DOI: https://doi.org/10.1515/jqas-2024-0174
تاريخ النشر: 2026-02-16
المؤلف: Prateek Sasan وآخرون
الموضوع الرئيسي: تحليلات الرياضة والأداء
نظرة عامة
تقيّم هذه الدراسة فعالية استراتيجية “اثنان مقابل واحد” في كرة السلة باستخدام إطار استدلال سببي مطبق على بيانات اللعب بالتفصيل من مواسم الدوري الأمريكي للمحترفين 2018-19 و2021-22. من خلال أخذ متغيرات مثل تشكيل اللاعبين، واحتمالات الرهان، وتقييمات اللاعبين في الاعتبار، تحسب التحليل تأثير العلاج المتوسط، مما يكشف أن استراتيجية الاثنان مقابل واحد تؤثر بشكل إيجابي على نتائج المباريات. وهذا يشير إلى أن الفرق يمكن أن تحقق ميزة تكتيكية عند تنفيذ هذه الاستراتيجية بشكل فعال.
تشير النتائج إلى أن الفرق التي تستخدم استراتيجية الاثنان مقابل واحد تحقق زيادة متوسطة في النقاط تزيد قليلاً عن نصف نقطة لكل محاولة مقارنة بتلك التي لا تستخدمها. علاوة على ذلك، فإن التحقيق في تباين فعالية الاستراتيجية، باستخدام إطار الغابة السببية، يظهر عدم وجود تباين كبير عبر سياقات مختلفة. بشكل عام، تدعم هذه الأبحاث بشكل تجريبي الإجماع بشأن الفوائد التكتيكية لاستراتيجية الاثنان مقابل واحد في كرة السلة المحترفة.
مقدمة
في السنوات الأخيرة، زادت دمج البيانات والأساليب الإحصائية في تحليلات الرياضة، لا سيما في الدوريات المحترفة مثل الدوري الأمريكي للمحترفين، حيث يسعى صناع القرار إلى تحسين أداء الفرق من خلال التحليل التجريبي. تركز هذه الدراسة على استراتيجية “اثنان مقابل واحد” – وهي نهج حيث تحاول الفرق تأمين حيازة إضافية من خلال توقيت تسديداتها قرب نهاية الفترة. على الرغم من شعبيتها، إلا أن هناك أدلة صارمة محدودة بشأن فعاليتها. لمعالجة هذه الفجوة، يستخدم المؤلفون طرق الاستدلال السببي لتقدير تأثير العلاج المتوسط (ATE) لاستراتيجية الاثنان مقابل واحد، والتي تقيس الفرق في النتائج، مثل هامش النقاط، بين الحالات التي يتم فيها استخدام الاستراتيجية وتلك التي لا يتم استخدامها.
تستخدم الدراسة وزن الاحتمالية المعكوسة المعززة لتخفيف التحيز الناتج عن المتغيرات المربكة، مما يسمح بتقدير أكثر موثوقية لتأثيرات العلاج. بالإضافة إلى ذلك، يطبق المؤلفون إطار الغابة السببية لاستكشاف تأثيرات العلاج غير المتجانسة (HTE)، معترفين بأن فعالية استراتيجية الاثنان مقابل واحد قد تختلف بناءً على سياق المباراة وتكوينات اللاعبين. من خلال تحديد مجموعات فرعية ذات تأثيرات علاجية مميزة، يوفر أسلوب الغابة السببية رؤى حول متى تكون استراتيجية الاثنان مقابل واحد أكثر فعالية. علاوة على ذلك، يتم تقديم مفهوم تأثير العلاج المتوسط المرتب (RATE) لترتيب الملاحظات بناءً على تأثيراتها العلاجية المتوقعة، مما يوفر رؤى قابلة للتنفيذ لتحسين القرارات أثناء المباراة. تم هيكلة الورقة لتقديم التعريفات والخلفية، والمنهجية، والنتائج من موسمين من بيانات الدوري الأمريكي للمحترفين، ومناقشات ختامية حول النتائج.
طرق
في هذا القسم، يوضح المؤلفون منهجيتهم لتقدير التأثيرات السببية لمحاولة فرصة اثنان مقابل واحد (TFO) في مباريات كرة السلة، مع التركيز بشكل خاص على نقاط الاختلاف (POD) كمتغير نتيجة. يعرفون متغير العلاج \( W_i \) للإشارة إلى ما إذا كانت محاولة TFO قد تمت، ويستخدمون إطار النتائج المحتملة للتفريق بين النتائج تحت العلاج \( Y_i(1) \) والرقابة \( Y_i(0) \). المتغير الأساسي الذي يهمهم هو تأثير العلاج المتوسط (ATE)، والذي يعرف بأنه \( \text{ATE} = E[Y_i(1) – Y_i(0)] \)، والذي يحدد الزيادة المتوقعة في POD إذا كانت الفرق تحاول TFO باستمرار.
لمعالجة تحديات الاستدلال السببي، وخاصة انتهاك فرضية التبادل بسبب المتغيرات المربكة مثل هامش النقاط والوقت المتبقي، يستخدم المؤلفون طرق درجة الميل. يقدرون درجة الميل \( e(X) = P(W = 1 | X) \) باستخدام الانحدار اللوجستي أو تقنيات التعلم الآلي. يتم استخدام طريقة وزن الاحتمالية المعكوسة (IPW) لإنشاء مجموعة سكانية زائفة حيث يتم توازن توزيعات المتغيرات، مما يسمح بتقدير تأثيرات العلاج. بالإضافة إلى ذلك، يقدمون مقدر وزن الاحتمالية المعكوسة المعزز (AIPW)، والذي يجمع بين نهج IPW مع نمذجة النتائج، مما يوفر تقديرًا قويًا مضاعفًا لـ ATE.
علاوة على ذلك، يستكشف المؤلفون تأثيرات العلاج غير المتجانسة (HTE) باستخدام الغابات السببية، معترفين بأن تأثير TFO قد يختلف عبر سياقات المباريات المختلفة وخصائص الفرق. من خلال تقدير تأثير العلاج المتوسط الشرطي (CATE)، المعرف بأنه \( \text{CATE} = E[Y_i(1) – Y_i(0) | X = x] \)، يهدفون إلى تحديد الظروف المحددة التي تكون فيها TFOs أكثر فائدة. يسمح هذا النهج بفهم دقيق لتأثيرات العلاج، مع الأخذ في الاعتبار تعقيدات ديناميات كرة السلة وتعزيز الإمكانية لاستراتيجيات مخصصة في اللعب.
نتائج
في هذا القسم، يقدم المؤلفون نتائج تحليلهم حول التأثير السببي لاستراتيجية TFO، المقدرة باستخدام طريقة وزن الاحتمالية المعكوسة المعززة (AIPW). تم إجراء التحليل باستخدام لغة البرمجة R، مع الاستفادة بشكل خاص من حزمة CausalGAM لمقدر AIPW. تم ضبط نموذج درجة الميل باستخدام نموذج جمعي عام (GAM) لنتيجة ثنائية، مع استخدام دالة ارتباط بروبيت، بينما تم ضبط نماذج النتائج باستخدام GAM لنتيجة غاوسية شرطية مع دالة ارتباط هوية.
لتقييم موثوقية نتائجهم، استكشف المؤلفون أيضًا التباين المحتمل في تأثيرات العلاج من خلال إطار الغابة السببية. من أجل الاستدلال، طبقوا مقدر ساندويتش تجريبي لتباين العينة كما اقترح من قبل لونسفورد وديفيديان (2004)، مما يضمن نهجًا إحصائيًا صارمًا لنتائجهم.
مناقشة
في هذا القسم، يقدم المؤلفون نظرة شاملة على استراتيجية الاثنان مقابل واحد (TFO) في الدوري الأمريكي للمحترفين، مؤكدين على أهميتها كتكتيك لإدارة الوقت يهدف إلى تعظيم فرص التسجيل. تتضمن استراتيجية TFO محاولة فريق لتأمين حيازتين هجوميتين في نهاية فترة معينة مع الحد من الخصم إلى واحدة، لا سيما في آخر 30-40 ثانية من المباراة. يعرف المؤلفون فرص TFO بناءً على قيود زمنية محددة، مصنفين السيناريوهات التي يحصل فيها الفريق على الحيازة مع بقاء 35 إلى 43 ثانية في الفترة. يصنفون هذه الفرص إلى محاولات (مجموعة العلاج) وغير المحاولات (مجموعة التحكم)، مع معايير واضحة لما يشكل محاولة TFO، بما في ذلك اتخاذ تسديدة أو التعرض للخطأ مع بقاء 28 ثانية على الأقل.
يعترف المؤلفون بالتحديات في تحديد محاولات TFO بدقة بسبب نقص التواصل الواضح من الفرق بشأن استراتيجياتها. يعتمدون على بيانات اللعب بالتفصيل من الدوري الأمريكي للمحترفين، مع التركيز على موسمين حديثين (2018-2019 و2021-2022) لتحليل فرص TFO. يستبعد التحليل الفترات الرابعة والإضافية لعزل تأثيرات العلاج بشكل أكثر فعالية. يناقش المؤلفون أيضًا قيود نهجهم، بما في ذلك الطبيعة التعسفية لحدود التوقيت وعدم القدرة على تحديد نوايا اللاعبين أو المدربين بشأن محاولات TFO. يقترحون متغير استجابة، وهو فرق الفرصة بعد (POD)، لقياس فعالية استراتيجية TFO، مع افتراض أن ارتفاع POD للفرق التي تحاول TFO سيشير إلى نجاحها.
DOI: https://doi.org/10.1515/jqas-2024-0174
Publication Date: 2026-02-16
Author(s): Prateek Sasan et al.
Primary Topic: Sports Analytics and Performance
Overview
This study assesses the effectiveness of the “two-for-one” strategy in basketball using a causal inference framework applied to play-by-play data from the 2018-19 and 2021-22 NBA regular seasons. By accounting for variables such as player lineup, betting odds, and player ratings, the analysis computes the average treatment effect, revealing that the two-for-one strategy positively influences game outcomes. This suggests that teams can gain a tactical advantage when implementing this strategy effectively.
The findings indicate that teams employing the two-for-one strategy achieve an average point gain of slightly more than half a point per attempt compared to those that do not. Furthermore, the investigation into the heterogeneity of the strategy’s effectiveness, utilizing the causal forest framework, shows no significant variation across different contexts. Overall, this research empirically supports the consensus regarding the tactical benefits of the two-for-one strategy in professional basketball.
Introduction
In recent years, the integration of data and statistical methods in sports analytics has surged, particularly in professional leagues like the NBA, where decision-makers aim to enhance team performance through empirical analysis. This study focuses on the “two-for-one” strategy—an approach where teams attempt to secure an extra possession by timing their shots near the end of a period. Despite its popularity, there is limited rigorous evidence regarding its effectiveness. To address this gap, the authors employ causal inference methods to estimate the average treatment effect (ATE) of the two-for-one strategy, which measures the difference in outcomes, such as score margin, between instances where the strategy is utilized and where it is not.
The study utilizes augmented inverse probability weighting to mitigate bias from confounding variables, allowing for a more reliable estimation of treatment effects. Additionally, the authors apply the causal forest framework to explore heterogeneous treatment effects (HTE), recognizing that the effectiveness of the two-for-one strategy may vary based on game context and player configurations. By identifying subgroups with distinct treatment effects, the causal forest method provides insights into when the two-for-one strategy is most effective. Furthermore, the concept of rank average treatment effect (RATE) is introduced to rank observations based on their predicted treatment effects, offering actionable insights for optimizing in-game decisions. The paper is structured to present definitions and background, methodology, results from two seasons of NBA data, and concluding discussions on the findings.
Methods
In this section, the authors outline their methodology for estimating the causal effects of attempting a Two-for-One (TFO) opportunity in basketball games, specifically focusing on the Points of Difference (POD) as the outcome variable. They define the treatment variable \( W_i \) to indicate whether a TFO is attempted, and employ the potential outcomes framework to differentiate between the outcomes under treatment \( Y_i(1) \) and control \( Y_i(0) \). The primary estimand of interest is the Average Treatment Effect (ATE), defined as \( \text{ATE} = E[Y_i(1) – Y_i(0)] \), which quantifies the expected increase in POD if teams consistently attempted TFOs.
To address the challenges of causal inference, particularly the violation of the exchangeability assumption due to confounding variables like score margin and time remaining, the authors utilize propensity score methods. They estimate the propensity score \( e(X) = P(W = 1 | X) \) using logistic regression or machine learning techniques. The Inverse Probability Weighting (IPW) method is employed to create a pseudo-population where covariate distributions are balanced, allowing for the estimation of treatment effects. Additionally, they introduce the Augmented Inverse Probability Weighting (AIPW) estimator, which combines the IPW approach with outcome modeling, providing a doubly-robust estimate of the ATE.
Furthermore, the authors explore heterogeneous treatment effects (HTE) using causal forests, acknowledging that the impact of TFOs may vary across different game contexts and team characteristics. By estimating the Conditional Average Treatment Effect (CATE), defined as \( \text{CATE} = E[Y_i(1) – Y_i(0) | X = x] \), they aim to identify specific conditions under which TFOs are most beneficial. This approach allows for a nuanced understanding of treatment effects, accommodating the complexities of basketball dynamics and enhancing the potential for personalized strategies in gameplay.
Results
In this section, the authors present the results of their analysis on the causal effect of the TFO strategy, estimated using the Augmented Inverse Probability Weighting (AIPW) method. The analysis was conducted using the R programming language, specifically utilizing the CausalGAM package for the AIPW estimator. The propensity score model was fitted with a generalized additive model (GAM) for a binomial outcome, employing a probit link function, while the outcome models were fitted using a GAM for a conditionally Gaussian outcome with an identity link function.
To assess the robustness of their findings, the authors also explored potential heterogeneity in treatment effects through the causal forest framework. For inference, they applied an empirical sandwich estimator of the sampling variance as proposed by Lunceford and Davidian (2004), ensuring a rigorous statistical approach to their results.
Discussion
In this section, the authors provide a comprehensive overview of the two-for-one (TFO) strategy in the NBA, emphasizing its significance as a time-management tactic aimed at maximizing scoring opportunities. The TFO strategy involves a team attempting to secure two offensive possessions at the end of a period while limiting the opponent to one, particularly in the last 30-40 seconds of a game. The authors define TFO opportunities based on specific time constraints, categorizing scenarios where a team gains possession with 35 to 43 seconds left in the period. They classify these opportunities into attempts (treatment group) and non-attempts (control group), with clear criteria for what constitutes a TFO attempt, including taking a shot or being fouled with at least 28 seconds remaining.
The authors acknowledge the challenges in accurately identifying TFO attempts due to the lack of explicit communication from teams regarding their strategies. They rely on play-by-play data from the NBA, focusing on two recent seasons (2018-2019 and 2021-2022) to analyze TFO opportunities. The analysis excludes the fourth periods and overtime to isolate the treatment effects more effectively. The authors also discuss the limitations of their approach, including the arbitrary nature of timing cutoffs and the inability to ascertain players’ or coaches’ intentions regarding TFO attempts. They propose a response variable, the Post Opportunity Difference (POD), to measure the effectiveness of the TFO strategy, positing that a higher POD for teams attempting TFOs would indicate its success.