In dieser Woche werden anhand von NBA-Daten grundlegende und wichtige Python-Codes zur Datenbereinigung und Datenaufbereitung vorgestellt. In dieser Woche werden auch zusammenfassende und deskriptive Analysen mit Statistiken und Diagrammen besprochen, um die Verteilung der Daten, die Merkmale und Muster der Variablen sowie die Beziehung zwischen zwei Variablen zu verstehen. Am Ende dieser Woche werden wir Korrelationskoeffizienten einführen, um die lineare Beziehung zwischen zwei Variablen zusammenzufassen.

In diesem Modul werden einige Möglichkeiten der Datendarstellung anhand von Beispielen aus der MLB, der NBA und der Indian Premier League vorgestellt. Die MLB-Daten werden verwendet, um die räumliche Verteilung der verschiedenen Treffer zu analysieren. NBA-Daten werden verwendet, um Heatmaps zu erstellen, die die verschiedenen Beiträge der Spieler veranschaulichen. IPL-Daten werden verwendet, um zu zeigen, wie Teamleistungen grafisch verglichen werden können.

In dieser Woche lernen Sie die Grundlagen der Regressionsanalyse kennen. Wir werden besprechen, wie man mit Python eine Regressionsanalyse durchführt und wie man die Regressionsergebnisse interpretiert. Anhand von NHL-Daten werden wir multiple Regressionsmodelle schätzen, um die Leistungsfaktoren auf Teamebene zu ermitteln, die sich auf die Gewinnquote des Teams auswirken. Außerdem werden wir anhand von Cricket-Daten aus der Indian Premier League Regressionsanalysen durchführen, um zu untersuchen, ob sich die Leistung der Spieler auf das Gehalt der Spieler auswirkt.

In diesem Modul wird die Regressionsanalyse verwendet, um die Beziehung zwischen den Gehaltsausgaben der Teams und der Teamleistung in der NBA, NHL, EPL und IPL zu untersuchen. Das Modul untersucht verschiedene Möglichkeiten, das Regressionsmodell zu definieren, und wie man die Ergebnisse konkurrierender Regressionsmodelle interpretiert.

Diese Woche beschäftigen wir uns mit einem interessanten Thema im Sport, der heißen Hand. Wir werden das Konzept der heißen Hand vorstellen und die akademische Forschung diskutieren, die untersucht, ob die heiße Hand ein Phänomen oder ein Trugschluss ist. Wir werden demonstrieren, wie man die Hot Hand analytisch testen kann, indem wir die NBA Shot Log-Daten verwenden. Wir werden testen, ob NBA-Spieler eine "Hot Hand" haben, indem wir bedingte Wahrscheinlichkeiten und Autokorrelationskoeffizienten berechnen und Regressionsanalysen durchführen.