 구간에 참여한 모든 선수의 PCS를 합산해 STATS X를 산출한다. 이를 통해 기존 득점·리바운드 중심 지표가 포착하지 못하는 ‘플로우’와 상황 의존적 기여를 드러낼 수 있다. 실증 분석에서는 일본 스포츠통계학회가 제공한 고품질 경기 데이터(제한된 공개 범위)를 사용한다. 데이터는 각 경기의 분 단위 누적 박스스코어를 포함하며, 이를 기반으로 T‑score와 PCS, STATS X를 계산한다. 결과는 기존 PER·EFF 등 전통 지표가 낮게 평가한 선수들을 STATS X가 높은 기여자로 재평가하는 사례를 제시한다. 그러나 논문은 AUC, Brier score 등 정량적 예측 성능 지표를 제공하지 않아 모델의 절대적 우수성을 판단하기는 어렵다. 통계적 가정 측면에서 εₖ를 i.i.d. 정규 잡음으로 두고, Sₖ의 표준화를 통해 독립성을 확보하려 한다. 실제 박스스코어는 시간 의존성, 경기 전술 변화, 선수 교체 등으로 자기상관을 가질 가능성이 크며, 이러한 요인을 모델에 명시적으로 포함하지 않은 점은 한계로 지적된다. 또한 비선형 함수 Fα와 fα의 구체적 형태가 논문에 제시되지 않아 재현 가능성이 떨어진다. 모델 추정 시 과적합 방지를 위한 정규화·교차검증 절차가 부재한 점도 비판받을 수 있다. 마지막으로 저자는 현재는 순수 통계 모델에 머물지만, 비선형 함수에 딥러닝을 도입하거나, 강화학습 기반 전략 최적화, 인과 추론 결합 등 AI와의 하이브리드 확장을 제안한다. 이러한 확장은 모델의 해석성을 유지하면서도 복잡한 비선형 상호작용을 포착하고, 실시간 의사결정 지원 시스템으로의 전환을 가능하게 할 것으로 기대된다.