BVB - Statistiken
07.08.2011 - 21:35 Uhr
23.02.2026 - 17:14 Uhr
Zitat von BVBBC
In den letzten Tagen habe ich mich mal etwas näher mit der Berechnung der xPTS beschäftigt. An sich ist das ein recht simples Thema, indem schlicht anhand des xG und xGA für jedes Spiel die Wahrscheinlichkeiten für Sieg, Unentschieden und Niederlage berechnet werden, um dann daraus den Erwartungswert für die Punkte zu berechnen. Die Wahrscheinlichkeiten werden dabei zunächst für alle potenziell mögliche Ergebnisse berechnet, wobei dann alle Ergebnisse für einen Sieg, ein Unentschieden oder eine Niederlage jeweils akkumuliert werden.
Mein Problem daran ist, dass die Diskrepanz von realer Punktausbeute und xPTS in meinen Augen zwangsläufig zu groß wird. Nimmt man bspw. mal ein Ergebnis mit einem xG von 1,00:1,00, sollte eigentlich anzunehmen sein, dass das wahrscheinlichste Ergebnis ein 1:1 ist. Dem ist auch so, aber ein 0:0, 1:0 und 0:1 sind genauso wahrscheinlich. Jedes dieser Einzelergebnisse hat eine Wahrscheinlichkeit von 13,53%, wobei die Wahrscheinlichkeit für ein Unentschieden mit diesen Ergebnissen konsequenterweise 27,07% beträgt, wie auch die Wahrscheinlichkeit, dass irgendeine Mannschaft mit nur einem Tor gewinnt.
Nimmt man die Option hinzu, dass das Spiel auch jedes Ergebnis mit 2 Toren einer Mannschaft annehmen könnte, dann steigt die Wahrscheinlichkeit für ein Unentschieden nur auf 30,45%, während die Wahrscheinlichkeit, dass ein Team gewinnt, bereits 54,13% beträgt. Das geht dann auch immer so weiter, bis ein Ergebnis mit dem xG praktisch nicht mehr möglich ist. Es ist daher auch nicht möglich, dass die Wahrscheinlichkeit für ein Unentschieden ab einem xG-Verhältnis von 0,44:0,44 über 50% liegt. Bei einem xG-Verhältnis von ca. 0,88:0,88 sind alle potenziellen Spielausgänge gleich wahrscheinlich. Die Wahrscheinlichkeit für ein Unentschieden sinkt somit mit dem xG. Die Wahrscheinlichkeit, dass zumindest ein Team den xG übertrifft, ist schließlich logischerweise höher, als dass beide Teams den xG übertreffen, was wiederum umso wahrscheinlicher wird, je höher der xG, weil es konsequenterwiese mehr und bessere Chancen dafür geben muss.
Somit ist auch logisch, dass der Erwartungswert größer 1,00 xPTS sein muss, obwohl das wahrscheinlichste Ergebnis nur einen Punkt liefern sollte und die Wahrscheinlichkeit, dass es keinen oder maximal einen Punkt gibt bei 65,43% liegt, also viel höher ist als die Wahrscheinlichkeit auf den Sieg. Die xPTS steigen somit also auch mit dem xG, wobei die Fälle, in denen es dann Unentschieden ausgeht, relativ zu allen anderen Fällen immer stärker abnehmen. Oder anders: Unentschieden sind nur bei chancenarmen Spielen wahrscheinlich. Dabei wird eigentlich bei ausgeglichenen, aber höherem xG kein Team der wahrscheinlichere Sieger als der andere, sondern es wird nur wahrscheinlicher, dass es einen Sieger gibt. Das ist alles logisch soweit.
Das Problem ist nur, dass bei den xPTS eine enorme Diskrepanz zu den tatsächlich erzielten Punkten zwangsläufig ist. Zumal ja auch gilt, dass es selbst bei deutlichen xG-Verhältnissen nur eine Annäherung an die 3 Punkte gibt, aber effektiv nie volle 3 Punkte. Nimmt man wieder das xG-Verhältnis von 1,00:1,00, dann ist es zu 69,15% wahrscheinlich, dass es einen Sieger gibt und gleichzeitig zu 65,43% wahrscheinlich, dass mindestens ein Team Punkte verliert. Es gibt also hohe Wahrscheinlichkeiten dafür, dass ein Team 1,65 Punkte mehr einsammelt als zu erwarten ist und ein Team 1,35 Punkte weniger als zu erwarten.
Deswegen müsste es in meinen Augen einen anderen Ansatz für die Berechnung der xPTS geben, indem man hier nicht den Erwartungswert für alle Spielausgänge heranzieht, sondern nur die Wahrscheinlichkeiten für Sieg und Niederlage und dabei für einen Sieg voraussetzt, dass die Wahrscheinlichkeit >50% sein muss, um höher zu sein als die Wahrscheinlichkeit für einen Punktverlust. Am Ende verhalten sich die realen Punkte schließlich so, dass der Sieger alles mitnimmt und der Verlierer nichts. Berücksichtigt man das stärker, gäbe es bei einem ausgeglichenen xG-Verhältnis kein Team, das die Voraussetzung für einen Sieg oder eine Niederlage erfüllt. Beide Wahrscheinlichkeiten sind für beide Teams schließlich <50%. Wenn kein Team die Voraussetzungen für einen Sieg erfüllt, bleibt in der Folge nur, dass man beiden Teams exakt einen Punkt zuspricht, weil keinem Team 3 Punkte zugesprochen werden können. Das sollte aber der Erwartungswert sein, wenn alle anderen Ergebnisse unwahrscheinlicher als der Sieg sind und sollte das Winner-takes-it-all-Prinzip der Dreipunkteregel besser abbilden.
Ich hab es nach dieser Überlegung daher mal für die ersten 8 Teams der Liga (für mehr hatte ich bislang keine Zeit, da die Daten ohne fbref leider manuell abgeglichen werden müssen) berechnet:
Verein | aktuelle Punktausbeute | xPTS | xPTS II | Abweichung xPTS | Abweichung xPTS II
Bayern | 51 | 50,3 | 56 | 0,70 | -5
BVB | 45 | 38,18 | 45 | 6,82 | 0
Hoffenheim | 42 | 31,16 | 31 | 10,84 | 11
VfB | 39 | 35,42 | 39 | 3,58 | 0
RBL | 36 | 35,04 | 38 | 0,96 | -2
Leverkusen* | 35 | 34,03 | 33 | 0,97 | 2
Freiburg | 27 | 28,54 | 31 | -1,54 | -4
Frankfurt | 27 | 27,53 | 27 | -0,53 | 0
*ein Spiel weniger
Das Modell ist natürlich immer noch nicht vor Abweichungen von der Realität gefeit, allerdings glaube ich schon, dass es insgesamt die zu erwartenden Punkte besser abbildet als der Erwartungswert, da die Abweichung von der Realität weniger extrem sind.
In Bezug auf den BVB ist das dann auch durchaus interessant, weil Kovac umso mehr bestätigt wird. Schließlich gab es 13 Spiele, in denen wir eine Siegwahrscheinlichkeit >50% hatten, aber eben auch nur ein einziges Spiel, in dem die Wahrscheinlichkeit für eine Niederlage >50% lag. Die Punkte werden daher über die Vermeidung der Niederlage generiert. Gerade dahingehend weichen die Verfolger des BVB stark ab, indem Stuttgart, Leipzig, Leverkusen und Hoffenheim 4-5 Spiele hatten, in denen eine Niederlage wahrscheinlicher als ein Punktgewinn war, während es bei Frankfurt und Freiburg sogar jeweils 7 Spiele waren. Umgekehrt haben die Bayern halt in 18 Spielen so dominiert, dass die Siegwahrscheinlichkeit sogar nicht nur bei >50% lag, sondern sogar bei >60% (übrigens auch bei ihrer einzigen Niederlage), während sie selbst in den verbliebenen 2 Spielen eine Wahrscheinlichkeit für eine Niederlage von <50% hatten.
Trotzdem die Ergebniswahrscheinlichkeit daher die Punktausbeute des BVB bestätigt, spielt man eigentlich in einer anderen Liga als die Bayern und ist weit weg von ihnen, da sie effektiv mehr Punkte hätten holen müssen. Umgekehrt überperformt Hoffenheim so oder so und hat insgesamt 6 Spiele gewonnen, in denen ihre Wahrscheinlichkeit auf eine Sieg unter 50% lag. Bei 2 Siegen lag die Wahrscheinlichkeit für einen Sieg sogar nicht mal bei 20% und sie haben sogar noch bei 2 weiteren Spielen gepunkten, obwohl die Wahrscheinlichkeit für eine Niederlage >65% war. Die Punkte werden ihnen zwar bleiben, aber an sich sollten sich die zukünftigen Ergebnisse nicht so fortsetzen, außer sie werden entsprechend besser.
In den letzten Tagen habe ich mich mal etwas näher mit der Berechnung der xPTS beschäftigt. An sich ist das ein recht simples Thema, indem schlicht anhand des xG und xGA für jedes Spiel die Wahrscheinlichkeiten für Sieg, Unentschieden und Niederlage berechnet werden, um dann daraus den Erwartungswert für die Punkte zu berechnen. Die Wahrscheinlichkeiten werden dabei zunächst für alle potenziell mögliche Ergebnisse berechnet, wobei dann alle Ergebnisse für einen Sieg, ein Unentschieden oder eine Niederlage jeweils akkumuliert werden.
Mein Problem daran ist, dass die Diskrepanz von realer Punktausbeute und xPTS in meinen Augen zwangsläufig zu groß wird. Nimmt man bspw. mal ein Ergebnis mit einem xG von 1,00:1,00, sollte eigentlich anzunehmen sein, dass das wahrscheinlichste Ergebnis ein 1:1 ist. Dem ist auch so, aber ein 0:0, 1:0 und 0:1 sind genauso wahrscheinlich. Jedes dieser Einzelergebnisse hat eine Wahrscheinlichkeit von 13,53%, wobei die Wahrscheinlichkeit für ein Unentschieden mit diesen Ergebnissen konsequenterweise 27,07% beträgt, wie auch die Wahrscheinlichkeit, dass irgendeine Mannschaft mit nur einem Tor gewinnt.
Nimmt man die Option hinzu, dass das Spiel auch jedes Ergebnis mit 2 Toren einer Mannschaft annehmen könnte, dann steigt die Wahrscheinlichkeit für ein Unentschieden nur auf 30,45%, während die Wahrscheinlichkeit, dass ein Team gewinnt, bereits 54,13% beträgt. Das geht dann auch immer so weiter, bis ein Ergebnis mit dem xG praktisch nicht mehr möglich ist. Es ist daher auch nicht möglich, dass die Wahrscheinlichkeit für ein Unentschieden ab einem xG-Verhältnis von 0,44:0,44 über 50% liegt. Bei einem xG-Verhältnis von ca. 0,88:0,88 sind alle potenziellen Spielausgänge gleich wahrscheinlich. Die Wahrscheinlichkeit für ein Unentschieden sinkt somit mit dem xG. Die Wahrscheinlichkeit, dass zumindest ein Team den xG übertrifft, ist schließlich logischerweise höher, als dass beide Teams den xG übertreffen, was wiederum umso wahrscheinlicher wird, je höher der xG, weil es konsequenterwiese mehr und bessere Chancen dafür geben muss.
Somit ist auch logisch, dass der Erwartungswert größer 1,00 xPTS sein muss, obwohl das wahrscheinlichste Ergebnis nur einen Punkt liefern sollte und die Wahrscheinlichkeit, dass es keinen oder maximal einen Punkt gibt bei 65,43% liegt, also viel höher ist als die Wahrscheinlichkeit auf den Sieg. Die xPTS steigen somit also auch mit dem xG, wobei die Fälle, in denen es dann Unentschieden ausgeht, relativ zu allen anderen Fällen immer stärker abnehmen. Oder anders: Unentschieden sind nur bei chancenarmen Spielen wahrscheinlich. Dabei wird eigentlich bei ausgeglichenen, aber höherem xG kein Team der wahrscheinlichere Sieger als der andere, sondern es wird nur wahrscheinlicher, dass es einen Sieger gibt. Das ist alles logisch soweit.
Das Problem ist nur, dass bei den xPTS eine enorme Diskrepanz zu den tatsächlich erzielten Punkten zwangsläufig ist. Zumal ja auch gilt, dass es selbst bei deutlichen xG-Verhältnissen nur eine Annäherung an die 3 Punkte gibt, aber effektiv nie volle 3 Punkte. Nimmt man wieder das xG-Verhältnis von 1,00:1,00, dann ist es zu 69,15% wahrscheinlich, dass es einen Sieger gibt und gleichzeitig zu 65,43% wahrscheinlich, dass mindestens ein Team Punkte verliert. Es gibt also hohe Wahrscheinlichkeiten dafür, dass ein Team 1,65 Punkte mehr einsammelt als zu erwarten ist und ein Team 1,35 Punkte weniger als zu erwarten.
Deswegen müsste es in meinen Augen einen anderen Ansatz für die Berechnung der xPTS geben, indem man hier nicht den Erwartungswert für alle Spielausgänge heranzieht, sondern nur die Wahrscheinlichkeiten für Sieg und Niederlage und dabei für einen Sieg voraussetzt, dass die Wahrscheinlichkeit >50% sein muss, um höher zu sein als die Wahrscheinlichkeit für einen Punktverlust. Am Ende verhalten sich die realen Punkte schließlich so, dass der Sieger alles mitnimmt und der Verlierer nichts. Berücksichtigt man das stärker, gäbe es bei einem ausgeglichenen xG-Verhältnis kein Team, das die Voraussetzung für einen Sieg oder eine Niederlage erfüllt. Beide Wahrscheinlichkeiten sind für beide Teams schließlich <50%. Wenn kein Team die Voraussetzungen für einen Sieg erfüllt, bleibt in der Folge nur, dass man beiden Teams exakt einen Punkt zuspricht, weil keinem Team 3 Punkte zugesprochen werden können. Das sollte aber der Erwartungswert sein, wenn alle anderen Ergebnisse unwahrscheinlicher als der Sieg sind und sollte das Winner-takes-it-all-Prinzip der Dreipunkteregel besser abbilden.
Ich hab es nach dieser Überlegung daher mal für die ersten 8 Teams der Liga (für mehr hatte ich bislang keine Zeit, da die Daten ohne fbref leider manuell abgeglichen werden müssen) berechnet:
Verein | aktuelle Punktausbeute | xPTS | xPTS II | Abweichung xPTS | Abweichung xPTS II
Bayern | 51 | 50,3 | 56 | 0,70 | -5
BVB | 45 | 38,18 | 45 | 6,82 | 0
Hoffenheim | 42 | 31,16 | 31 | 10,84 | 11
VfB | 39 | 35,42 | 39 | 3,58 | 0
RBL | 36 | 35,04 | 38 | 0,96 | -2
Leverkusen* | 35 | 34,03 | 33 | 0,97 | 2
Freiburg | 27 | 28,54 | 31 | -1,54 | -4
Frankfurt | 27 | 27,53 | 27 | -0,53 | 0
*ein Spiel weniger
Das Modell ist natürlich immer noch nicht vor Abweichungen von der Realität gefeit, allerdings glaube ich schon, dass es insgesamt die zu erwartenden Punkte besser abbildet als der Erwartungswert, da die Abweichung von der Realität weniger extrem sind.
In Bezug auf den BVB ist das dann auch durchaus interessant, weil Kovac umso mehr bestätigt wird. Schließlich gab es 13 Spiele, in denen wir eine Siegwahrscheinlichkeit >50% hatten, aber eben auch nur ein einziges Spiel, in dem die Wahrscheinlichkeit für eine Niederlage >50% lag. Die Punkte werden daher über die Vermeidung der Niederlage generiert. Gerade dahingehend weichen die Verfolger des BVB stark ab, indem Stuttgart, Leipzig, Leverkusen und Hoffenheim 4-5 Spiele hatten, in denen eine Niederlage wahrscheinlicher als ein Punktgewinn war, während es bei Frankfurt und Freiburg sogar jeweils 7 Spiele waren. Umgekehrt haben die Bayern halt in 18 Spielen so dominiert, dass die Siegwahrscheinlichkeit sogar nicht nur bei >50% lag, sondern sogar bei >60% (übrigens auch bei ihrer einzigen Niederlage), während sie selbst in den verbliebenen 2 Spielen eine Wahrscheinlichkeit für eine Niederlage von <50% hatten.
Trotzdem die Ergebniswahrscheinlichkeit daher die Punktausbeute des BVB bestätigt, spielt man eigentlich in einer anderen Liga als die Bayern und ist weit weg von ihnen, da sie effektiv mehr Punkte hätten holen müssen. Umgekehrt überperformt Hoffenheim so oder so und hat insgesamt 6 Spiele gewonnen, in denen ihre Wahrscheinlichkeit auf eine Sieg unter 50% lag. Bei 2 Siegen lag die Wahrscheinlichkeit für einen Sieg sogar nicht mal bei 20% und sie haben sogar noch bei 2 weiteren Spielen gepunkten, obwohl die Wahrscheinlichkeit für eine Niederlage >65% war. Die Punkte werden ihnen zwar bleiben, aber an sich sollten sich die zukünftigen Ergebnisse nicht so fortsetzen, außer sie werden entsprechend besser.
Ein sehr interessanter Beitrag. Eventuell verstehe ich die Beschreibungen im zweiten Absatz einfach falsch, also bitte nicht als negative Kritik auffassen.
Du schreibst, dass bei einem xG von 1:1 ein 0:0, 1:0 und 0:1 exakt wahrscheinlich sind. Ignorierst Du dabei nicht die Zusammensetzung der xG-Werte? Vielleicht bin ich falsch informiert, aber normalerweise setzt man doch eine Poisson-Binomial Verteilung voraus. Das bedeutet, das Zufallsexperiment besteht aus der Summe von Bernoulli verteilten Zufallsexperimenten, die jeweils unterschiedliche Erfolgswahrscheinlichkeit haben. Wenn dann für Team A der xG von 1 aus zehn 0,1-Werten besteht und für Team B der xG aus nur einem Schuss mit xG 1 besteht, dann wird mit dieser Verteilung ein 0:1 wahrscheinlicher als ein 1:1.
Ein interessanter Artikel zu dem Thema ist "Skills vs. Luck: Decomposing Deviations from Expected Performance in European Football Leagues" (ich hoffe, ich darf so einen Titel hier teilen, falls nicht, bitte löschen). Das paper zeigt mit den gewählten Methoden (welche ich für überzeugend halte) folgendes: Die Abweichung von den xPTS wird zu 44 % durch Können und zu 56 % durch Glück erklärt. Bei den Toren (xG) entfallen etwa 33 % der Abweichung auf Können und 67 % auf reines Glück. Die Streuung durch Können entspricht etwa 0,158 Punkten pro Spiel bzw. 6 Punkten pro Saison. Die Streuung durch Glück liegt bei etwa 0,175 Punkten pro Spiel bzw. 7 Punkten pro Saison. Extreme Abweichungen im sample zeigten sich 2023/24 bei Manchester City (+12,8 Punkte) und Sheffield United (-17,6 Punkte). Im Durchschnitt verschiebt dieser Mix aus Glück und Skill die Platzierung eines Teams um 1,8 Tabellenplätze.
Das bestätigt deine Kritik teilweise, denke ich. Während es zwar signifikante Abweichungen zwischen Punkten und erwarteten Punkten gibt, sind davon aber über 50 % auf Glück zurückzuführen. Dies liegt aber direkt daran, dass bereits der xG Wert als Metrik Schwächen hat. Wie viel wir von der 67% Abweichung durch Glück in Zukunft erklären können, das ist wohl diskutabel. Weil es aber immer Spiele mit sehr wenig Chancen gibt, bei denen z.B. ein Abpraller entscheidet, wird es wohl immer eine signifikante, nicht zu erklärende, Abweichung zwischen xG und Toren geben, wodurch es auch immer signifikante Abweichungen durch Glück zwischen Punkten und erwarteten Punkten geben wird.
Dieser Beitrag wurde zuletzt von NB202 am 23.02.2026 um 17:18 Uhr bearbeitet 
23.02.2026 - 17:32 Uhr
Zitat von NB202
Ein sehr interessanter Beitrag. Eventuell verstehe ich die Beschreibungen im zweiten Absatz einfach falsch, also bitte nicht als negative Kritik auffassen.
Du schreibst, dass bei einem xG von 1:1 ein 0:0, 1:0 und 0:1 exakt wahrscheinlich sind.
Ein sehr interessanter Beitrag. Eventuell verstehe ich die Beschreibungen im zweiten Absatz einfach falsch, also bitte nicht als negative Kritik auffassen.
Du schreibst, dass bei einem xG von 1:1 ein 0:0, 1:0 und 0:1 exakt wahrscheinlich sind.
1:1 ist ebenfalls gleich wahrscheinlich, wie die anderen 3 Ergebnisse, bei einem xG von 1:1.
Ignorierst Du dabei nicht die Zusammensetzung der xG-Werte? Vielleicht bin ich falsch informiert, aber normalerweise setzt man doch eine Poisson-Binomial Verteilung voraus. Das bedeutet, das Zufallsexperiment besteht aus der Summe von Bernoulli verteilten Zufallsexperimenten, die jeweils unterschiedliche Erfolgswahrscheinlichkeit haben. Wenn dann für Team A der xG von 1 aus zehn 0,1-Werten besteht und für Team B der xG aus nur einem Schuss mit xG 1 besteht, dann wird mit dieser Verteilung ein 0:1 wahrscheinlicher als ein 1:1.
Ja, ich ignoriere die Zusammensetzung der xG-Werte, da das in der Praxis meines Wissens der gängige Fall ist.
Ein interessanter Artikel zu dem Thema ist "Skills vs. Luck: Decomposing Deviations from Expected Performance in European Football Leagues" (ich hoffe, ich darf so einen Titel hier teilen, falls nicht, bitte löschen). Das paper zeigt mit den gewählten Methoden (welche ich für überzeugend halte) folgendes: Die Abweichung von den xPTS wird zu 44 % durch Können und zu 56 % durch Glück erklärt. Bei den Toren (xG) entfallen etwa 33 % der Abweichung auf Können und 67 % auf reines Glück. Die Streuung durch Können entspricht etwa 0,158 Punkten pro Spiel bzw. 6 Punkten pro Saison. Die Streuung durch Glück liegt bei etwa 0,175 Punkten pro Spiel bzw. 7 Punkten pro Saison. Extreme Abweichungen im sample zeigten sich 2023/24 bei Manchester City (+12,8 Punkte) und Sheffield United (-17,6 Punkte). Im Durchschnitt verschiebt dieser Mix aus Glück und Skill die Platzierung eines Teams um 1,8 Tabellenplätze.
Sehr spannend! Kannst du noch etwas zur Methodik zusammenfassen, inwiefern Glück und Können definiert/gemessen wurde?
Das bestätigt deine Kritik teilweise, denke ich. Während es zwar signifikante Abweichungen zwischen Punkten und erwarteten Punkten gibt, sind davon aber über 50 % auf Glück zurückzuführen. Dies liegt aber direkt daran, dass bereits der xG Wert als Metrik Schwächen hat. Wie viel wir von der 67% Abweichung durch Glück in Zukunft erklären können, das ist wohl diskutabel. Weil es aber immer Spiele mit sehr wenig Chancen gibt, bei denen z.B. ein Abpraller entscheidet, wird es wohl immer eine signifikante, nicht zu erklärende, Abweichung zwischen xG und Toren geben, wodurch es auch immer signifikante Abweichungen durch Glück zwischen Punkten und erwarteten Punkten geben wird.
Ja, das ist klar. Mir ging es aber auch weniger darum die Schwächen der xPTS zu erklären, als Überlegungen aufzustellen, ob es bessere Herangehensweisen zur Berechnung gibt.
28.02.2026 - 12:23 Uhr
Zitat von BVBBC
1:1 ist ebenfalls gleich wahrscheinlich, wie die anderen 3 Ergebnisse, bei einem xG von 1:1.
Ignorierst Du dabei nicht die Zusammensetzung der xG-Werte? Vielleicht bin ich falsch informiert, aber normalerweise setzt man doch eine Poisson-Binomial Verteilung voraus. Das bedeutet, das Zufallsexperiment besteht aus der Summe von Bernoulli verteilten Zufallsexperimenten, die jeweils unterschiedliche Erfolgswahrscheinlichkeit haben. Wenn dann für Team A der xG von 1 aus zehn 0,1-Werten besteht und für Team B der xG aus nur einem Schuss mit xG 1 besteht, dann wird mit dieser Verteilung ein 0:1 wahrscheinlicher als ein 1:1.
Ja, ich ignoriere die Zusammensetzung der xG-Werte, da das in der Praxis meines Wissens der gängige Fall ist.
Ein interessanter Artikel zu dem Thema ist "Skills vs. Luck: Decomposing Deviations from Expected Performance in European Football Leagues" (ich hoffe, ich darf so einen Titel hier teilen, falls nicht, bitte löschen). Das paper zeigt mit den gewählten Methoden (welche ich für überzeugend halte) folgendes: Die Abweichung von den xPTS wird zu 44 % durch Können und zu 56 % durch Glück erklärt. Bei den Toren (xG) entfallen etwa 33 % der Abweichung auf Können und 67 % auf reines Glück. Die Streuung durch Können entspricht etwa 0,158 Punkten pro Spiel bzw. 6 Punkten pro Saison. Die Streuung durch Glück liegt bei etwa 0,175 Punkten pro Spiel bzw. 7 Punkten pro Saison. Extreme Abweichungen im sample zeigten sich 2023/24 bei Manchester City (+12,8 Punkte) und Sheffield United (-17,6 Punkte). Im Durchschnitt verschiebt dieser Mix aus Glück und Skill die Platzierung eines Teams um 1,8 Tabellenplätze.
Sehr spannend! Kannst du noch etwas zur Methodik zusammenfassen, inwiefern Glück und Können definiert/gemessen wurde?
Das bestätigt deine Kritik teilweise, denke ich. Während es zwar signifikante Abweichungen zwischen Punkten und erwarteten Punkten gibt, sind davon aber über 50 % auf Glück zurückzuführen. Dies liegt aber direkt daran, dass bereits der xG Wert als Metrik Schwächen hat. Wie viel wir von der 67% Abweichung durch Glück in Zukunft erklären können, das ist wohl diskutabel. Weil es aber immer Spiele mit sehr wenig Chancen gibt, bei denen z.B. ein Abpraller entscheidet, wird es wohl immer eine signifikante, nicht zu erklärende, Abweichung zwischen xG und Toren geben, wodurch es auch immer signifikante Abweichungen durch Glück zwischen Punkten und erwarteten Punkten geben wird.
Ja, das ist klar. Mir ging es aber auch weniger darum die Schwächen der xPTS zu erklären, als Überlegungen aufzustellen, ob es bessere Herangehensweisen zur Berechnung gibt.
Zitat von NB202
Ein sehr interessanter Beitrag. Eventuell verstehe ich die Beschreibungen im zweiten Absatz einfach falsch, also bitte nicht als negative Kritik auffassen.
Du schreibst, dass bei einem xG von 1:1 ein 0:0, 1:0 und 0:1 exakt wahrscheinlich sind.
Ein sehr interessanter Beitrag. Eventuell verstehe ich die Beschreibungen im zweiten Absatz einfach falsch, also bitte nicht als negative Kritik auffassen.
Du schreibst, dass bei einem xG von 1:1 ein 0:0, 1:0 und 0:1 exakt wahrscheinlich sind.
1:1 ist ebenfalls gleich wahrscheinlich, wie die anderen 3 Ergebnisse, bei einem xG von 1:1.
Ignorierst Du dabei nicht die Zusammensetzung der xG-Werte? Vielleicht bin ich falsch informiert, aber normalerweise setzt man doch eine Poisson-Binomial Verteilung voraus. Das bedeutet, das Zufallsexperiment besteht aus der Summe von Bernoulli verteilten Zufallsexperimenten, die jeweils unterschiedliche Erfolgswahrscheinlichkeit haben. Wenn dann für Team A der xG von 1 aus zehn 0,1-Werten besteht und für Team B der xG aus nur einem Schuss mit xG 1 besteht, dann wird mit dieser Verteilung ein 0:1 wahrscheinlicher als ein 1:1.
Ja, ich ignoriere die Zusammensetzung der xG-Werte, da das in der Praxis meines Wissens der gängige Fall ist.
Ein interessanter Artikel zu dem Thema ist "Skills vs. Luck: Decomposing Deviations from Expected Performance in European Football Leagues" (ich hoffe, ich darf so einen Titel hier teilen, falls nicht, bitte löschen). Das paper zeigt mit den gewählten Methoden (welche ich für überzeugend halte) folgendes: Die Abweichung von den xPTS wird zu 44 % durch Können und zu 56 % durch Glück erklärt. Bei den Toren (xG) entfallen etwa 33 % der Abweichung auf Können und 67 % auf reines Glück. Die Streuung durch Können entspricht etwa 0,158 Punkten pro Spiel bzw. 6 Punkten pro Saison. Die Streuung durch Glück liegt bei etwa 0,175 Punkten pro Spiel bzw. 7 Punkten pro Saison. Extreme Abweichungen im sample zeigten sich 2023/24 bei Manchester City (+12,8 Punkte) und Sheffield United (-17,6 Punkte). Im Durchschnitt verschiebt dieser Mix aus Glück und Skill die Platzierung eines Teams um 1,8 Tabellenplätze.
Sehr spannend! Kannst du noch etwas zur Methodik zusammenfassen, inwiefern Glück und Können definiert/gemessen wurde?
Das bestätigt deine Kritik teilweise, denke ich. Während es zwar signifikante Abweichungen zwischen Punkten und erwarteten Punkten gibt, sind davon aber über 50 % auf Glück zurückzuführen. Dies liegt aber direkt daran, dass bereits der xG Wert als Metrik Schwächen hat. Wie viel wir von der 67% Abweichung durch Glück in Zukunft erklären können, das ist wohl diskutabel. Weil es aber immer Spiele mit sehr wenig Chancen gibt, bei denen z.B. ein Abpraller entscheidet, wird es wohl immer eine signifikante, nicht zu erklärende, Abweichung zwischen xG und Toren geben, wodurch es auch immer signifikante Abweichungen durch Glück zwischen Punkten und erwarteten Punkten geben wird.
Ja, das ist klar. Mir ging es aber auch weniger darum die Schwächen der xPTS zu erklären, als Überlegungen aufzustellen, ob es bessere Herangehensweisen zur Berechnung gibt.
Ich bin gerade zufällig über dieses kuriose minderwertig synchronisierte Video gestolpert, was irgendwie aber gut hier hinpasst und inhaltlich hat mir das schon sehr aus der Seele gesprochen. 😂
https://youtube.com/shorts/-axdukZVckc?si=bY7K3bU3Kmc-lo-H
28.02.2026 - 15:24 Uhr
Zitat von NullNeun
Ich bin gerade zufällig über dieses kuriose minderwertig synchronisierte Video gestolpert, was irgendwie aber gut hier hinpasst und inhaltlich hat mir das schon sehr aus der Seele gesprochen. 😂
https://youtube.com/shorts/-axdukZVckc?si=bY7K3bU3Kmc-lo-H
Ich bin gerade zufällig über dieses kuriose minderwertig synchronisierte Video gestolpert, was irgendwie aber gut hier hinpasst und inhaltlich hat mir das schon sehr aus der Seele gesprochen. 😂
https://youtube.com/shorts/-axdukZVckc?si=bY7K3bU3Kmc-lo-H
Ja, kann ich sogar gut nachvollziehen. Mir geht es mit rein auf Effizienz getrimmten Fussball schon im Allgemeinen genauso. Allerdings sehe ich das Problem nicht so sehr darin, dass der Fussball auf Effizienz getrimmt wird, sondern darin, dass gefühlt nur auf Effizienz getrimmt wird. Daher machst du damit ein interessantes Thema auf, da die Statistik in meinen Augen zwar aktuell ausgespielt wird, aber nicht in ihrem vollen Potenzial.
Der Trend zur Effizienzsteigerung ist ja auch in anderen Sportarten, vor allem in den USA schon länger beobachtbar. In der NBA wurde bspw. immer mehr aus der Distanz und in der Zone abgeschlossen, wofür aber Würfe aus der Mitteldistanz nur noch vereinzelt darin elitären Spielern vorbehalten sind. Wenn ein Distanzwurf nur ein paar Zentimeter weiter hinten nun mal mehr wert ist, bei ähnlichen Bedingungen für die Trefferwahrscheinlichkeit, dann ist es nur logisch, dass mehr Distanzwürfe von weiter draußen genommen werden. Auch ist es logisch, dass in der Zone mehr abgeschlossen wird, wenn dort die Trefferquoten deutlich höher sind als aus der Mitteldistanz. Beides bedingt sich dabei sogar positiv. Wer von außen gefährlicher ist, wird in der Zone mehr Platz haben. Wer in der Zone gefährlicher ist, wird außen mehr Platz haben. In beiden Fällen erhöht das die Wahrscheinlichkeit effizienter Würfe. Es machte also Sinn nicht nur eine Effizienzgeschichte zu verbessern, sondern mehrere.
Das hatte dann wieder zur Konsequenz, dass sich Spielerprofile veränderten, das Spiel positionsloser werden musste, weil Spieler möglichst alles verteidigen können müssen und das Spiel schneller wurde. Vieles davon hat die Attraktivität in meinen Augen gesteigert, weil Spieler immer mehr Skill entwickeln mussten und ein schnelleres Spiel mehr Abschlüsse und daher mehr Punkte bedeutete. Das hat wiederum dazu geführt, dass sie in der NBA nun die Pressingprinzipien für sich entdeckt haben und sich die Ansätze zum Verhältnis von Defense und Offensivrebouding verändert haben, weil die Defensivstrategien der Vergangenheit zunehmend ineffizient wurden. Dadurch kommt jetzt gerade wieder nach und nach die Physis wieder rein, die in den letzten Jahren durch die Verfolgung der initialen Effizienzziele vernachlässigbarer wurde. Diese Effizienzziele sind deswegen aber nicht verschwunden und werden auch nicht verschwinden, außer es kommt zu Regeländerungen. Sie werden aber nach und nach ergänzt.
Überträgt man das jetzt auf den Fussball, dann sehe ich die Verfolgung der Effizienzziele im Moment zu einseitig, wenig nachhaltig und daher auch nicht wirklich innovativ. Es geht viel zu sehr um die Boxbesetzung derzeit. Das ist auch das, was Kovac wirklich gut macht und letztendlich für die Ergebnisse sorgt. Ihm ist mehr oder weniger egal, wer die Bälle in den 16er spielt und wie gut derjenige das kann. Vielleicht sogar, wie viel man überhaupt an Chancen herausspielen kann. Hauptsache die Bälle kommen ungefähr in die Gefahrenzonen, die gut besetzt sind. Damit ist Kovac alles andere als allein, sondern das ist der Trend. Schaut man sich die Bundesliga über die letzten 17 Saisons an (also seit 09/10), dann fällt auf, dass sich die Anzahl der Torschüsse kaum verändet hat. Seit 09/10 waren es im Schnitt 7960 pro Saison. Seit 20/21 waren es 7957 pro Saison, trotz 2 extremen Ausreißern, je einer nach oben und unten.
Dabei sind die Abschlüsse außerhalb der Box klar gesunken. Im langjährigen Mittel seit 09/10 sind es 2990 pro Saison gewesen (37,6%), während es diese Saison noch hochgerechnet 2624 sind, was einem Anteil von 32,7% entspricht. Dabei ist auffällig, dass das Niveau mit der Saison 20/21 (2664) eingeläutet wurde, nachdem es schon zwischen 15/16 und 19/20 auffallend weniger Distanzschüsse (2984 im Schnitt) als im Zeitraum 09/10 bis 18/19 (3321) waren. Das ist wirklich extrem krass, wie sehr da gleich 2x um rund 300 Distanzschüsse von einer Saison auf die nächste reduziert wurde und das dann direkt sehr nah am Mittel für die nächsten Jahre lag. Dafür wurden auch immer mehr Tore erzielt. Im langjährigen Mittel sind es 922 Tore, gegenüber 962 seit Beginn des Jahrzehnts. Diese Saison würden es hochgerechnet sogar 980 Tore werden, während es zwischen 09/10 und 17/18 nur eine Saison mit mehr als 900 Toren gab.
Es ist daher klar so, dass weniger Distanzschüsse für bessere Chancen in der Box eingetauscht wurden, woraus immer mehr und immer effizienter Tore geschossen wurden. Die Conversion Rate lag in nur einer Saison in den letzten 5 Jahren unter 12%. Das war 23/24 und damit die einzige Saison mit überproportional vielen Distanzschüssen, in der man nochmal nah am Niveau des Zeitraums zwischen 15/16 und 19/20 dran war (2887). Wobei das auch die Saison war, in der es einen Rekord bei den Abschlüssen und Toren gab.
Womit ich auf das NBA Beispiel zurückkommen möchte. Denn eigentlich sollte die Steigerung der Effizienz dazu führen, dass auch immer mehr Chancen herausgespielt werden und darüber dann auch immer mehr Tore fallen. Effektiv bewegen wir uns aber bei den erzielten Toren seit 18/19 bereits auf einem Plateau mit durchschnittlich 966 Toren pro Saison. Das ist wesentlich mehr als im selben Zeitraum davor (884), aber stagniert eben schon seit ein paar Jahren weitestgehend, weil die Abschlüsse nicht mehr ausgebaut werden konnte, ohne auf Kosten der Distanzschüsse zu gehen. Wie auch, wenn die Box so verstopft wird mit Abschlussspielern, dass zu viele Beine zwischen Tor und Distanzschützen sind, weil das natürlich auch die Defensive in die Box zieht. Dabei mag vielleicht mal ein Bein so abfälschen, dass es trotzdem gefährlich wird, aber gute Abschlüsse sehen grundsätzlich anders aus.
Das ist zwar nicht so ganz vergleichbar mit einem 3er im Basketball, weil ein Distanzschuss im Fussball nicht mehr wert ist und es im Basketball deutlich schwieriger ist einen Distanzwurf mit einer tiefen Statik zu verteidgen als im Fussball, aber zumindest das Prinzip aus der Distanz bleibt ähnlich. Mehr Gefahr aus der Distanz, entzerrt auch im Fussball zwangsläufig den Strafraum, weil es durchaus Bedingungen für sinnvolle Distanzschüsse geben kann. So würde ich auch heute noch Roberto Carlos Freistöße gegen Barthez aus 35m schießen lassen. Bei entsprechenden Bedingungen auch aus dem Spiel heraus. Aus dem Spiel gegen Prime-Neuer und 13-15 kompakt vor dem Tor gestaffelte Feldspieler in einer eher statischen Situation aber schon nicht mehr. Das ist dann auch gar nicht mehr so sehr eine Frage des xG mehr, sondern eine Frage dessen, wie viel Skill ein Spieler haben kann, damit das überhaupt eine Chance hat. Der Punkt ist also, dass die Wahrscheinlichkeit, um Distanzschüsse im Tor unterzubringen, durch die Effizienzsteigerung in der Box gleich doppelt belastet wurde. Zum Einen durch die Priorisierung von Abschlüssen in der Box. Zum Anderen durch die dadurch entstandene Verdichtung in der Box, die Skill bei Distanzschüssen mit dem Glück aufwiegt, dass der Ball überhaupt auf das Tor kommt.
Dabei sind in den letzten 5 vollen Saisons nur 20 Distanztore pro Saison verloren gegangen (110), im Vergleich zum selben Zeitraum zwischen 2009 und 2014 (130). Also trotz rund 20% weniger Abschlüssen nur 15% weniger Tore. Das zeigt durchaus, dass Distanzschüsse mit Effizienzgedanken im Hinterkopf verfolgt werden können. Meines Erachtens zeigt es außerdem, dass das gefühlt fehlende Spektakel früherer Distanztore gar nicht so sehr auf den Rückgang bei Distanzschüssen zurückzuführen ist, sondern darauf, wie das Spektakel dieser Tore mittlerweile erschwert wird. Durch die eigene und gegnerische Priorisierung, welcher Raum zu besetzen ist. Also in der Box. An der Stelle ist es dann eben auch nicht so gewesen, wie oben für die NBA beschrieben. Es hat für mehr Tore nicht immer mehr Skill benötigt im Fussball, sondern nur immer mehr Besetzung der Box. Taktik, Dynamik und Physis waren also hier die Treiber der Entwicklung.
Die Stagnation bei den Abschlüssen sollte aber zeigen, dass es hier aber auch noch deutlich Luft geben sollte, wenn entsprechende Skills entwickelt werden. Schnellere Spieler sollten schließlich schnelleren Fussball ermöglichen, der wiederum mehr Torchancen ermöglicht. Die Kausalität wurde im Fussball so nur nicht bestätigt bislang, obwohl ich davon überzeugt bin, dass sie besteht. Das war schließlich auch im Basketball die Konsequenz. Meines Erachtens hängt das vor allem damit zusammen, dass im Fussball vor allem die Spacing Prinzipien und wie Räume besetzt werden müssen, nicht optimiert sind. Teilweise funktioniert das sogar zumindest zeitweilig zu den eigenen Gunsten. Wer hat schließlich schon Ryerson als Flankengott auf dem Schirm gehabt? Dahingehend sehe ich zwar schon auch eine skillseitige Verbesserung bei ihm, zumindest in bestimmten Flankensituationen, wenn er Platz hat und er nicht aus vollem Lauf flanken muss, aber erst der Erfolg der Flanken zwingt überhaupt dazu, dass man sich mehr und mehr auf die Verhinderung seiner Flanken konzentrieren muss, weil es damit effizienter geht das Tor zu verteidigen als mit der Besetzung der Box mit vielen Verteidigern, die ebenfalls viele Angreifer aufnehmen können sollen.
Denn die vielen Verteidiger scheitern gerade letztendlich trotzdem an der Statistik, weil sie nicht 100% aller Zweikämpfe gewinnen können, falls sie überhaupt an allen Mann dran bleiben können, um im Zweikampf zu bleiben bzw. zu kommen. Mal rein mathematisch als Beispiel: wenn in die Flanke frei geschlagen werden kann und in der Mitte daraus ein Zweikampf folgt, der in 3/4 Fällen vom Verteidiger gewonnen wird, wäre das gleichwertig zu je einem Zweikampf außen (zur Verhinderung der Flanke) und innen, die jeweils nur in 2/4 Fällen gewonnen werden. In beiden Fällen läge die Wahrscheinlichkeit für einen gewonnenen Zweikampf des Stürmers in der Mitte bei 25%. Wenn man außen aber einen Verteidiger hinstellt, der 75% der Zweikämpfe gewinnt und in der Mitte weiterhin einen Verteidiger hätte, der 50% seiner Zweikämpfe gewinnt, dann halbiert sich die Wahrscheinlichkeit des gewonnenen Zweikampfs des Stürmers. Würden innen und außen 75% der Zweikämpfe gewonnen, halbiert es sich nochmals. Wobei die defensiv verdichteten Strafräume eben bedeuten, dass viele Bälle vor dem Zweikampf abgefangen werden können und gleichzeitig mehr Chancen bestehen, dass ein Spieler in den Zweikampf kommt.
Das Ding würde also wieder ineffizient werden, wenn Ryerson regelmäßig sich selbst Freiräume kreieren müsste, weswegen er das auch kaum macht. Wenn er es aber könnte, würden sehr wahrscheinlich mehr Abschlüsse herausgespielt werden, die noch besser wären, weil der Gegner noch mehr Grund hätte das Zentrum zu entzerren und bereits außen Zweikämpfe zu gewinnen. Umso mehr, wenn er dann auch nicht nur flanken könnte, sondern regelmäßig den Strafraum attackiert, um nach einem geschlagenen Gegenspieler gleich noch einen Mann aus dem Zentrum zu ziehen. Kann er aber nicht. Also müssen es die Gegner auch nicht so verteidigen. Also hat der BVB relativ wenige Chancen und muss dafür umso mehr über die Effizienz kommen. Das ist aber auch nicht nur beim BVB so. Die Chancenkreierung und wie darüber der Gegner auseinandergezogen wird und welche Skills dafür verantwortlich sind, werden untergewichtet derzeit. Im Grunde aus derselben mathemtischen Logik heraus, wie oben für die Defensive dargestellt: je weniger Zweikämpfe gewonnen werden müssen, desto besser.
Dabei müsste es für Spektakel und Ergebnis lauten: je mehr Zweikämpfe gewonnen werden können, desto besser. Es müsste also Skill entwickelt werden. Dann müssten Abschlüsse in der Box zwar immer noch Abschlüsse von außerhalb kosten, weil es nun mal effizienter ist dort abzuschließen, aber wenn gleichzeitig mehr Chancen generiert werden, bleibt auch mehr Raum für mehr Distanzschüsse. Zumindest für gute Schützen, weil auch das effizient sein sollte. Trotzdem wären dann auch mehr spektakuläre Abschlüsse darunter, weil der Gegner vor dem Tor zwangsläufig nicht mehr so sehr verdichten kann. Umso weniger, wenn er auch noch Distanzschüsse auf dem Schirm haben müsste. Diese Entwicklung wird aber derzeit von kaum einem Team aktiv gesucht, sondern es gibt eben nur den Fokus auf Effizienz, weil es nun mal ausreichend gut funktioniert und dafür vor allem auch defensiv weniger riskiert werden muss. Im Kern hat sich kein Team ernsthaft der spielerischen Herausforderung angenommen, die vor allem ein tiefer, kompakter Abwehrblock bedingt. Darin liegt in meinen Augen des Pudels Kern. Kein Team hat es bislang versucht und geschafft defensiv nicht dafür bestraft zu werden. Dabei bleibt es die Aufgabe für den Champion von Morgen ...
16.03.2026 - 22:22 Uhr
Tore, Assists und Pre-Assists - Statistik der Saison 2025/26
_____________________________________________
1. Pflichtspiel 19.08.2025 / DFB-Pokal, 1. Runde: Rot-Weiss Essen - Borussia Dortmund 0:1
0:1 ⚽: Guirassy | ⭐: Bensebaini | ♐: Anton
2. Pflichtspiel 23.08.2025 / 1. Bundesligaspiel: FC St. Pauli - Borussia Dortmund 3:3
0:1 ⚽: Guirassy | ⭐: Sabitzer | ♐: Bellingham
1:2 ⚽: Anton | ⭐: Nmecha | ♐: Svensson
1:3 ⚽: Brandt | ⭐: Groß | ♐: Mane
3. Pflichtspiel 31.08.2025 / 2. Bundesligaspiel: Borussia Dortmund - Union Berlin 3:0
1:0 ⚽: Guirassy | ⭐: Couto | ♐: Anselmino
2:0 ⚽: Guirassy | ⭐: Beier | ♐: Guirassy
3:0 ⚽: Nmecha | ⭐: | ♐:
4. Pflichtspiel 13.09.2025 / 3. Bundesligaspiel: FC Heidenheim - Borussia Dortmund 0:2
0:1 ⚽: Guirassy | ⭐: Ryerson | ♐: Couto
0:2 ⚽: Beier | ⭐: Adeyemi | ♐: Ryerson
5. Pflichtspiel 17.09.2025 / 1. Spieltag Champions League: Juventus FC - Borussia Dortmund 4:4
0:1 ⚽: Adeyemi | ⭐: Guirassy | ♐: Nmecha
1:2 ⚽: Nmecha | ⭐: Adeyemi | ♐: Couto
2:3 ⚽: Couto | ⭐: Sabitzer | ♐:
2:4 ⚽: Bensebaini | ⭐: Guirassy | ♐:
6. Pflichtspiel 21.09.2025 / 4. Bundesligaspiel: Borussia Dortmund - VFL Wolfsburg 1:0
1:0 ⚽: Adeyemi | ⭐: Ryerson | ♐: Sabitzer
7. Pflichtspiel 27.09.2015 / 5. Bundesligaspiel: 1. FSV Mainz 05 - Borussia Dortmund 0:2
0:1 ⚽: Svensson | ⭐: Brandt | ♐: Beier
0:2 ⚽: Adeyemi | ⭐: Brandt | ♐: Adeyemi
8. Pflichtspiel | 01.10.2025 / 2. Spieltag Champions League: Borussia Dortmund - Athletic Club Bilbao 4:1
1:0 ⚽: Svensson | ⭐: Adeyemi | ♐: Ryerson
2:0 ⚽: Chukwuemeka | ⭐: Guirassy | ♐: Sabitzer
3:1 ⚽: Guirassy | ⭐: Sabitzer | ♐: Anton
4:1 ⚽: Brandt | ⭐: Beier | ♐: Nmecha
9. Pflichtspiel 04.10.2025 / 6. Bundesligaspiel: Borussia Dortmund - RB Leipzig 1:1
1:1 ⚽: Couto | ⭐: Guirassy | ♐: Beier
10. Pflichtspiel 18.10.2025 / 7. Bundesligaspiel: FC Bayern München - Borussia Dortmund 2:1
2:1 ⚽: Brandt | ⭐: Ryerson | ♐: Schlotterbeck
11. Pflichtspiel 21.10.2025 | 3. Spieltag Champions League: FC Kopenhagen - Borussia Dortmund 2:4
0:1 ⚽: Nmecha | ⭐: Bellingham | ♐: Guirassy
1:2 ⚽: Bensebaini | ⭐: Guirassy | ♐:
1:3 ⚽: Nmecha | ⭐: Chukwuemeka |♐:
1:4 ⚽: Silva | ⭐: | ♐:
12. Pflichtspiel 25.10.2025 / 8. Bundesligaspiel: Borussia Dortmund - 1. FC Köln 1:0
1:0 ⚽: Beier | ⭐: Silva | ♐ : Schlotterbeck
13. Pflichtspiel 28.10.2025 | DFB-Pokal, 2. Runde: Eintracht Frankfurt - Borussia Dortmund 3:5 n.V. i.E.
1:1 ⚽: Brandt | ⭐: Ryerson | ♐ : Bellingham
Elfmeterschießen:
1:2 ⚽: Silva
2:3 ⚽: Süle
2:4 ⚽: Chukwuemeka
3:5 ⚽: Nmecha
14. Pflichtspiel 31.10.2025 / 9. Bundesligaspiel: FC Augsburg - Borussia Dortmund 0:1
0:1 ⚽: Guirassy | ⭐: | ♐:
15. Pflichtspiel 05.11.2025 / 4. Spieltag Champions League: Manchester City - Borussia Dortmund 4:1
3:1 ⚽: Anton | ⭐: Ryerson | ♐: Groß
16. Pflichtspiel 08.11.2025 / 10. Bundesligaspiel: Hamburger SV - Borussia Dortmund 1:1
0:1 ⚽: Chukwuemeka | ⭐: Schlotterbeck | ♐:
17. Pflichtspiel 22.11.2025 / 11. Bundesligaspiel: Borussia Dortmund - VFB Stuttgart 3:3
1:0 ⚽: Can | ⭐: Schlotterbeck / ♐:
2:0 ⚽: Beier | ⭐: | ♐:
3:2 ⚽: Adeyemi | ⭐: Beier | ♐: Adeyemi
18. Pflichtspiel 25.11.2025 / 5. Spieltag Champions League: Borussia Dortmund - Villarreal FC 4:0
1:0 ⚽: Guirassy | ⭐: Anselmino | ♐: Anton
2:0 ⚽: Guirassy | ⭐: | ♐:
3:0 ⚽: Adeyemi | ⭐: | ♐:
4:0 ⚽: Svensson | ⭐: Groß | ♐: Bellingham
19. Pflichtspiel 29.11.2025 / 12. Bundesligaspiel: Bayer Leverkusen - Borussia Dortmund 1:2
0:1 ⚽: Anselmino | ⭐: Svensson | ♐:
0:2 ⚽: Adeyemi | ⭐: Silva | ♐:
20. Pflichtspiel 02.12.2025 / DFB-Pokal Achtelfinale: Borussia Dortmund - Bayer Leverkusen 0:1
-
21. Pflichtspiel 07.12.2025 / 13. Bundesligaspiel: Borussia Dortmund - TSG Hoffenheim 2:0
1:0 ⚽: Brandt | ⭐: Couto | ♐: Adeyemi
2:0 ⚽: Schlotterbeck | ⭐: Nmecha | ♐: Couto
22. Pflichtspiel 10.12.2025 / 6. Spieltag Champions League: Borussia Dortmund - FK Bodø/Glimt 2:2
1:0 ⚽: Brandt | ⭐: Silva | ♐:
2:1 ⚽: Brandt | ⭐: | ♐:
23. Pflichtspiel 14.12.2025 / 14. Bundesligaspiel: SC Freiburg - Borussia Dortmund 1:1
0:1 ⚽: Bensebaini | ⭐: Couto | ♐:
24. Pflichtspiel 19.12.2025 /15. Bundesligaspiel: Borussia Dortmund - Borussia M'gladbach 2:0
1:0 ⚽: Brandt | ⭐: Süle | ♐: Groß
2:0 ⚽: Beier | ⭐: Silva | ♐: Couto
25. Pflichtspiel 09.01.2026 / 16. Bundesligaspiel: Eintracht Frankfurt - Borussia Dortmund 3:3
0:1 ⚽: Beier | ⭐: Ryerson | ♐: Schlotterbeck
1:2 ⚽: Nmecha | ⭐: | ♐:
3:3 ⚽: Chukwuemeka | ⭐: | ♐:
26. Pflichtspiel 13.01.2026 / 17. Bundesligaspiel: Borussia Dortmund - Werder Bremen 3:0
1:0 ⚽: Schlotterbeck | ⭐: Ryerson | ♐:
2:0 ⚽: Sabitzer | ⭐: Nmecha | ♐: Svensson
3:0 ⚽: Guirassy | ⭐: Bellingham |
27. Pflichtspiel 17.01.2026 / 18. Bundesligaspiel: Borussia Dortmund - FC St. Pauli 3:2
1:0 ⚽: Brandt | ⭐: Adeyemi | ♐ : Bellingham
2:0⚽: Adeyemi | ⭐: Silva | ♐ : Brandt
3:2 ⚽: Can | ⭐: Beier | ♐ :
28. Pflichtspiel 20.01.2016 / 7. Spieltag Champions League: Tottenham Hotspurs - Borussia Dortmund 2:0
-
29. Pflichtspiel 25.01.2026 / 19. Bundesligaspiel: Union Berlin - Borussia Dortmund 0:3
0:1 ⚽: Can | ⭐: Guirassy | ♐
0:2 ⚽: Schlotterbeck | ⭐: Ryerson ♐:
0:3 ⚽: Beier | ⭐: Bellingham | ♐:
30.Pflichtspiel 28.01.2026 7 8. Spieltag ´Champions League: Borussia Dortmund - Inter Mailand 0:2
-
31. Pflichtspiel 01.02.2026 / 20. Bundesligaspiel: Borussia Dortmund - FC Heidenheim 3:2
1:0 ⚽:Anton | ⭐: | ♐:
2:2 ⚽: Guirassy | ⭐: | ♐:
3:2 ⚽: Guirassy | ⭐: Beier | ♐: Brandt
32. Pflichtspiel 07.02.2026 / 21. Bundesligaspiel: VFL Wolfsburg - Borussia Dortmund 1:2
0:1 ⚽: Brandt | ⭐: Ryerson | ♐:
1:2 ⚽: Guirassy | ⭐: Silva | ♐: Nmecha
33. Pflichtspiel 13.02.2026 / 22. Bundesligaspiel: Borussia Dortmund - 1. FSV Mainz 05 4:0
1:0 ⚽: Guirassy | ⭐: Ryerson | ♐:
2:0 ⚽: Beier | ⭐: Ryerson | ♐:
3:0 ⚽: Guirassy | ⭐: Ryerson | ♐:
(4:0 Eigentor)
34. Pflichtspiel 17.03.2026 / CL-Playoffs Hinspiel: Borussia Dortmund - Atalanta Bergamo 2:0
1:0 ⚽: Guirassy | ⭐: Ryerson | ♐: Beier
2:0 ⚽: Beier | ⭐: Guirassy | ♐: Nmecha
35. Pflichtspiel 21.02.2026 / 23. Bundesligaspiel: RB Leipzig - Borussia Dortmund 2:2
(2:1 Eigentor)
2:2 ⚽: Silva | ⭐: Adeyemi | ♐: Brandt
36. Pflichtspiel 25.02.2026 / CL-Playoffs Rückspiel: Atalanta Bergamo - Borussia Dortmund 4:1
3:1 ⚽: Adeyemi | ⭐: Chukwuemeka | ♐: Adeyemi
37. Pflichtspiel 28.02.2026 / 24. Bundesligaspiel: Borussia Dortmund - FC Bayern München
1:0 ⚽: Schlotterbeck | ⭐: Svensson | ♐:
2:2 ⚽: Svensson | ⭐: Sabitzer | ♐: Couto
38. Pflichtspiel 08.03.2026 / 25. Bundesligaspiel: 1. FC Köln - Borussia Dortmund 1:2
0:1 ⚽: Guirassy | ⭐: Beier | ♐:
0:2 ⚽: Beier | ⭐: Brandt | ♐: Beier
39. Pflichtspiel 14.03.2026 / 26. Bundesligaspiel: Borussia Dortmund - FC Augsburg 2:0
1:0 ⚽: Adeyemi | ⭐: Beier | ♐: Svensson
2:0 ⚽: Reggiani | ⭐: Ryerson | ♐:
__________________________________________
Ranglisten
Gesamtscorer (Tore, Assists, Pre-Assists)
Guirassy .......... (⚽⚽⚽⚽♐⚽⭐⭐⭐⚽⭐♐⭐⚽⚽⚽⚽⭐⚽⚽⚽⚽⚽⚽⭐⚽) +26
Beier ................ (♐⚽♐⭐♐⚽⚽⭐⚽⚽⭐⚽⭐⚽♐⚽⭐⚽♐⭐) +20
Adeyemi .......... (⭐⚽⭐⚽⚽♐⭐⚽♐⚽⚽♐⭐⚽⭐⚽♐⚽) +18
Brandt ............. (⚽⭐⭐⚽⚽⚽⚽⚽⚽⚽⚽♐♐ ⚽♐⭐) +16
Ryerson ........... (⭐♐⭐♐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐) +16
Nmecha .......... (⭐⚽♐⚽♐⚽⚽⚽⭐⚽⭐♐♐) +13
Couto .............. (⭐♐♐⚽⚽⭐♐⭐♐♐) +10
Schlotterbeck .. (♐♐⭐⭐⚽♐⚽⚽⚽) +9
Silva ................. (⚽⚽⭐⭐⭐⭐⭐⭐⚽) +9
Svensson ......... (♐⚽⚽⚽⭐♐⭐⚽♐) +9
Bellingham ..... (♐⭐♐♐⭐♐⭐ ) +7
Sabitzer .......... (⭐⭐♐♐⭐⚽⭐) +7
Anton .............. (♐⚽♐⚽♐⚽) +6
Chukwuemeka (⚽⭐⚽⚽⚽⭐) +6
Bensebaini ...... (⭐⚽⚽⚽) +4
Groß ................. (⭐♐⭐♐) +4
Anselmino ....... (♐⭐⚽) +3
Can ................... (⚽⚽⚽) +3
Süle .................. (⚽⭐) +2
Mane ................ (♐) +1
Reggiani .......... (⚽) +1
Platzierung - Name - Tore + Assists + Pre-Assists = Gesamtpunkte (Spielzeit / BVB-TM-Scorerquote)
01. Guirassy ......... : 17 + 7 + 2 = 26 Gesamtpunkte (2.668 Spielminuten / 103 Min. pro Scorer)
02. Beier ................ : 9 + 6 + 5 = 20 Gesamtpunkte (2.145 Spielminuten / 107 Min. pro Scorer)
03. Adeyemi .......... : 9 + 5 + 4 = 18 Gesamtpunkte (1.742 Spielminuten / . 97 Min. pro Scorer)
04. Brandt ........... : 10 + 3 + 3 = 16 Gesamtpunkte (1.807 Spielminuten / 113 Min. pro Scorer)
04. Ryerson ......... : 0 + 14 + 2 = 16 Gesamtpunkte (2.369 Spielminuten / 148 Min. pro Scorer)
06. Nmecha ........... : 6 + 3 + 4 = 13 Gesamtpunkte (2.940 Spielminuten / 226 Min. pro Scorer)
07. Couto ............... : 2 + 3 + 5 = 10 Gesamtpunkte (1.493 Spielminuten / 149 Min. pro Scorer)
08. Silva ................... : 3 + 6 + 0 = 9 Gesamtpunkte ( . 960 Spielminuten / 107 Min. pro Scorer)
08. Schlotterbeck .... : 4 + 2 + 3 = 9 Gesamtpunkte (2.570 Spielminuten / 286 Min. pro Scorer)
08. Svensson ........... : 4 + 2 + 3 = 9 Gesamtpunkte (3.048 Spielminuten / 339 Min. pro Scorer)
11. Sabitzer ............. : 1 + 4 + 2 = 7 Gesamtpunkte (1.807 Spielminuten / 258 Min. pro Scorer)
11. Bellingham ........ : 0 + 3 + 4 = 7 Gesamtpunkte (1.998 Spielminuten / 285 Min. pro Scorer)
13. Chukwuemeka .. : 4 + 2 + 0 = 6 Gesamtpunkte ( . 979 Spielminuten / 163 Min. pro Scorer)
13. Anton ................. : 3 + 0 + 3 = 6 Gesamtpunkte (3.207 Spielminuten / 535 Min. pro Scorer)
15. Groß ................... : 0 + 2 + 2 = 4 Gesamtpunkte (.. 732 Spielminuten / 183 Min. pro Scorer)
15. Bensebaini: ........ : 3 + 1 + 0 = 4 Gesamtpunkte (2.033 Spielminuten / 508 Min. pro Scorer)
17. Anselmino .......... : 1 + 1 + 1 = 3 Gesamtpunkte ( . 564 Spielminuten / 188 Min. pro Scorer)
17. Can ..................... : 3 + 0 + 0 = 3 Gesamtpunkte ( . 980 Spielminuten / 327 Min. pro Scorer)
19. Süle ..................... : 1 + 1 + 0 = 2 Gesamtpunkte ( .587 Spielminuten / 293 Min. pro Scorer)
20. Mane ................... : 0 + 0 + 1 = 1 Gesamtpunkt . ( . 311 Spielminuten / 311 Min. pro Scorer)
20. Reggiani .............. : 1 + 0 + 0 = 1 Gesamtpunkt . ( . 290 Spielminuten / 290 Min. pro Scorer)
_________________________________________
Scorer und Quoten (Sobald eine Quote angegeben wird, werden nur Spieler berücksichtigt, die mindestens 25% der möglichen Spielzeit von 3540 Minuten in 39 Pflichtspielen = 885 Spielminuten im Einsatz waren).
Platzierung - Name | BVB-TM-Scorerquote | Spielposition
01. Adeyemi ............... | .. 97 Min. | MS, HS, RA
02. Guirassy ................ | 103 Min. | MS
03. Beier ..................... | 107 Min. | MS, HS, LA
03. Silva ...................... | 107 Min. | MS
05. Brandt .................. | 113 Min. | OM
06. Ryerson ................ | 148 Min. | RV
07. Couto .................... | 149 Min. | RV, RM
08. Chukwuemeka ..... | 163 Min. | ZM
09. Nmecha ................ | 226 Min. | ZM
10. Sabitzer ................ | 258 Min. | ZM
11. Can ........................ | 282 Min. | IV, DM
12. Bellingham ........... | 285 Min. | ZM
13. Schlotterbeck ....... | 327 Min. | IV
14. Svensson ............... | 339 Min. | LV, LM
15. Bensebaini ............ | 508 Min. | LV
16. Anton ..................... | 535 Min. | IV
Tore
01. Guirassy 17
02. Brandt 10
03. Adeyemi 9
03. Beier 9
05. Nmecha 6
06. Chukwuemeka 4
06. Schlotterbeck 4
06. Svensson 4
09. Anton 3
09. Bensebaini 3
09. Can 3
09. Silva 3
13. Couto 2
14. Anselmino 1
14. Reggiani 1
14. Sabitzer 1
14. Süle 1
Torvorbereitung (Assists + Pre-Assists)
01. Ryerson 16
02. Beier 11
03. Adeyemi 9
03. Guirassy 9
05. Couto 8
06. Bellingham 7
06. Nmecha 7
08. Brandt 6
08. Sabitzer 6
08. Silva 6
11. Schlotterbeck 5
11. Svensson 5
13. Groß 4
14. Anton 3
15. Anselmino 2
15. Chukwuemeka 2
17. Bensebaini 1
17. Mane 1
17. Süle 1
Tore + Assists (meist benutzte Scorerzählung in der medialen Sportberichterstattung, in Klammern Scorer pro Einsatzminuten = Scorerquote)
01. Guirassy ......... 24 (111 Min.)
02. Beier ............... 15 (143 Min.)
03. Adeyemi ......... 14 (124 Min.)
04. Ryerson .......... 14 (169 Min.)
05. Brandt ............ 13 (139 Min.)
06. Silva .................. 9 (107 Min.)
07. Nmecha ............ 9 (327 Min.)
08. Chukwuemeka . 6 (163 Min.)
09. Schlotterbeck ... 6 (428 Min.)
10. Svensson .......... 6 (508 Min.)
11. Couto ................ 5 (299 MIn.)
12. Sabitzer ............ 5 (361 Min.)
13. Bensebaini ....... 4 (508 Min.)
14. Can ................... 3 (327 Min.)
15. Bellingham ....... 3 (666 Min.)
16. Anton ................ 3 (1.069 Min.)
___________________________________________
Einsatzzeiten in Minuten und Prozent von 3.540 möglichen Spielminuten
01. Kobel ............... | 3.540 Min. | 100%
02. Anton ............... | 3.207 Min. | . 91%
03. Svensson ......... | 3.048 Min. | . 86 %
04. Nmecha ........... | 2.940 Min. | . 83%
05. Guirassy ........... | 2.668 Min. | . 75%
06. Schlotterbeck .. | 2.570 Min. | . 73%
07. Ryerson ............ | 2.369 Min. | . 67%
08. Beier ................. | 2.145 Min. | . 61%
09. Bensebaini ....... | 2.033 Min. | . 57%
10. Bellingham ...... | 1.998 Min. | . 56%
11. Sabitzer ............ | 1.807 Min. | . 51%
11. Brandt .............. | 1.807 Min. | . 51%
13. Adeyemi............ | 1.742 Min. | . 49%
14. Couto ................ | 1.493 Min. | . 42%
15. Can ...................... | 980 Min. | . 28%
16. Chukwuemeka .... | 979 Min. | . 28%
17. Silva ..................... | 960 Min. | . 27%
18. Groß ..................... | 732 Min. | . 21%
19. Süle ...................... | 587 MIn. | . 17%
20. Anselmino ............ | 564 Min. | . 16%
21. Mane .................... | 311 Min. | ... 9%
22. Reggiani ............... | 290 Min. | ... 8%
23. Özcan ................... | . 32 Min. | ... 1 %
24. Campbell ............. | . 16 Min. | . 0,5%
Nicht eingesetzt wurden bisher Kabar sowie die Ersatztorhüter Drewes, Meyer und Ostrzinski. Groß hat den Verein verlassen, Campbell und Duranville sind inzwischen verliehen worden.
_________________________________________________
Bundesliga nach 26 von 34 Spielen
Tabellenplatz, Verein, Punkte, Tordifferenz
1. Bayern München .... 67 +68
2. Borussia Dortmund 58 +29
3. TSG Hoffenheim. .... 50 +20
4. VFB Stuttgart .......... 50 +17
3. RB Leipzig ............... 47 +13
6. Bayer Leverkusen ... 45 +16
BVB-Tabellenplatzentwicklung: 8, 4, 2, 2, 2, 2, 4, 4, 3, 3, 4, 3, 3, 3, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2
Nächstes Bundesligapiel: 21.03.2026 Borussia Dortmund - Hamburger SV
Champions League
In den Playoffs ist der BVB gegen Atalanta Bergamo ausgeschieden (2:0, 1:4).
DFB-Pokal
Aus dem DFB-Pokal ist der BVB im Achtelfinale gegen Bayer Leverkusen ausgeschieden (0:1).
_____________________________________________
⚽ - Tor
⭐ - Assist
♐ - Pre-Assist
_____________________________________________
1. Pflichtspiel 19.08.2025 / DFB-Pokal, 1. Runde: Rot-Weiss Essen - Borussia Dortmund 0:1
0:1 ⚽: Guirassy | ⭐: Bensebaini | ♐: Anton
2. Pflichtspiel 23.08.2025 / 1. Bundesligaspiel: FC St. Pauli - Borussia Dortmund 3:3
0:1 ⚽: Guirassy | ⭐: Sabitzer | ♐: Bellingham
1:2 ⚽: Anton | ⭐: Nmecha | ♐: Svensson
1:3 ⚽: Brandt | ⭐: Groß | ♐: Mane
3. Pflichtspiel 31.08.2025 / 2. Bundesligaspiel: Borussia Dortmund - Union Berlin 3:0
1:0 ⚽: Guirassy | ⭐: Couto | ♐: Anselmino
2:0 ⚽: Guirassy | ⭐: Beier | ♐: Guirassy
3:0 ⚽: Nmecha | ⭐: | ♐:
4. Pflichtspiel 13.09.2025 / 3. Bundesligaspiel: FC Heidenheim - Borussia Dortmund 0:2
0:1 ⚽: Guirassy | ⭐: Ryerson | ♐: Couto
0:2 ⚽: Beier | ⭐: Adeyemi | ♐: Ryerson
5. Pflichtspiel 17.09.2025 / 1. Spieltag Champions League: Juventus FC - Borussia Dortmund 4:4
0:1 ⚽: Adeyemi | ⭐: Guirassy | ♐: Nmecha
1:2 ⚽: Nmecha | ⭐: Adeyemi | ♐: Couto
2:3 ⚽: Couto | ⭐: Sabitzer | ♐:
2:4 ⚽: Bensebaini | ⭐: Guirassy | ♐:
6. Pflichtspiel 21.09.2025 / 4. Bundesligaspiel: Borussia Dortmund - VFL Wolfsburg 1:0
1:0 ⚽: Adeyemi | ⭐: Ryerson | ♐: Sabitzer
7. Pflichtspiel 27.09.2015 / 5. Bundesligaspiel: 1. FSV Mainz 05 - Borussia Dortmund 0:2
0:1 ⚽: Svensson | ⭐: Brandt | ♐: Beier
0:2 ⚽: Adeyemi | ⭐: Brandt | ♐: Adeyemi
8. Pflichtspiel | 01.10.2025 / 2. Spieltag Champions League: Borussia Dortmund - Athletic Club Bilbao 4:1
1:0 ⚽: Svensson | ⭐: Adeyemi | ♐: Ryerson
2:0 ⚽: Chukwuemeka | ⭐: Guirassy | ♐: Sabitzer
3:1 ⚽: Guirassy | ⭐: Sabitzer | ♐: Anton
4:1 ⚽: Brandt | ⭐: Beier | ♐: Nmecha
9. Pflichtspiel 04.10.2025 / 6. Bundesligaspiel: Borussia Dortmund - RB Leipzig 1:1
1:1 ⚽: Couto | ⭐: Guirassy | ♐: Beier
10. Pflichtspiel 18.10.2025 / 7. Bundesligaspiel: FC Bayern München - Borussia Dortmund 2:1
2:1 ⚽: Brandt | ⭐: Ryerson | ♐: Schlotterbeck
11. Pflichtspiel 21.10.2025 | 3. Spieltag Champions League: FC Kopenhagen - Borussia Dortmund 2:4
0:1 ⚽: Nmecha | ⭐: Bellingham | ♐: Guirassy
1:2 ⚽: Bensebaini | ⭐: Guirassy | ♐:
1:3 ⚽: Nmecha | ⭐: Chukwuemeka |♐:
1:4 ⚽: Silva | ⭐: | ♐:
12. Pflichtspiel 25.10.2025 / 8. Bundesligaspiel: Borussia Dortmund - 1. FC Köln 1:0
1:0 ⚽: Beier | ⭐: Silva | ♐ : Schlotterbeck
13. Pflichtspiel 28.10.2025 | DFB-Pokal, 2. Runde: Eintracht Frankfurt - Borussia Dortmund 3:5 n.V. i.E.
1:1 ⚽: Brandt | ⭐: Ryerson | ♐ : Bellingham
Elfmeterschießen:
1:2 ⚽: Silva
2:3 ⚽: Süle
2:4 ⚽: Chukwuemeka
3:5 ⚽: Nmecha
14. Pflichtspiel 31.10.2025 / 9. Bundesligaspiel: FC Augsburg - Borussia Dortmund 0:1
0:1 ⚽: Guirassy | ⭐: | ♐:
15. Pflichtspiel 05.11.2025 / 4. Spieltag Champions League: Manchester City - Borussia Dortmund 4:1
3:1 ⚽: Anton | ⭐: Ryerson | ♐: Groß
16. Pflichtspiel 08.11.2025 / 10. Bundesligaspiel: Hamburger SV - Borussia Dortmund 1:1
0:1 ⚽: Chukwuemeka | ⭐: Schlotterbeck | ♐:
17. Pflichtspiel 22.11.2025 / 11. Bundesligaspiel: Borussia Dortmund - VFB Stuttgart 3:3
1:0 ⚽: Can | ⭐: Schlotterbeck / ♐:
2:0 ⚽: Beier | ⭐: | ♐:
3:2 ⚽: Adeyemi | ⭐: Beier | ♐: Adeyemi
18. Pflichtspiel 25.11.2025 / 5. Spieltag Champions League: Borussia Dortmund - Villarreal FC 4:0
1:0 ⚽: Guirassy | ⭐: Anselmino | ♐: Anton
2:0 ⚽: Guirassy | ⭐: | ♐:
3:0 ⚽: Adeyemi | ⭐: | ♐:
4:0 ⚽: Svensson | ⭐: Groß | ♐: Bellingham
19. Pflichtspiel 29.11.2025 / 12. Bundesligaspiel: Bayer Leverkusen - Borussia Dortmund 1:2
0:1 ⚽: Anselmino | ⭐: Svensson | ♐:
0:2 ⚽: Adeyemi | ⭐: Silva | ♐:
20. Pflichtspiel 02.12.2025 / DFB-Pokal Achtelfinale: Borussia Dortmund - Bayer Leverkusen 0:1
-
21. Pflichtspiel 07.12.2025 / 13. Bundesligaspiel: Borussia Dortmund - TSG Hoffenheim 2:0
1:0 ⚽: Brandt | ⭐: Couto | ♐: Adeyemi
2:0 ⚽: Schlotterbeck | ⭐: Nmecha | ♐: Couto
22. Pflichtspiel 10.12.2025 / 6. Spieltag Champions League: Borussia Dortmund - FK Bodø/Glimt 2:2
1:0 ⚽: Brandt | ⭐: Silva | ♐:
2:1 ⚽: Brandt | ⭐: | ♐:
23. Pflichtspiel 14.12.2025 / 14. Bundesligaspiel: SC Freiburg - Borussia Dortmund 1:1
0:1 ⚽: Bensebaini | ⭐: Couto | ♐:
24. Pflichtspiel 19.12.2025 /15. Bundesligaspiel: Borussia Dortmund - Borussia M'gladbach 2:0
1:0 ⚽: Brandt | ⭐: Süle | ♐: Groß
2:0 ⚽: Beier | ⭐: Silva | ♐: Couto
25. Pflichtspiel 09.01.2026 / 16. Bundesligaspiel: Eintracht Frankfurt - Borussia Dortmund 3:3
0:1 ⚽: Beier | ⭐: Ryerson | ♐: Schlotterbeck
1:2 ⚽: Nmecha | ⭐: | ♐:
3:3 ⚽: Chukwuemeka | ⭐: | ♐:
26. Pflichtspiel 13.01.2026 / 17. Bundesligaspiel: Borussia Dortmund - Werder Bremen 3:0
1:0 ⚽: Schlotterbeck | ⭐: Ryerson | ♐:
2:0 ⚽: Sabitzer | ⭐: Nmecha | ♐: Svensson
3:0 ⚽: Guirassy | ⭐: Bellingham |
27. Pflichtspiel 17.01.2026 / 18. Bundesligaspiel: Borussia Dortmund - FC St. Pauli 3:2
1:0 ⚽: Brandt | ⭐: Adeyemi | ♐ : Bellingham
2:0⚽: Adeyemi | ⭐: Silva | ♐ : Brandt
3:2 ⚽: Can | ⭐: Beier | ♐ :
28. Pflichtspiel 20.01.2016 / 7. Spieltag Champions League: Tottenham Hotspurs - Borussia Dortmund 2:0
-
29. Pflichtspiel 25.01.2026 / 19. Bundesligaspiel: Union Berlin - Borussia Dortmund 0:3
0:1 ⚽: Can | ⭐: Guirassy | ♐
0:2 ⚽: Schlotterbeck | ⭐: Ryerson ♐:
0:3 ⚽: Beier | ⭐: Bellingham | ♐:
30.Pflichtspiel 28.01.2026 7 8. Spieltag ´Champions League: Borussia Dortmund - Inter Mailand 0:2
-
31. Pflichtspiel 01.02.2026 / 20. Bundesligaspiel: Borussia Dortmund - FC Heidenheim 3:2
1:0 ⚽:Anton | ⭐: | ♐:
2:2 ⚽: Guirassy | ⭐: | ♐:
3:2 ⚽: Guirassy | ⭐: Beier | ♐: Brandt
32. Pflichtspiel 07.02.2026 / 21. Bundesligaspiel: VFL Wolfsburg - Borussia Dortmund 1:2
0:1 ⚽: Brandt | ⭐: Ryerson | ♐:
1:2 ⚽: Guirassy | ⭐: Silva | ♐: Nmecha
33. Pflichtspiel 13.02.2026 / 22. Bundesligaspiel: Borussia Dortmund - 1. FSV Mainz 05 4:0
1:0 ⚽: Guirassy | ⭐: Ryerson | ♐:
2:0 ⚽: Beier | ⭐: Ryerson | ♐:
3:0 ⚽: Guirassy | ⭐: Ryerson | ♐:
(4:0 Eigentor)
34. Pflichtspiel 17.03.2026 / CL-Playoffs Hinspiel: Borussia Dortmund - Atalanta Bergamo 2:0
1:0 ⚽: Guirassy | ⭐: Ryerson | ♐: Beier
2:0 ⚽: Beier | ⭐: Guirassy | ♐: Nmecha
35. Pflichtspiel 21.02.2026 / 23. Bundesligaspiel: RB Leipzig - Borussia Dortmund 2:2
(2:1 Eigentor)
2:2 ⚽: Silva | ⭐: Adeyemi | ♐: Brandt
36. Pflichtspiel 25.02.2026 / CL-Playoffs Rückspiel: Atalanta Bergamo - Borussia Dortmund 4:1
3:1 ⚽: Adeyemi | ⭐: Chukwuemeka | ♐: Adeyemi
37. Pflichtspiel 28.02.2026 / 24. Bundesligaspiel: Borussia Dortmund - FC Bayern München
1:0 ⚽: Schlotterbeck | ⭐: Svensson | ♐:
2:2 ⚽: Svensson | ⭐: Sabitzer | ♐: Couto
38. Pflichtspiel 08.03.2026 / 25. Bundesligaspiel: 1. FC Köln - Borussia Dortmund 1:2
0:1 ⚽: Guirassy | ⭐: Beier | ♐:
0:2 ⚽: Beier | ⭐: Brandt | ♐: Beier
39. Pflichtspiel 14.03.2026 / 26. Bundesligaspiel: Borussia Dortmund - FC Augsburg 2:0
1:0 ⚽: Adeyemi | ⭐: Beier | ♐: Svensson
2:0 ⚽: Reggiani | ⭐: Ryerson | ♐:
__________________________________________
Ranglisten
Gesamtscorer (Tore, Assists, Pre-Assists)
Guirassy .......... (⚽⚽⚽⚽♐⚽⭐⭐⭐⚽⭐♐⭐⚽⚽⚽⚽⭐⚽⚽⚽⚽⚽⚽⭐⚽) +26
Beier ................ (♐⚽♐⭐♐⚽⚽⭐⚽⚽⭐⚽⭐⚽♐⚽⭐⚽♐⭐) +20
Adeyemi .......... (⭐⚽⭐⚽⚽♐⭐⚽♐⚽⚽♐⭐⚽⭐⚽♐⚽) +18
Brandt ............. (⚽⭐⭐⚽⚽⚽⚽⚽⚽⚽⚽♐♐ ⚽♐⭐) +16
Ryerson ........... (⭐♐⭐♐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐) +16
Nmecha .......... (⭐⚽♐⚽♐⚽⚽⚽⭐⚽⭐♐♐) +13
Couto .............. (⭐♐♐⚽⚽⭐♐⭐♐♐) +10
Schlotterbeck .. (♐♐⭐⭐⚽♐⚽⚽⚽) +9
Silva ................. (⚽⚽⭐⭐⭐⭐⭐⭐⚽) +9
Svensson ......... (♐⚽⚽⚽⭐♐⭐⚽♐) +9
Bellingham ..... (♐⭐♐♐⭐♐⭐ ) +7
Sabitzer .......... (⭐⭐♐♐⭐⚽⭐) +7
Anton .............. (♐⚽♐⚽♐⚽) +6
Chukwuemeka (⚽⭐⚽⚽⚽⭐) +6
Bensebaini ...... (⭐⚽⚽⚽) +4
Groß ................. (⭐♐⭐♐) +4
Anselmino ....... (♐⭐⚽) +3
Can ................... (⚽⚽⚽) +3
Süle .................. (⚽⭐) +2
Mane ................ (♐) +1
Reggiani .......... (⚽) +1
Platzierung - Name - Tore + Assists + Pre-Assists = Gesamtpunkte (Spielzeit / BVB-TM-Scorerquote)
01. Guirassy ......... : 17 + 7 + 2 = 26 Gesamtpunkte (2.668 Spielminuten / 103 Min. pro Scorer)
02. Beier ................ : 9 + 6 + 5 = 20 Gesamtpunkte (2.145 Spielminuten / 107 Min. pro Scorer)
03. Adeyemi .......... : 9 + 5 + 4 = 18 Gesamtpunkte (1.742 Spielminuten / . 97 Min. pro Scorer)
04. Brandt ........... : 10 + 3 + 3 = 16 Gesamtpunkte (1.807 Spielminuten / 113 Min. pro Scorer)
04. Ryerson ......... : 0 + 14 + 2 = 16 Gesamtpunkte (2.369 Spielminuten / 148 Min. pro Scorer)
06. Nmecha ........... : 6 + 3 + 4 = 13 Gesamtpunkte (2.940 Spielminuten / 226 Min. pro Scorer)
07. Couto ............... : 2 + 3 + 5 = 10 Gesamtpunkte (1.493 Spielminuten / 149 Min. pro Scorer)
08. Silva ................... : 3 + 6 + 0 = 9 Gesamtpunkte ( . 960 Spielminuten / 107 Min. pro Scorer)
08. Schlotterbeck .... : 4 + 2 + 3 = 9 Gesamtpunkte (2.570 Spielminuten / 286 Min. pro Scorer)
08. Svensson ........... : 4 + 2 + 3 = 9 Gesamtpunkte (3.048 Spielminuten / 339 Min. pro Scorer)
11. Sabitzer ............. : 1 + 4 + 2 = 7 Gesamtpunkte (1.807 Spielminuten / 258 Min. pro Scorer)
11. Bellingham ........ : 0 + 3 + 4 = 7 Gesamtpunkte (1.998 Spielminuten / 285 Min. pro Scorer)
13. Chukwuemeka .. : 4 + 2 + 0 = 6 Gesamtpunkte ( . 979 Spielminuten / 163 Min. pro Scorer)
13. Anton ................. : 3 + 0 + 3 = 6 Gesamtpunkte (3.207 Spielminuten / 535 Min. pro Scorer)
15. Groß ................... : 0 + 2 + 2 = 4 Gesamtpunkte (.. 732 Spielminuten / 183 Min. pro Scorer)
15. Bensebaini: ........ : 3 + 1 + 0 = 4 Gesamtpunkte (2.033 Spielminuten / 508 Min. pro Scorer)
17. Anselmino .......... : 1 + 1 + 1 = 3 Gesamtpunkte ( . 564 Spielminuten / 188 Min. pro Scorer)
17. Can ..................... : 3 + 0 + 0 = 3 Gesamtpunkte ( . 980 Spielminuten / 327 Min. pro Scorer)
19. Süle ..................... : 1 + 1 + 0 = 2 Gesamtpunkte ( .587 Spielminuten / 293 Min. pro Scorer)
20. Mane ................... : 0 + 0 + 1 = 1 Gesamtpunkt . ( . 311 Spielminuten / 311 Min. pro Scorer)
20. Reggiani .............. : 1 + 0 + 0 = 1 Gesamtpunkt . ( . 290 Spielminuten / 290 Min. pro Scorer)
_________________________________________
Scorer und Quoten (Sobald eine Quote angegeben wird, werden nur Spieler berücksichtigt, die mindestens 25% der möglichen Spielzeit von 3540 Minuten in 39 Pflichtspielen = 885 Spielminuten im Einsatz waren).
Platzierung - Name | BVB-TM-Scorerquote | Spielposition
01. Adeyemi ............... | .. 97 Min. | MS, HS, RA
02. Guirassy ................ | 103 Min. | MS
03. Beier ..................... | 107 Min. | MS, HS, LA
03. Silva ...................... | 107 Min. | MS
05. Brandt .................. | 113 Min. | OM
06. Ryerson ................ | 148 Min. | RV
07. Couto .................... | 149 Min. | RV, RM
08. Chukwuemeka ..... | 163 Min. | ZM
09. Nmecha ................ | 226 Min. | ZM
10. Sabitzer ................ | 258 Min. | ZM
11. Can ........................ | 282 Min. | IV, DM
12. Bellingham ........... | 285 Min. | ZM
13. Schlotterbeck ....... | 327 Min. | IV
14. Svensson ............... | 339 Min. | LV, LM
15. Bensebaini ............ | 508 Min. | LV
16. Anton ..................... | 535 Min. | IV
Tore
01. Guirassy 17
02. Brandt 10
03. Adeyemi 9
03. Beier 9
05. Nmecha 6
06. Chukwuemeka 4
06. Schlotterbeck 4
06. Svensson 4
09. Anton 3
09. Bensebaini 3
09. Can 3
09. Silva 3
13. Couto 2
14. Anselmino 1
14. Reggiani 1
14. Sabitzer 1
14. Süle 1
Torvorbereitung (Assists + Pre-Assists)
01. Ryerson 16
02. Beier 11
03. Adeyemi 9
03. Guirassy 9
05. Couto 8
06. Bellingham 7
06. Nmecha 7
08. Brandt 6
08. Sabitzer 6
08. Silva 6
11. Schlotterbeck 5
11. Svensson 5
13. Groß 4
14. Anton 3
15. Anselmino 2
15. Chukwuemeka 2
17. Bensebaini 1
17. Mane 1
17. Süle 1
Tore + Assists (meist benutzte Scorerzählung in der medialen Sportberichterstattung, in Klammern Scorer pro Einsatzminuten = Scorerquote)
01. Guirassy ......... 24 (111 Min.)
02. Beier ............... 15 (143 Min.)
03. Adeyemi ......... 14 (124 Min.)
04. Ryerson .......... 14 (169 Min.)
05. Brandt ............ 13 (139 Min.)
06. Silva .................. 9 (107 Min.)
07. Nmecha ............ 9 (327 Min.)
08. Chukwuemeka . 6 (163 Min.)
09. Schlotterbeck ... 6 (428 Min.)
10. Svensson .......... 6 (508 Min.)
11. Couto ................ 5 (299 MIn.)
12. Sabitzer ............ 5 (361 Min.)
13. Bensebaini ....... 4 (508 Min.)
14. Can ................... 3 (327 Min.)
15. Bellingham ....... 3 (666 Min.)
16. Anton ................ 3 (1.069 Min.)
___________________________________________
Einsatzzeiten in Minuten und Prozent von 3.540 möglichen Spielminuten
01. Kobel ............... | 3.540 Min. | 100%
02. Anton ............... | 3.207 Min. | . 91%
03. Svensson ......... | 3.048 Min. | . 86 %
04. Nmecha ........... | 2.940 Min. | . 83%
05. Guirassy ........... | 2.668 Min. | . 75%
06. Schlotterbeck .. | 2.570 Min. | . 73%
07. Ryerson ............ | 2.369 Min. | . 67%
08. Beier ................. | 2.145 Min. | . 61%
09. Bensebaini ....... | 2.033 Min. | . 57%
10. Bellingham ...... | 1.998 Min. | . 56%
11. Sabitzer ............ | 1.807 Min. | . 51%
11. Brandt .............. | 1.807 Min. | . 51%
13. Adeyemi............ | 1.742 Min. | . 49%
14. Couto ................ | 1.493 Min. | . 42%
15. Can ...................... | 980 Min. | . 28%
16. Chukwuemeka .... | 979 Min. | . 28%
17. Silva ..................... | 960 Min. | . 27%
18. Groß ..................... | 732 Min. | . 21%
19. Süle ...................... | 587 MIn. | . 17%
20. Anselmino ............ | 564 Min. | . 16%
21. Mane .................... | 311 Min. | ... 9%
22. Reggiani ............... | 290 Min. | ... 8%
23. Özcan ................... | . 32 Min. | ... 1 %
24. Campbell ............. | . 16 Min. | . 0,5%
Nicht eingesetzt wurden bisher Kabar sowie die Ersatztorhüter Drewes, Meyer und Ostrzinski. Groß hat den Verein verlassen, Campbell und Duranville sind inzwischen verliehen worden.
_________________________________________________
Bundesliga nach 26 von 34 Spielen
Tabellenplatz, Verein, Punkte, Tordifferenz
1. Bayern München .... 67 +68
2. Borussia Dortmund 58 +29
3. TSG Hoffenheim. .... 50 +20
4. VFB Stuttgart .......... 50 +17
3. RB Leipzig ............... 47 +13
6. Bayer Leverkusen ... 45 +16
BVB-Tabellenplatzentwicklung: 8, 4, 2, 2, 2, 2, 4, 4, 3, 3, 4, 3, 3, 3, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2
Nächstes Bundesligapiel: 21.03.2026 Borussia Dortmund - Hamburger SV
Champions League
In den Playoffs ist der BVB gegen Atalanta Bergamo ausgeschieden (2:0, 1:4).
DFB-Pokal
Aus dem DFB-Pokal ist der BVB im Achtelfinale gegen Bayer Leverkusen ausgeschieden (0:1).
_____________________________________________
⚽ - Tor
⭐ - Assist
♐ - Pre-Assist
09.04.2026 - 15:24 Uhr
Zitat von djhaax
Ja, da sind wir wieder bei den xGoals.
Die im Bezug auf ihre statistische Signifikanz zu prüfen, ist in meinen Augen schwierig. Bzw. ist für mich schwer zu verstehen. Wenn wenn man die abhängige Variable als "Spielausgang Sieg, Unentschieden oder Niederlage" definiert und die xGoals als unabhänige Variable nimmt, so müsste man diese dann gegen eine Vergleichsgröße, z.B. die Zahl der Torchancen, testen und idealerweise noch gegen einen Zufallsgenerator. Dazu bräuchte man ein Modell, indem man anhand der Test- und Kontrollgruppen schaut, inwieweit die entsprechenden Werte mit dem Spielausgang korrelieren und ob sie gegenüber dem Zufallsprodukt signifikant genauer sind. Und dann kann man noch sagen, ob die xGoals z.B. gegenüber der z.B. Torschussstatisktik signifikant, meinetwegen p<0,5, genauer in der Vorhersage des Spielausganges sind. Was ich dann noch spannend fände wäre, wenn man es gegen Expertenmeinung testet. D.h. Experten gucken z.B. ein Spiel (am besten aus einer unbekannten Liga mit unbekannten Vereinen), nur die Tore werden herausgeschnitten, dazu baut man im Spiel z.B. Zehn Schnitte ein, sodass man aus den Schnitten keine Rückschlüssen auf das Ergebnis ziehen kann. Im Anschluss sollen die dann sagen, wer das Spiel gewonnen hat und wer die bessere Mannschaft gewesen ist.
Das grundsätzliche Problem beim Fußball ist und bleibt aber die Besonderheit, dass nur wenige Tore über den Spielausgang entscheiden. Dies bedeutet, dass man z.B. nicht sagen kann, dass die bessere Mannschaft immer gewinnt. Die xGoals sollen, zumindest meinem Verständnis nach, eine Krücke sein, um annähernd defeinieren zu können, wer denn nun die bessere Mannschaft in dem Spiel gewesen ist, um den Verantwortlichen einen objektiven Wert an die Hand zu geben. Krücke deshalb, weil es derartig viele Einflussgrößen auf "bessere Mannschaft" gibt, die überhaupt nicht berücksichtigt werden, sodass man sich dem nur annähern und schauen kann, ob es im Großen und Ganzen passt.
In den meisten wissenschaftlichen Untersuchungen würde man es nicht aktzeptieren, dass man diverse Einflussgrößen schlicht ingoriert. Daher ist dieser xGoals und seine Bedeutung für die Fußballwert für mich nur schwer nachzuvollziehen. Im Labor würde man versuchen, Störgrößen so gut es geht zu eliminieren oder aber wenn nicht möglich, diese in die Gleichung mit einzubeziehen.
Ich bin mir auch sehr sicher, dass es in dieser Branche Dienstleister gibt, die genau dies auch schon tun und es da für die Vereine für gutes Geld entsprechend belastbare Statisktiken gibt. Denn letztlich sind wir hier ja nur Forenmokel, die sich da Gedanken machen.
Aber wenn ich mal Zeit habe, suche ich mal eine Statistik Nerd Forum und frage da nach, ob man die xGoals sinnvoll auf ihr Signifikanzniveau testen könnte.
Zitat von mba123
Ich denke, hier ginge es darum, ob die Abweichung zu den xPoints allein durch Zufall erklärbar wäre.
Die Annahme/Nullhypothese wäre dann beispielsweise, dass die Abweichung zu den xPoints zu groß ist, um durch Zufall erkärt werden zu können; also Glück und Pech im Abschluss (weil wir uns ja nur auf xG-Werte beziehen) nicht für diese Diskrepanz zwischen realer Punkteausbeute und xPoints sorgen können.
Man wählt dann ein Signifikanz Niveau, oft beispielsweise 5 %. Das gibt an, welche Irrtumswahrscheinlichkeit man akzeptiert. Also, wenn am Ende die Abweichung mit weniger als 5 % Wahrscheinlichkeit durch Zufall erklärt werden kann, dann wäre die Abweichung signifikant. Man ginge in diesem Fall also davon aus, dass die Abweichung zu den xPoints Methode hat und wahre Leistung dahintersteckt.
Das Problem liegt hier darin, den Zufall zu modellieren und sich auf Annahmen zu einigen. Beispielsweise denke ich auch, dass es einen Bias zu den xPoints gibt. Dann würde man nicht die Abweichung zu den xPoints nehmen, sondern zu den xPoints plus Bias. Der Bias ist aber nicht bestimmt, hier müsste man etwas annehmen.
Kompliziert wird es aber erst beim Zufall. Wie stellt man den Zufall hier da? Die xG-Werte liefern hierzu eigentlich die gewollte Grundlage. Aber hier wird der Nutzen dieser angezweifelt. Dann werden sie wohl eher nicht akzeptiert werden für die Berechnungen, oder? Wobei die Wahrscheinlichkeit, dass wir 64 (aktueller Punktestand) oder mehr Punkte holen, bisher aus den xG-Werten noch nicht berechnet wurde. Vielleicht sind 64 Punkte ja eine signifikante Abweichung, wenn man die xG-Werte heranzieht. Das kann ich nicht sagen. Das zu berechnen bzw. die xG-Daten einzusammeln, ist recht aufwendig.
Allgemein sieht man aber regelmäßig größere Abweichungen zu den xPoints bei Mannschaften. Das spricht dafür, dass solche Abweichungen nicht signifikant sind. Denn auch wenn es Mannschaften gibt, die methodisch von den xPoints abweichen, so sollte das wahrscheinlich nicht für alle gelten. Das hieße dann eben, dass solche Abweichungen durch Zufall entstehen können. Oder sind doch alle Abweichungen durch Leistung begründet?
Auch kann man selber Annahmen treffen, um eine Vorstellung vom Einfluss durch Zufall zu bekommen. Was wäre beispielsweise, wenn alle Mannschaften gleich stark wären und jedes Spiel zufällig mit Sieg, Unentschieden oder Niederlage enden würde?
Auch dann käme es zu großen Unterschieden in den Punkteausbeuten. So würde man den Tabellenersten dann wohl ca. bei 59 Punkten erwarten und den Letzten bei 32 (die Angaben sind nicht exakt, aber wohl eine gute Schätzung). Also 27 Punkte Unterschied zwischen diesen, obwohl beide Mannschaften exakt gleich gut sind.
Aber das ist eben ein Spezial- und Extremfall. Dieser zeigt aber wiederum, dass unsere Überperformance nicht erwartbar ist. Denn auch in diesem Extremfall ist die Abweichung vom Mittelwert, also im Prinzip den xPoints, nicht größer als bei uns. Das macht es unwahrscheinlicher, dass wir bei uns allein von Glück als Erklärung ausgehen können. Aber je nachdem wie groß man den Bias annimmt, den Topteams haben, ist Zufall dann wieder eine Erklärung für die restliche Überperformance.
Ich denke, dass ist dann letztendlich auch die eigentliche Frage, nicht ober wir überperformen, sondern wie viel.
PS: Einen Signifikanz Test mit den xG-Werten als Grundlage, würde ich gerne sehen. Vielleicht macht das irgendein Statistikportal?
Zitat von djhaax
Statistische Signifikanz ist doch ein interessantes Stichwort. Gibt es hier einen Statistikfuchs, der etwas dazu sagen kann, wie die Signifikanz hier bestimmt und angegeben wird?
Statistische Signifikanz ist doch ein interessantes Stichwort. Gibt es hier einen Statistikfuchs, der etwas dazu sagen kann, wie die Signifikanz hier bestimmt und angegeben wird?
Ich denke, hier ginge es darum, ob die Abweichung zu den xPoints allein durch Zufall erklärbar wäre.
Die Annahme/Nullhypothese wäre dann beispielsweise, dass die Abweichung zu den xPoints zu groß ist, um durch Zufall erkärt werden zu können; also Glück und Pech im Abschluss (weil wir uns ja nur auf xG-Werte beziehen) nicht für diese Diskrepanz zwischen realer Punkteausbeute und xPoints sorgen können.
Man wählt dann ein Signifikanz Niveau, oft beispielsweise 5 %. Das gibt an, welche Irrtumswahrscheinlichkeit man akzeptiert. Also, wenn am Ende die Abweichung mit weniger als 5 % Wahrscheinlichkeit durch Zufall erklärt werden kann, dann wäre die Abweichung signifikant. Man ginge in diesem Fall also davon aus, dass die Abweichung zu den xPoints Methode hat und wahre Leistung dahintersteckt.
Das Problem liegt hier darin, den Zufall zu modellieren und sich auf Annahmen zu einigen. Beispielsweise denke ich auch, dass es einen Bias zu den xPoints gibt. Dann würde man nicht die Abweichung zu den xPoints nehmen, sondern zu den xPoints plus Bias. Der Bias ist aber nicht bestimmt, hier müsste man etwas annehmen.
Kompliziert wird es aber erst beim Zufall. Wie stellt man den Zufall hier da? Die xG-Werte liefern hierzu eigentlich die gewollte Grundlage. Aber hier wird der Nutzen dieser angezweifelt. Dann werden sie wohl eher nicht akzeptiert werden für die Berechnungen, oder? Wobei die Wahrscheinlichkeit, dass wir 64 (aktueller Punktestand) oder mehr Punkte holen, bisher aus den xG-Werten noch nicht berechnet wurde. Vielleicht sind 64 Punkte ja eine signifikante Abweichung, wenn man die xG-Werte heranzieht. Das kann ich nicht sagen. Das zu berechnen bzw. die xG-Daten einzusammeln, ist recht aufwendig.
Allgemein sieht man aber regelmäßig größere Abweichungen zu den xPoints bei Mannschaften. Das spricht dafür, dass solche Abweichungen nicht signifikant sind. Denn auch wenn es Mannschaften gibt, die methodisch von den xPoints abweichen, so sollte das wahrscheinlich nicht für alle gelten. Das hieße dann eben, dass solche Abweichungen durch Zufall entstehen können. Oder sind doch alle Abweichungen durch Leistung begründet?
Auch kann man selber Annahmen treffen, um eine Vorstellung vom Einfluss durch Zufall zu bekommen. Was wäre beispielsweise, wenn alle Mannschaften gleich stark wären und jedes Spiel zufällig mit Sieg, Unentschieden oder Niederlage enden würde?
Auch dann käme es zu großen Unterschieden in den Punkteausbeuten. So würde man den Tabellenersten dann wohl ca. bei 59 Punkten erwarten und den Letzten bei 32 (die Angaben sind nicht exakt, aber wohl eine gute Schätzung). Also 27 Punkte Unterschied zwischen diesen, obwohl beide Mannschaften exakt gleich gut sind.
Aber das ist eben ein Spezial- und Extremfall. Dieser zeigt aber wiederum, dass unsere Überperformance nicht erwartbar ist. Denn auch in diesem Extremfall ist die Abweichung vom Mittelwert, also im Prinzip den xPoints, nicht größer als bei uns. Das macht es unwahrscheinlicher, dass wir bei uns allein von Glück als Erklärung ausgehen können. Aber je nachdem wie groß man den Bias annimmt, den Topteams haben, ist Zufall dann wieder eine Erklärung für die restliche Überperformance.
Ich denke, dass ist dann letztendlich auch die eigentliche Frage, nicht ober wir überperformen, sondern wie viel.
PS: Einen Signifikanz Test mit den xG-Werten als Grundlage, würde ich gerne sehen. Vielleicht macht das irgendein Statistikportal?
Ja, da sind wir wieder bei den xGoals.
Die im Bezug auf ihre statistische Signifikanz zu prüfen, ist in meinen Augen schwierig. Bzw. ist für mich schwer zu verstehen. Wenn wenn man die abhängige Variable als "Spielausgang Sieg, Unentschieden oder Niederlage" definiert und die xGoals als unabhänige Variable nimmt, so müsste man diese dann gegen eine Vergleichsgröße, z.B. die Zahl der Torchancen, testen und idealerweise noch gegen einen Zufallsgenerator. Dazu bräuchte man ein Modell, indem man anhand der Test- und Kontrollgruppen schaut, inwieweit die entsprechenden Werte mit dem Spielausgang korrelieren und ob sie gegenüber dem Zufallsprodukt signifikant genauer sind. Und dann kann man noch sagen, ob die xGoals z.B. gegenüber der z.B. Torschussstatisktik signifikant, meinetwegen p<0,5, genauer in der Vorhersage des Spielausganges sind. Was ich dann noch spannend fände wäre, wenn man es gegen Expertenmeinung testet. D.h. Experten gucken z.B. ein Spiel (am besten aus einer unbekannten Liga mit unbekannten Vereinen), nur die Tore werden herausgeschnitten, dazu baut man im Spiel z.B. Zehn Schnitte ein, sodass man aus den Schnitten keine Rückschlüssen auf das Ergebnis ziehen kann. Im Anschluss sollen die dann sagen, wer das Spiel gewonnen hat und wer die bessere Mannschaft gewesen ist.
Das grundsätzliche Problem beim Fußball ist und bleibt aber die Besonderheit, dass nur wenige Tore über den Spielausgang entscheiden. Dies bedeutet, dass man z.B. nicht sagen kann, dass die bessere Mannschaft immer gewinnt. Die xGoals sollen, zumindest meinem Verständnis nach, eine Krücke sein, um annähernd defeinieren zu können, wer denn nun die bessere Mannschaft in dem Spiel gewesen ist, um den Verantwortlichen einen objektiven Wert an die Hand zu geben. Krücke deshalb, weil es derartig viele Einflussgrößen auf "bessere Mannschaft" gibt, die überhaupt nicht berücksichtigt werden, sodass man sich dem nur annähern und schauen kann, ob es im Großen und Ganzen passt.
In den meisten wissenschaftlichen Untersuchungen würde man es nicht aktzeptieren, dass man diverse Einflussgrößen schlicht ingoriert. Daher ist dieser xGoals und seine Bedeutung für die Fußballwert für mich nur schwer nachzuvollziehen. Im Labor würde man versuchen, Störgrößen so gut es geht zu eliminieren oder aber wenn nicht möglich, diese in die Gleichung mit einzubeziehen.
Ich bin mir auch sehr sicher, dass es in dieser Branche Dienstleister gibt, die genau dies auch schon tun und es da für die Vereine für gutes Geld entsprechend belastbare Statisktiken gibt. Denn letztlich sind wir hier ja nur Forenmokel, die sich da Gedanken machen.
Aber wenn ich mal Zeit habe, suche ich mal eine Statistik Nerd Forum und frage da nach, ob man die xGoals sinnvoll auf ihr Signifikanzniveau testen könnte.
Ich denke, man kann davon ausgehen, dass die xGoals erwartungstreu sind. Das heißt, wenn man die xGoals simuliert und Tore gemäß den Wahrscheinlichkeiten der xG-Werte fallen, wird man insgesamt, also über viele Spiele gesehen, auf nahezu die gleiche Anzahl an Toren kommen wie sie in der Realität gefallen sind.
Das sollte eine Voraussetzung für so ein statistisches Modell sein, meiner Meinung nach. Auf die Gesamtmenge an Spielen darf es da keinen Bias geben, wenn man so ein Modell erstellt.
Eine Abweichung bezüglich der Anzahl an Siegen/Niederlagen und Unentschieden könnte es theoretisch dennoch geben. Aber nur, wenn die Trefferwahrscheinlichkeit vom Spielstand abhängt und das gleichzeitig nicht vom xG-Modell berücksichtig würde. Das hieße, die selbe Torchance müsste bei Spielstand Unentschieden eine andere Wahrscheinlichkeit als bei Spielstand Führung oder Rückstand haben. Ich würde das nicht erwarten, aber auch nicht komplett ausschließen. Generell wäre das auch leicht in die xG-Modelle zu integrieren. Keine Ahnung, ob es dafür Ansätze gibt.
Jedenfalls würde ich davon ausgehen, dass die xG-Modelle bei den angebenden Torwahrscheinlichkeiten insofern richtig liegen, dass die Gesamtanzahl der Tore einer Liga und auch die Anzahl der Siege und Unentschieden, über einen längeren Zeitraum gesehen, gut geschätzt werden.
Bezüglich der Aussagekraft auf zukünftige Ergebnisse wurde bereits gezeigt, dass die xG-Modelle hier genauere Prognosen liefern als andere Standardstatistiken, wie die Anzahl der Punkte, der Tore oder der Torschüsse. Artikel dazu, sollten zu finden sein.
Die vielen anderen Einflussfaktoren, die die Stärke eines Teams beschreiben, sorgen dafür, dass die xG-Werte für einzelne Spiele öfters zu ungenau sind. Über einen längeren Zeitraum nimmt die Genauigkeit aber zu. Das selbe gilt aber natürlich auch für andere Statistiken wie die Anzahl der real geholten Punkte oder das echte Torverhältnis. Bei den xG-Werten braucht es eben nur weniger Spiele im Vergleich, um eine ebenso gute Aussage zu liefern. Dennoch braucht es eine gewisse Anzahl an Spielen für eine gute Schätzungen. So macht man es eben auch in anderen Statistiken, wenn es Störgrößen gibt, vergrößert man die Stichprobe und geht davon aus, dass sich die Störgrößen ausmitteln.
Allgemein muss man eben auch nicht immer auf die Leistungsstärke abzielen. Die xG-Werte beziehen sich eben nur auf die Torchancen und da ist es eine wertvolle Information, ob man selber und die Gegner die Chancen gut nutzen.
Experten werden den Ausgang eines Spiels besser schätzen können. Eigentlich reicht es schon die letzten 5 Minuten zu sehen, um zu wissen, wer am Ende führt, auch ohne die Tore zu sehen.
Was wäre hier ein fairer Vergleich zu den xG-Modellen, die nur die Torschüsse sehen?
Nur die ersten 15 Minuten des Spiels zeigen?
Wenn in der Zeit kein Torschuss abgeben wird, kann das xG-Modell nur auf ein 0:0 tippen.
Also, ganz klar werden die Experten den Vergleich gewinnen.
Was aber auch Experten schlechter können, ist zu schätzen, wie viele Tore mehr oder weniger eine Mannschaft in einer gesamten Saison eigentlich hätte erwarten dürfen. Also, wie viele Tore würde eine Mannschaft schießen, wenn sie noch einmal alle Torchancen der gesamten Saison bekäme?
Kaum eine Mannschaft würde noch einmal auf genau die selbe Anzahl kommen. Aber auch Experten würden sich schon allein damit schwer tun, ob es mehr oder weniger Tore beim zweiten Versuch würden. Hier würde ich erwarten, dass die xG-Modelle deutlich besser lägen.
Dass mit solchen Modellen viel Geld verdient wird, davon kann man ausgehen. Da wird es sicherlich auch noch deutlich bessere Modelle geben. Wobei ich eigentlich für noch wichtiger empfinde, dass Experten diese Modelle genau erklären und interpretieren können. Zum Beispiel sollte ein Experte für ein xG-Modell erklären können, inwieweit wir nun Glück hatten oder nicht. Zwar würde ich nicht erwarten, dass man hier sehr genau sein kann. Aber man sollte den Bereich deutlich verkleinern können und genau benennen können, wo bzw. in welchen Spielsituationen es Ungenauigkeiten gab, die keine klare Aussage zulassen. Wenn man dann identifizieren könnte, dass, wie von vielen argumentiert, unser Verteidigungsstil in der Defensive zu einer Überperformance führte, wäre das ein wichtiger Hinweis für die zukünftige Ausrichtung.
Um noch einmal auf den Signifikanztest zurückzukommen. Die Vergleichsgröße zu den xG-Angaben wären die wahren Ergebnisse. Die Erwartunsgwerte dieser Verteilungen sind dann die real erzielten Tore und Punkte.
Man könnte dann einzeln prüfen, ob die Anzahl der geschossenen Tore, der kassierten Gegentore und der geholten Punkte signifikant von den xG-Angaben abweichen. Ich denke, für diesen Test kann man auch auf die xG-Werte für die einzelnen Torschüsse zurückgreifen. Denn die Signifikanz-Aussage ist ein anderer Aspekt. Man probiert nicht etwas damit zu belegen, was eigentlich überprüft werden soll. Es geht nur darum zu prüfen, ob Realität und xG-Werte bei uns zusammenpassen. Die xG-Werte bilden die Verteilung der Tore ab. Das tun sie nicht, wenn die Realität in dieser Verteilung extrem unwahrscheinlich wird. Wenn unsere Überperformance von fast 13 Punkten über den xPoints laut xG-Verteilung so unwahrscheinlich ist, dass so etwas nur alle tausend Jahre vorkommen dürfte, dann ist sicherlich von einem Fehler in der xG-Verteilung auszugehen. Beispielsweise könnte der Bias der xG-Modelle bei Topteams dazu führen.
Solche Signifikanztest machen daher Sinn, auch mit den xG-Wahrscheinlichkeiten. So kann man beispielsweise belegen, dass es bei Favre damals nicht einfach Glück gewesen sein kann.
10.04.2026 - 00:33 Uhr
Zitat von mba123
Ich denke, man kann davon ausgehen, dass die xGoals erwartungstreu sind. Das heißt, wenn man die xGoals simuliert und Tore gemäß den Wahrscheinlichkeiten der xG-Werte fallen, wird man insgesamt, also über viele Spiele gesehen, auf nahezu die gleiche Anzahl an Toren kommen wie sie in der Realität gefallen sind.
Das sollte eine Voraussetzung für so ein statistisches Modell sein, meiner Meinung nach. Auf die Gesamtmenge an Spielen darf es da keinen Bias geben, wenn man so ein Modell erstellt.
Eine Abweichung bezüglich der Anzahl an Siegen/Niederlagen und Unentschieden könnte es theoretisch dennoch geben. Aber nur, wenn die Trefferwahrscheinlichkeit vom Spielstand abhängt und das gleichzeitig nicht vom xG-Modell berücksichtig würde. Das hieße, die selbe Torchance müsste bei Spielstand Unentschieden eine andere Wahrscheinlichkeit als bei Spielstand Führung oder Rückstand haben. Ich würde das nicht erwarten, aber auch nicht komplett ausschließen. Generell wäre das auch leicht in die xG-Modelle zu integrieren. Keine Ahnung, ob es dafür Ansätze gibt.
Jedenfalls würde ich davon ausgehen, dass die xG-Modelle bei den angebenden Torwahrscheinlichkeiten insofern richtig liegen, dass die Gesamtanzahl der Tore einer Liga und auch die Anzahl der Siege und Unentschieden, über einen längeren Zeitraum gesehen, gut geschätzt werden.
Bezüglich der Aussagekraft auf zukünftige Ergebnisse wurde bereits gezeigt, dass die xG-Modelle hier genauere Prognosen liefern als andere Standardstatistiken, wie die Anzahl der Punkte, der Tore oder der Torschüsse. Artikel dazu, sollten zu finden sein.
Die vielen anderen Einflussfaktoren, die die Stärke eines Teams beschreiben, sorgen dafür, dass die xG-Werte für einzelne Spiele öfters zu ungenau sind. Über einen längeren Zeitraum nimmt die Genauigkeit aber zu. Das selbe gilt aber natürlich auch für andere Statistiken wie die Anzahl der real geholten Punkte oder das echte Torverhältnis. Bei den xG-Werten braucht es eben nur weniger Spiele im Vergleich, um eine ebenso gute Aussage zu liefern. Dennoch braucht es eine gewisse Anzahl an Spielen für eine gute Schätzungen. So macht man es eben auch in anderen Statistiken, wenn es Störgrößen gibt, vergrößert man die Stichprobe und geht davon aus, dass sich die Störgrößen ausmitteln.
Allgemein muss man eben auch nicht immer auf die Leistungsstärke abzielen. Die xG-Werte beziehen sich eben nur auf die Torchancen und da ist es eine wertvolle Information, ob man selber und die Gegner die Chancen gut nutzen.
Experten werden den Ausgang eines Spiels besser schätzen können. Eigentlich reicht es schon die letzten 5 Minuten zu sehen, um zu wissen, wer am Ende führt, auch ohne die Tore zu sehen.
Was wäre hier ein fairer Vergleich zu den xG-Modellen, die nur die Torschüsse sehen?
Nur die ersten 15 Minuten des Spiels zeigen?
Wenn in der Zeit kein Torschuss abgeben wird, kann das xG-Modell nur auf ein 0:0 tippen.
Also, ganz klar werden die Experten den Vergleich gewinnen.
Was aber auch Experten schlechter können, ist zu schätzen, wie viele Tore mehr oder weniger eine Mannschaft in einer gesamten Saison eigentlich hätte erwarten dürfen. Also, wie viele Tore würde eine Mannschaft schießen, wenn sie noch einmal alle Torchancen der gesamten Saison bekäme?
Kaum eine Mannschaft würde noch einmal auf genau die selbe Anzahl kommen. Aber auch Experten würden sich schon allein damit schwer tun, ob es mehr oder weniger Tore beim zweiten Versuch würden. Hier würde ich erwarten, dass die xG-Modelle deutlich besser lägen.
Dass mit solchen Modellen viel Geld verdient wird, davon kann man ausgehen. Da wird es sicherlich auch noch deutlich bessere Modelle geben. Wobei ich eigentlich für noch wichtiger empfinde, dass Experten diese Modelle genau erklären und interpretieren können. Zum Beispiel sollte ein Experte für ein xG-Modell erklären können, inwieweit wir nun Glück hatten oder nicht. Zwar würde ich nicht erwarten, dass man hier sehr genau sein kann. Aber man sollte den Bereich deutlich verkleinern können und genau benennen können, wo bzw. in welchen Spielsituationen es Ungenauigkeiten gab, die keine klare Aussage zulassen. Wenn man dann identifizieren könnte, dass, wie von vielen argumentiert, unser Verteidigungsstil in der Defensive zu einer Überperformance führte, wäre das ein wichtiger Hinweis für die zukünftige Ausrichtung.
Um noch einmal auf den Signifikanztest zurückzukommen. Die Vergleichsgröße zu den xG-Angaben wären die wahren Ergebnisse. Die Erwartunsgwerte dieser Verteilungen sind dann die real erzielten Tore und Punkte.
Man könnte dann einzeln prüfen, ob die Anzahl der geschossenen Tore, der kassierten Gegentore und der geholten Punkte signifikant von den xG-Angaben abweichen. Ich denke, für diesen Test kann man auch auf die xG-Werte für die einzelnen Torschüsse zurückgreifen. Denn die Signifikanz-Aussage ist ein anderer Aspekt. Man probiert nicht etwas damit zu belegen, was eigentlich überprüft werden soll. Es geht nur darum zu prüfen, ob Realität und xG-Werte bei uns zusammenpassen. Die xG-Werte bilden die Verteilung der Tore ab. Das tun sie nicht, wenn die Realität in dieser Verteilung extrem unwahrscheinlich wird. Wenn unsere Überperformance von fast 13 Punkten über den xPoints laut xG-Verteilung so unwahrscheinlich ist, dass so etwas nur alle tausend Jahre vorkommen dürfte, dann ist sicherlich von einem Fehler in der xG-Verteilung auszugehen. Beispielsweise könnte der Bias der xG-Modelle bei Topteams dazu führen.
Solche Signifikanztest machen daher Sinn, auch mit den xG-Wahrscheinlichkeiten. So kann man beispielsweise belegen, dass es bei Favre damals nicht einfach Glück gewesen sein kann.
Zitat von djhaax
Ja, da sind wir wieder bei den xGoals.
Die im Bezug auf ihre statistische Signifikanz zu prüfen, ist in meinen Augen schwierig. Bzw. ist für mich schwer zu verstehen. Wenn wenn man die abhängige Variable als "Spielausgang Sieg, Unentschieden oder Niederlage" definiert und die xGoals als unabhänige Variable nimmt, so müsste man diese dann gegen eine Vergleichsgröße, z.B. die Zahl der Torchancen, testen und idealerweise noch gegen einen Zufallsgenerator. Dazu bräuchte man ein Modell, indem man anhand der Test- und Kontrollgruppen schaut, inwieweit die entsprechenden Werte mit dem Spielausgang korrelieren und ob sie gegenüber dem Zufallsprodukt signifikant genauer sind. Und dann kann man noch sagen, ob die xGoals z.B. gegenüber der z.B. Torschussstatisktik signifikant, meinetwegen p<0,5, genauer in der Vorhersage des Spielausganges sind. Was ich dann noch spannend fände wäre, wenn man es gegen Expertenmeinung testet. D.h. Experten gucken z.B. ein Spiel (am besten aus einer unbekannten Liga mit unbekannten Vereinen), nur die Tore werden herausgeschnitten, dazu baut man im Spiel z.B. Zehn Schnitte ein, sodass man aus den Schnitten keine Rückschlüssen auf das Ergebnis ziehen kann. Im Anschluss sollen die dann sagen, wer das Spiel gewonnen hat und wer die bessere Mannschaft gewesen ist.
Das grundsätzliche Problem beim Fußball ist und bleibt aber die Besonderheit, dass nur wenige Tore über den Spielausgang entscheiden. Dies bedeutet, dass man z.B. nicht sagen kann, dass die bessere Mannschaft immer gewinnt. Die xGoals sollen, zumindest meinem Verständnis nach, eine Krücke sein, um annähernd defeinieren zu können, wer denn nun die bessere Mannschaft in dem Spiel gewesen ist, um den Verantwortlichen einen objektiven Wert an die Hand zu geben. Krücke deshalb, weil es derartig viele Einflussgrößen auf "bessere Mannschaft" gibt, die überhaupt nicht berücksichtigt werden, sodass man sich dem nur annähern und schauen kann, ob es im Großen und Ganzen passt.
In den meisten wissenschaftlichen Untersuchungen würde man es nicht aktzeptieren, dass man diverse Einflussgrößen schlicht ingoriert. Daher ist dieser xGoals und seine Bedeutung für die Fußballwert für mich nur schwer nachzuvollziehen. Im Labor würde man versuchen, Störgrößen so gut es geht zu eliminieren oder aber wenn nicht möglich, diese in die Gleichung mit einzubeziehen.
Ich bin mir auch sehr sicher, dass es in dieser Branche Dienstleister gibt, die genau dies auch schon tun und es da für die Vereine für gutes Geld entsprechend belastbare Statisktiken gibt. Denn letztlich sind wir hier ja nur Forenmokel, die sich da Gedanken machen.
Aber wenn ich mal Zeit habe, suche ich mal eine Statistik Nerd Forum und frage da nach, ob man die xGoals sinnvoll auf ihr Signifikanzniveau testen könnte.
Zitat von mba123
Ich denke, hier ginge es darum, ob die Abweichung zu den xPoints allein durch Zufall erklärbar wäre.
Die Annahme/Nullhypothese wäre dann beispielsweise, dass die Abweichung zu den xPoints zu groß ist, um durch Zufall erkärt werden zu können; also Glück und Pech im Abschluss (weil wir uns ja nur auf xG-Werte beziehen) nicht für diese Diskrepanz zwischen realer Punkteausbeute und xPoints sorgen können.
Man wählt dann ein Signifikanz Niveau, oft beispielsweise 5 %. Das gibt an, welche Irrtumswahrscheinlichkeit man akzeptiert. Also, wenn am Ende die Abweichung mit weniger als 5 % Wahrscheinlichkeit durch Zufall erklärt werden kann, dann wäre die Abweichung signifikant. Man ginge in diesem Fall also davon aus, dass die Abweichung zu den xPoints Methode hat und wahre Leistung dahintersteckt.
Das Problem liegt hier darin, den Zufall zu modellieren und sich auf Annahmen zu einigen. Beispielsweise denke ich auch, dass es einen Bias zu den xPoints gibt. Dann würde man nicht die Abweichung zu den xPoints nehmen, sondern zu den xPoints plus Bias. Der Bias ist aber nicht bestimmt, hier müsste man etwas annehmen.
Kompliziert wird es aber erst beim Zufall. Wie stellt man den Zufall hier da? Die xG-Werte liefern hierzu eigentlich die gewollte Grundlage. Aber hier wird der Nutzen dieser angezweifelt. Dann werden sie wohl eher nicht akzeptiert werden für die Berechnungen, oder? Wobei die Wahrscheinlichkeit, dass wir 64 (aktueller Punktestand) oder mehr Punkte holen, bisher aus den xG-Werten noch nicht berechnet wurde. Vielleicht sind 64 Punkte ja eine signifikante Abweichung, wenn man die xG-Werte heranzieht. Das kann ich nicht sagen. Das zu berechnen bzw. die xG-Daten einzusammeln, ist recht aufwendig.
Allgemein sieht man aber regelmäßig größere Abweichungen zu den xPoints bei Mannschaften. Das spricht dafür, dass solche Abweichungen nicht signifikant sind. Denn auch wenn es Mannschaften gibt, die methodisch von den xPoints abweichen, so sollte das wahrscheinlich nicht für alle gelten. Das hieße dann eben, dass solche Abweichungen durch Zufall entstehen können. Oder sind doch alle Abweichungen durch Leistung begründet?
Auch kann man selber Annahmen treffen, um eine Vorstellung vom Einfluss durch Zufall zu bekommen. Was wäre beispielsweise, wenn alle Mannschaften gleich stark wären und jedes Spiel zufällig mit Sieg, Unentschieden oder Niederlage enden würde?
Auch dann käme es zu großen Unterschieden in den Punkteausbeuten. So würde man den Tabellenersten dann wohl ca. bei 59 Punkten erwarten und den Letzten bei 32 (die Angaben sind nicht exakt, aber wohl eine gute Schätzung). Also 27 Punkte Unterschied zwischen diesen, obwohl beide Mannschaften exakt gleich gut sind.
Aber das ist eben ein Spezial- und Extremfall. Dieser zeigt aber wiederum, dass unsere Überperformance nicht erwartbar ist. Denn auch in diesem Extremfall ist die Abweichung vom Mittelwert, also im Prinzip den xPoints, nicht größer als bei uns. Das macht es unwahrscheinlicher, dass wir bei uns allein von Glück als Erklärung ausgehen können. Aber je nachdem wie groß man den Bias annimmt, den Topteams haben, ist Zufall dann wieder eine Erklärung für die restliche Überperformance.
Ich denke, dass ist dann letztendlich auch die eigentliche Frage, nicht ober wir überperformen, sondern wie viel.
PS: Einen Signifikanz Test mit den xG-Werten als Grundlage, würde ich gerne sehen. Vielleicht macht das irgendein Statistikportal?
Zitat von djhaax
Statistische Signifikanz ist doch ein interessantes Stichwort. Gibt es hier einen Statistikfuchs, der etwas dazu sagen kann, wie die Signifikanz hier bestimmt und angegeben wird?
Statistische Signifikanz ist doch ein interessantes Stichwort. Gibt es hier einen Statistikfuchs, der etwas dazu sagen kann, wie die Signifikanz hier bestimmt und angegeben wird?
Ich denke, hier ginge es darum, ob die Abweichung zu den xPoints allein durch Zufall erklärbar wäre.
Die Annahme/Nullhypothese wäre dann beispielsweise, dass die Abweichung zu den xPoints zu groß ist, um durch Zufall erkärt werden zu können; also Glück und Pech im Abschluss (weil wir uns ja nur auf xG-Werte beziehen) nicht für diese Diskrepanz zwischen realer Punkteausbeute und xPoints sorgen können.
Man wählt dann ein Signifikanz Niveau, oft beispielsweise 5 %. Das gibt an, welche Irrtumswahrscheinlichkeit man akzeptiert. Also, wenn am Ende die Abweichung mit weniger als 5 % Wahrscheinlichkeit durch Zufall erklärt werden kann, dann wäre die Abweichung signifikant. Man ginge in diesem Fall also davon aus, dass die Abweichung zu den xPoints Methode hat und wahre Leistung dahintersteckt.
Das Problem liegt hier darin, den Zufall zu modellieren und sich auf Annahmen zu einigen. Beispielsweise denke ich auch, dass es einen Bias zu den xPoints gibt. Dann würde man nicht die Abweichung zu den xPoints nehmen, sondern zu den xPoints plus Bias. Der Bias ist aber nicht bestimmt, hier müsste man etwas annehmen.
Kompliziert wird es aber erst beim Zufall. Wie stellt man den Zufall hier da? Die xG-Werte liefern hierzu eigentlich die gewollte Grundlage. Aber hier wird der Nutzen dieser angezweifelt. Dann werden sie wohl eher nicht akzeptiert werden für die Berechnungen, oder? Wobei die Wahrscheinlichkeit, dass wir 64 (aktueller Punktestand) oder mehr Punkte holen, bisher aus den xG-Werten noch nicht berechnet wurde. Vielleicht sind 64 Punkte ja eine signifikante Abweichung, wenn man die xG-Werte heranzieht. Das kann ich nicht sagen. Das zu berechnen bzw. die xG-Daten einzusammeln, ist recht aufwendig.
Allgemein sieht man aber regelmäßig größere Abweichungen zu den xPoints bei Mannschaften. Das spricht dafür, dass solche Abweichungen nicht signifikant sind. Denn auch wenn es Mannschaften gibt, die methodisch von den xPoints abweichen, so sollte das wahrscheinlich nicht für alle gelten. Das hieße dann eben, dass solche Abweichungen durch Zufall entstehen können. Oder sind doch alle Abweichungen durch Leistung begründet?
Auch kann man selber Annahmen treffen, um eine Vorstellung vom Einfluss durch Zufall zu bekommen. Was wäre beispielsweise, wenn alle Mannschaften gleich stark wären und jedes Spiel zufällig mit Sieg, Unentschieden oder Niederlage enden würde?
Auch dann käme es zu großen Unterschieden in den Punkteausbeuten. So würde man den Tabellenersten dann wohl ca. bei 59 Punkten erwarten und den Letzten bei 32 (die Angaben sind nicht exakt, aber wohl eine gute Schätzung). Also 27 Punkte Unterschied zwischen diesen, obwohl beide Mannschaften exakt gleich gut sind.
Aber das ist eben ein Spezial- und Extremfall. Dieser zeigt aber wiederum, dass unsere Überperformance nicht erwartbar ist. Denn auch in diesem Extremfall ist die Abweichung vom Mittelwert, also im Prinzip den xPoints, nicht größer als bei uns. Das macht es unwahrscheinlicher, dass wir bei uns allein von Glück als Erklärung ausgehen können. Aber je nachdem wie groß man den Bias annimmt, den Topteams haben, ist Zufall dann wieder eine Erklärung für die restliche Überperformance.
Ich denke, dass ist dann letztendlich auch die eigentliche Frage, nicht ober wir überperformen, sondern wie viel.
PS: Einen Signifikanz Test mit den xG-Werten als Grundlage, würde ich gerne sehen. Vielleicht macht das irgendein Statistikportal?
Ja, da sind wir wieder bei den xGoals.
Die im Bezug auf ihre statistische Signifikanz zu prüfen, ist in meinen Augen schwierig. Bzw. ist für mich schwer zu verstehen. Wenn wenn man die abhängige Variable als "Spielausgang Sieg, Unentschieden oder Niederlage" definiert und die xGoals als unabhänige Variable nimmt, so müsste man diese dann gegen eine Vergleichsgröße, z.B. die Zahl der Torchancen, testen und idealerweise noch gegen einen Zufallsgenerator. Dazu bräuchte man ein Modell, indem man anhand der Test- und Kontrollgruppen schaut, inwieweit die entsprechenden Werte mit dem Spielausgang korrelieren und ob sie gegenüber dem Zufallsprodukt signifikant genauer sind. Und dann kann man noch sagen, ob die xGoals z.B. gegenüber der z.B. Torschussstatisktik signifikant, meinetwegen p<0,5, genauer in der Vorhersage des Spielausganges sind. Was ich dann noch spannend fände wäre, wenn man es gegen Expertenmeinung testet. D.h. Experten gucken z.B. ein Spiel (am besten aus einer unbekannten Liga mit unbekannten Vereinen), nur die Tore werden herausgeschnitten, dazu baut man im Spiel z.B. Zehn Schnitte ein, sodass man aus den Schnitten keine Rückschlüssen auf das Ergebnis ziehen kann. Im Anschluss sollen die dann sagen, wer das Spiel gewonnen hat und wer die bessere Mannschaft gewesen ist.
Das grundsätzliche Problem beim Fußball ist und bleibt aber die Besonderheit, dass nur wenige Tore über den Spielausgang entscheiden. Dies bedeutet, dass man z.B. nicht sagen kann, dass die bessere Mannschaft immer gewinnt. Die xGoals sollen, zumindest meinem Verständnis nach, eine Krücke sein, um annähernd defeinieren zu können, wer denn nun die bessere Mannschaft in dem Spiel gewesen ist, um den Verantwortlichen einen objektiven Wert an die Hand zu geben. Krücke deshalb, weil es derartig viele Einflussgrößen auf "bessere Mannschaft" gibt, die überhaupt nicht berücksichtigt werden, sodass man sich dem nur annähern und schauen kann, ob es im Großen und Ganzen passt.
In den meisten wissenschaftlichen Untersuchungen würde man es nicht aktzeptieren, dass man diverse Einflussgrößen schlicht ingoriert. Daher ist dieser xGoals und seine Bedeutung für die Fußballwert für mich nur schwer nachzuvollziehen. Im Labor würde man versuchen, Störgrößen so gut es geht zu eliminieren oder aber wenn nicht möglich, diese in die Gleichung mit einzubeziehen.
Ich bin mir auch sehr sicher, dass es in dieser Branche Dienstleister gibt, die genau dies auch schon tun und es da für die Vereine für gutes Geld entsprechend belastbare Statisktiken gibt. Denn letztlich sind wir hier ja nur Forenmokel, die sich da Gedanken machen.
Aber wenn ich mal Zeit habe, suche ich mal eine Statistik Nerd Forum und frage da nach, ob man die xGoals sinnvoll auf ihr Signifikanzniveau testen könnte.
Ich denke, man kann davon ausgehen, dass die xGoals erwartungstreu sind. Das heißt, wenn man die xGoals simuliert und Tore gemäß den Wahrscheinlichkeiten der xG-Werte fallen, wird man insgesamt, also über viele Spiele gesehen, auf nahezu die gleiche Anzahl an Toren kommen wie sie in der Realität gefallen sind.
Das sollte eine Voraussetzung für so ein statistisches Modell sein, meiner Meinung nach. Auf die Gesamtmenge an Spielen darf es da keinen Bias geben, wenn man so ein Modell erstellt.
Eine Abweichung bezüglich der Anzahl an Siegen/Niederlagen und Unentschieden könnte es theoretisch dennoch geben. Aber nur, wenn die Trefferwahrscheinlichkeit vom Spielstand abhängt und das gleichzeitig nicht vom xG-Modell berücksichtig würde. Das hieße, die selbe Torchance müsste bei Spielstand Unentschieden eine andere Wahrscheinlichkeit als bei Spielstand Führung oder Rückstand haben. Ich würde das nicht erwarten, aber auch nicht komplett ausschließen. Generell wäre das auch leicht in die xG-Modelle zu integrieren. Keine Ahnung, ob es dafür Ansätze gibt.
Jedenfalls würde ich davon ausgehen, dass die xG-Modelle bei den angebenden Torwahrscheinlichkeiten insofern richtig liegen, dass die Gesamtanzahl der Tore einer Liga und auch die Anzahl der Siege und Unentschieden, über einen längeren Zeitraum gesehen, gut geschätzt werden.
Bezüglich der Aussagekraft auf zukünftige Ergebnisse wurde bereits gezeigt, dass die xG-Modelle hier genauere Prognosen liefern als andere Standardstatistiken, wie die Anzahl der Punkte, der Tore oder der Torschüsse. Artikel dazu, sollten zu finden sein.
Die vielen anderen Einflussfaktoren, die die Stärke eines Teams beschreiben, sorgen dafür, dass die xG-Werte für einzelne Spiele öfters zu ungenau sind. Über einen längeren Zeitraum nimmt die Genauigkeit aber zu. Das selbe gilt aber natürlich auch für andere Statistiken wie die Anzahl der real geholten Punkte oder das echte Torverhältnis. Bei den xG-Werten braucht es eben nur weniger Spiele im Vergleich, um eine ebenso gute Aussage zu liefern. Dennoch braucht es eine gewisse Anzahl an Spielen für eine gute Schätzungen. So macht man es eben auch in anderen Statistiken, wenn es Störgrößen gibt, vergrößert man die Stichprobe und geht davon aus, dass sich die Störgrößen ausmitteln.
Allgemein muss man eben auch nicht immer auf die Leistungsstärke abzielen. Die xG-Werte beziehen sich eben nur auf die Torchancen und da ist es eine wertvolle Information, ob man selber und die Gegner die Chancen gut nutzen.
Experten werden den Ausgang eines Spiels besser schätzen können. Eigentlich reicht es schon die letzten 5 Minuten zu sehen, um zu wissen, wer am Ende führt, auch ohne die Tore zu sehen.
Was wäre hier ein fairer Vergleich zu den xG-Modellen, die nur die Torschüsse sehen?
Nur die ersten 15 Minuten des Spiels zeigen?
Wenn in der Zeit kein Torschuss abgeben wird, kann das xG-Modell nur auf ein 0:0 tippen.
Also, ganz klar werden die Experten den Vergleich gewinnen.
Was aber auch Experten schlechter können, ist zu schätzen, wie viele Tore mehr oder weniger eine Mannschaft in einer gesamten Saison eigentlich hätte erwarten dürfen. Also, wie viele Tore würde eine Mannschaft schießen, wenn sie noch einmal alle Torchancen der gesamten Saison bekäme?
Kaum eine Mannschaft würde noch einmal auf genau die selbe Anzahl kommen. Aber auch Experten würden sich schon allein damit schwer tun, ob es mehr oder weniger Tore beim zweiten Versuch würden. Hier würde ich erwarten, dass die xG-Modelle deutlich besser lägen.
Dass mit solchen Modellen viel Geld verdient wird, davon kann man ausgehen. Da wird es sicherlich auch noch deutlich bessere Modelle geben. Wobei ich eigentlich für noch wichtiger empfinde, dass Experten diese Modelle genau erklären und interpretieren können. Zum Beispiel sollte ein Experte für ein xG-Modell erklären können, inwieweit wir nun Glück hatten oder nicht. Zwar würde ich nicht erwarten, dass man hier sehr genau sein kann. Aber man sollte den Bereich deutlich verkleinern können und genau benennen können, wo bzw. in welchen Spielsituationen es Ungenauigkeiten gab, die keine klare Aussage zulassen. Wenn man dann identifizieren könnte, dass, wie von vielen argumentiert, unser Verteidigungsstil in der Defensive zu einer Überperformance führte, wäre das ein wichtiger Hinweis für die zukünftige Ausrichtung.
Um noch einmal auf den Signifikanztest zurückzukommen. Die Vergleichsgröße zu den xG-Angaben wären die wahren Ergebnisse. Die Erwartunsgwerte dieser Verteilungen sind dann die real erzielten Tore und Punkte.
Man könnte dann einzeln prüfen, ob die Anzahl der geschossenen Tore, der kassierten Gegentore und der geholten Punkte signifikant von den xG-Angaben abweichen. Ich denke, für diesen Test kann man auch auf die xG-Werte für die einzelnen Torschüsse zurückgreifen. Denn die Signifikanz-Aussage ist ein anderer Aspekt. Man probiert nicht etwas damit zu belegen, was eigentlich überprüft werden soll. Es geht nur darum zu prüfen, ob Realität und xG-Werte bei uns zusammenpassen. Die xG-Werte bilden die Verteilung der Tore ab. Das tun sie nicht, wenn die Realität in dieser Verteilung extrem unwahrscheinlich wird. Wenn unsere Überperformance von fast 13 Punkten über den xPoints laut xG-Verteilung so unwahrscheinlich ist, dass so etwas nur alle tausend Jahre vorkommen dürfte, dann ist sicherlich von einem Fehler in der xG-Verteilung auszugehen. Beispielsweise könnte der Bias der xG-Modelle bei Topteams dazu führen.
Solche Signifikanztest machen daher Sinn, auch mit den xG-Wahrscheinlichkeiten. So kann man beispielsweise belegen, dass es bei Favre damals nicht einfach Glück gewesen sein kann.
Fun fact zu den xGoals und xAssists (wovon ich wenig halte), weil ich gerade in der Spielvorschau beim Kicker darüber gestolpert bin:
Durchschnitt der letzten 25 Aufeinandertreffen BVB - Bayer:
xGoals 0,94 : 1,55
xAssists 0,81 : 1,67
Tore 2,16 : 1,48
Siege 13 : 7
Sagt das nicht mehr über den Wert solcher Spielereien aus als jeder Hypothesentest?
Dieser Beitrag wurde zuletzt von -adi- am 10.04.2026 um 00:36 Uhr bearbeitet
10.04.2026 - 00:45 Uhr
Gegen Stuttgart letzte Woche übrigens ähnlich.
Durchschnitt der letzten 22 Aufeinandertreffen BVB - VFB:
xGoals 1,51 : 1,97
xAssists 0,95 : 1,41
Tore 2,55 : 1,59
Durchschnitt der letzten 22 Aufeinandertreffen BVB - VFB:
xGoals 1,51 : 1,97
xAssists 0,95 : 1,41
Tore 2,55 : 1,59
10.04.2026 - 09:51 Uhr
Zitat von -adi-
Fun fact zu den xGoals und xAssists (wovon ich wenig halte), weil ich gerade in der Spielvorschau beim Kicker darüber gestolpert bin:
Durchschnitt der letzten 25 Aufeinandertreffen BVB - Bayer:
xGoals 0,94 : 1,55
xAssists 0,81 : 1,67
Tore 2,16 : 1,48
Siege 13 : 7
Edit: (zweiten Beitrag hinzugefügt)
Gegen Stuttgart letzte Woche übrigens ähnlich.
Durchschnitt der letzten 22 Aufeinandertreffen BVB - VFB:
xGoals 1,51 : 1,97
xAssists 0,95 : 1,41
Tore 2,55 : 1,59
Sagt das nicht mehr über den Wert solcher Spielereien aus als jeder Hypothesentest?
Zitat von mba123
Ich denke, man kann davon ausgehen, dass die xGoals erwartungstreu sind. Das heißt, wenn man die xGoals simuliert und Tore gemäß den Wahrscheinlichkeiten der xG-Werte fallen, wird man insgesamt, also über viele Spiele gesehen, auf nahezu die gleiche Anzahl an Toren kommen wie sie in der Realität gefallen sind.
Das sollte eine Voraussetzung für so ein statistisches Modell sein, meiner Meinung nach. Auf die Gesamtmenge an Spielen darf es da keinen Bias geben, wenn man so ein Modell erstellt.
Eine Abweichung bezüglich der Anzahl an Siegen/Niederlagen und Unentschieden könnte es theoretisch dennoch geben. Aber nur, wenn die Trefferwahrscheinlichkeit vom Spielstand abhängt und das gleichzeitig nicht vom xG-Modell berücksichtig würde. Das hieße, die selbe Torchance müsste bei Spielstand Unentschieden eine andere Wahrscheinlichkeit als bei Spielstand Führung oder Rückstand haben. Ich würde das nicht erwarten, aber auch nicht komplett ausschließen. Generell wäre das auch leicht in die xG-Modelle zu integrieren. Keine Ahnung, ob es dafür Ansätze gibt.
Jedenfalls würde ich davon ausgehen, dass die xG-Modelle bei den angebenden Torwahrscheinlichkeiten insofern richtig liegen, dass die Gesamtanzahl der Tore einer Liga und auch die Anzahl der Siege und Unentschieden, über einen längeren Zeitraum gesehen, gut geschätzt werden.
Bezüglich der Aussagekraft auf zukünftige Ergebnisse wurde bereits gezeigt, dass die xG-Modelle hier genauere Prognosen liefern als andere Standardstatistiken, wie die Anzahl der Punkte, der Tore oder der Torschüsse. Artikel dazu, sollten zu finden sein.
Die vielen anderen Einflussfaktoren, die die Stärke eines Teams beschreiben, sorgen dafür, dass die xG-Werte für einzelne Spiele öfters zu ungenau sind. Über einen längeren Zeitraum nimmt die Genauigkeit aber zu. Das selbe gilt aber natürlich auch für andere Statistiken wie die Anzahl der real geholten Punkte oder das echte Torverhältnis. Bei den xG-Werten braucht es eben nur weniger Spiele im Vergleich, um eine ebenso gute Aussage zu liefern. Dennoch braucht es eine gewisse Anzahl an Spielen für eine gute Schätzungen. So macht man es eben auch in anderen Statistiken, wenn es Störgrößen gibt, vergrößert man die Stichprobe und geht davon aus, dass sich die Störgrößen ausmitteln.
Allgemein muss man eben auch nicht immer auf die Leistungsstärke abzielen. Die xG-Werte beziehen sich eben nur auf die Torchancen und da ist es eine wertvolle Information, ob man selber und die Gegner die Chancen gut nutzen.
Experten werden den Ausgang eines Spiels besser schätzen können. Eigentlich reicht es schon die letzten 5 Minuten zu sehen, um zu wissen, wer am Ende führt, auch ohne die Tore zu sehen.
Was wäre hier ein fairer Vergleich zu den xG-Modellen, die nur die Torschüsse sehen?
Nur die ersten 15 Minuten des Spiels zeigen?
Wenn in der Zeit kein Torschuss abgeben wird, kann das xG-Modell nur auf ein 0:0 tippen.
Also, ganz klar werden die Experten den Vergleich gewinnen.
Was aber auch Experten schlechter können, ist zu schätzen, wie viele Tore mehr oder weniger eine Mannschaft in einer gesamten Saison eigentlich hätte erwarten dürfen. Also, wie viele Tore würde eine Mannschaft schießen, wenn sie noch einmal alle Torchancen der gesamten Saison bekäme?
Kaum eine Mannschaft würde noch einmal auf genau die selbe Anzahl kommen. Aber auch Experten würden sich schon allein damit schwer tun, ob es mehr oder weniger Tore beim zweiten Versuch würden. Hier würde ich erwarten, dass die xG-Modelle deutlich besser lägen.
Dass mit solchen Modellen viel Geld verdient wird, davon kann man ausgehen. Da wird es sicherlich auch noch deutlich bessere Modelle geben. Wobei ich eigentlich für noch wichtiger empfinde, dass Experten diese Modelle genau erklären und interpretieren können. Zum Beispiel sollte ein Experte für ein xG-Modell erklären können, inwieweit wir nun Glück hatten oder nicht. Zwar würde ich nicht erwarten, dass man hier sehr genau sein kann. Aber man sollte den Bereich deutlich verkleinern können und genau benennen können, wo bzw. in welchen Spielsituationen es Ungenauigkeiten gab, die keine klare Aussage zulassen. Wenn man dann identifizieren könnte, dass, wie von vielen argumentiert, unser Verteidigungsstil in der Defensive zu einer Überperformance führte, wäre das ein wichtiger Hinweis für die zukünftige Ausrichtung.
Um noch einmal auf den Signifikanztest zurückzukommen. Die Vergleichsgröße zu den xG-Angaben wären die wahren Ergebnisse. Die Erwartunsgwerte dieser Verteilungen sind dann die real erzielten Tore und Punkte.
Man könnte dann einzeln prüfen, ob die Anzahl der geschossenen Tore, der kassierten Gegentore und der geholten Punkte signifikant von den xG-Angaben abweichen. Ich denke, für diesen Test kann man auch auf die xG-Werte für die einzelnen Torschüsse zurückgreifen. Denn die Signifikanz-Aussage ist ein anderer Aspekt. Man probiert nicht etwas damit zu belegen, was eigentlich überprüft werden soll. Es geht nur darum zu prüfen, ob Realität und xG-Werte bei uns zusammenpassen. Die xG-Werte bilden die Verteilung der Tore ab. Das tun sie nicht, wenn die Realität in dieser Verteilung extrem unwahrscheinlich wird. Wenn unsere Überperformance von fast 13 Punkten über den xPoints laut xG-Verteilung so unwahrscheinlich ist, dass so etwas nur alle tausend Jahre vorkommen dürfte, dann ist sicherlich von einem Fehler in der xG-Verteilung auszugehen. Beispielsweise könnte der Bias der xG-Modelle bei Topteams dazu führen.
Solche Signifikanztest machen daher Sinn, auch mit den xG-Wahrscheinlichkeiten. So kann man beispielsweise belegen, dass es bei Favre damals nicht einfach Glück gewesen sein kann.
Zitat von djhaax
Ja, da sind wir wieder bei den xGoals.
Die im Bezug auf ihre statistische Signifikanz zu prüfen, ist in meinen Augen schwierig. Bzw. ist für mich schwer zu verstehen. Wenn wenn man die abhängige Variable als "Spielausgang Sieg, Unentschieden oder Niederlage" definiert und die xGoals als unabhänige Variable nimmt, so müsste man diese dann gegen eine Vergleichsgröße, z.B. die Zahl der Torchancen, testen und idealerweise noch gegen einen Zufallsgenerator. Dazu bräuchte man ein Modell, indem man anhand der Test- und Kontrollgruppen schaut, inwieweit die entsprechenden Werte mit dem Spielausgang korrelieren und ob sie gegenüber dem Zufallsprodukt signifikant genauer sind. Und dann kann man noch sagen, ob die xGoals z.B. gegenüber der z.B. Torschussstatisktik signifikant, meinetwegen p<0,5, genauer in der Vorhersage des Spielausganges sind. Was ich dann noch spannend fände wäre, wenn man es gegen Expertenmeinung testet. D.h. Experten gucken z.B. ein Spiel (am besten aus einer unbekannten Liga mit unbekannten Vereinen), nur die Tore werden herausgeschnitten, dazu baut man im Spiel z.B. Zehn Schnitte ein, sodass man aus den Schnitten keine Rückschlüssen auf das Ergebnis ziehen kann. Im Anschluss sollen die dann sagen, wer das Spiel gewonnen hat und wer die bessere Mannschaft gewesen ist.
Das grundsätzliche Problem beim Fußball ist und bleibt aber die Besonderheit, dass nur wenige Tore über den Spielausgang entscheiden. Dies bedeutet, dass man z.B. nicht sagen kann, dass die bessere Mannschaft immer gewinnt. Die xGoals sollen, zumindest meinem Verständnis nach, eine Krücke sein, um annähernd defeinieren zu können, wer denn nun die bessere Mannschaft in dem Spiel gewesen ist, um den Verantwortlichen einen objektiven Wert an die Hand zu geben. Krücke deshalb, weil es derartig viele Einflussgrößen auf "bessere Mannschaft" gibt, die überhaupt nicht berücksichtigt werden, sodass man sich dem nur annähern und schauen kann, ob es im Großen und Ganzen passt.
In den meisten wissenschaftlichen Untersuchungen würde man es nicht aktzeptieren, dass man diverse Einflussgrößen schlicht ingoriert. Daher ist dieser xGoals und seine Bedeutung für die Fußballwert für mich nur schwer nachzuvollziehen. Im Labor würde man versuchen, Störgrößen so gut es geht zu eliminieren oder aber wenn nicht möglich, diese in die Gleichung mit einzubeziehen.
Ich bin mir auch sehr sicher, dass es in dieser Branche Dienstleister gibt, die genau dies auch schon tun und es da für die Vereine für gutes Geld entsprechend belastbare Statisktiken gibt. Denn letztlich sind wir hier ja nur Forenmokel, die sich da Gedanken machen.
Aber wenn ich mal Zeit habe, suche ich mal eine Statistik Nerd Forum und frage da nach, ob man die xGoals sinnvoll auf ihr Signifikanzniveau testen könnte.
Zitat von mba123
Ich denke, hier ginge es darum, ob die Abweichung zu den xPoints allein durch Zufall erklärbar wäre.
Die Annahme/Nullhypothese wäre dann beispielsweise, dass die Abweichung zu den xPoints zu groß ist, um durch Zufall erkärt werden zu können; also Glück und Pech im Abschluss (weil wir uns ja nur auf xG-Werte beziehen) nicht für diese Diskrepanz zwischen realer Punkteausbeute und xPoints sorgen können.
Man wählt dann ein Signifikanz Niveau, oft beispielsweise 5 %. Das gibt an, welche Irrtumswahrscheinlichkeit man akzeptiert. Also, wenn am Ende die Abweichung mit weniger als 5 % Wahrscheinlichkeit durch Zufall erklärt werden kann, dann wäre die Abweichung signifikant. Man ginge in diesem Fall also davon aus, dass die Abweichung zu den xPoints Methode hat und wahre Leistung dahintersteckt.
Das Problem liegt hier darin, den Zufall zu modellieren und sich auf Annahmen zu einigen. Beispielsweise denke ich auch, dass es einen Bias zu den xPoints gibt. Dann würde man nicht die Abweichung zu den xPoints nehmen, sondern zu den xPoints plus Bias. Der Bias ist aber nicht bestimmt, hier müsste man etwas annehmen.
Kompliziert wird es aber erst beim Zufall. Wie stellt man den Zufall hier da? Die xG-Werte liefern hierzu eigentlich die gewollte Grundlage. Aber hier wird der Nutzen dieser angezweifelt. Dann werden sie wohl eher nicht akzeptiert werden für die Berechnungen, oder? Wobei die Wahrscheinlichkeit, dass wir 64 (aktueller Punktestand) oder mehr Punkte holen, bisher aus den xG-Werten noch nicht berechnet wurde. Vielleicht sind 64 Punkte ja eine signifikante Abweichung, wenn man die xG-Werte heranzieht. Das kann ich nicht sagen. Das zu berechnen bzw. die xG-Daten einzusammeln, ist recht aufwendig.
Allgemein sieht man aber regelmäßig größere Abweichungen zu den xPoints bei Mannschaften. Das spricht dafür, dass solche Abweichungen nicht signifikant sind. Denn auch wenn es Mannschaften gibt, die methodisch von den xPoints abweichen, so sollte das wahrscheinlich nicht für alle gelten. Das hieße dann eben, dass solche Abweichungen durch Zufall entstehen können. Oder sind doch alle Abweichungen durch Leistung begründet?
Auch kann man selber Annahmen treffen, um eine Vorstellung vom Einfluss durch Zufall zu bekommen. Was wäre beispielsweise, wenn alle Mannschaften gleich stark wären und jedes Spiel zufällig mit Sieg, Unentschieden oder Niederlage enden würde?
Auch dann käme es zu großen Unterschieden in den Punkteausbeuten. So würde man den Tabellenersten dann wohl ca. bei 59 Punkten erwarten und den Letzten bei 32 (die Angaben sind nicht exakt, aber wohl eine gute Schätzung). Also 27 Punkte Unterschied zwischen diesen, obwohl beide Mannschaften exakt gleich gut sind.
Aber das ist eben ein Spezial- und Extremfall. Dieser zeigt aber wiederum, dass unsere Überperformance nicht erwartbar ist. Denn auch in diesem Extremfall ist die Abweichung vom Mittelwert, also im Prinzip den xPoints, nicht größer als bei uns. Das macht es unwahrscheinlicher, dass wir bei uns allein von Glück als Erklärung ausgehen können. Aber je nachdem wie groß man den Bias annimmt, den Topteams haben, ist Zufall dann wieder eine Erklärung für die restliche Überperformance.
Ich denke, dass ist dann letztendlich auch die eigentliche Frage, nicht ober wir überperformen, sondern wie viel.
PS: Einen Signifikanz Test mit den xG-Werten als Grundlage, würde ich gerne sehen. Vielleicht macht das irgendein Statistikportal?
Zitat von djhaax
Statistische Signifikanz ist doch ein interessantes Stichwort. Gibt es hier einen Statistikfuchs, der etwas dazu sagen kann, wie die Signifikanz hier bestimmt und angegeben wird?
Statistische Signifikanz ist doch ein interessantes Stichwort. Gibt es hier einen Statistikfuchs, der etwas dazu sagen kann, wie die Signifikanz hier bestimmt und angegeben wird?
Ich denke, hier ginge es darum, ob die Abweichung zu den xPoints allein durch Zufall erklärbar wäre.
Die Annahme/Nullhypothese wäre dann beispielsweise, dass die Abweichung zu den xPoints zu groß ist, um durch Zufall erkärt werden zu können; also Glück und Pech im Abschluss (weil wir uns ja nur auf xG-Werte beziehen) nicht für diese Diskrepanz zwischen realer Punkteausbeute und xPoints sorgen können.
Man wählt dann ein Signifikanz Niveau, oft beispielsweise 5 %. Das gibt an, welche Irrtumswahrscheinlichkeit man akzeptiert. Also, wenn am Ende die Abweichung mit weniger als 5 % Wahrscheinlichkeit durch Zufall erklärt werden kann, dann wäre die Abweichung signifikant. Man ginge in diesem Fall also davon aus, dass die Abweichung zu den xPoints Methode hat und wahre Leistung dahintersteckt.
Das Problem liegt hier darin, den Zufall zu modellieren und sich auf Annahmen zu einigen. Beispielsweise denke ich auch, dass es einen Bias zu den xPoints gibt. Dann würde man nicht die Abweichung zu den xPoints nehmen, sondern zu den xPoints plus Bias. Der Bias ist aber nicht bestimmt, hier müsste man etwas annehmen.
Kompliziert wird es aber erst beim Zufall. Wie stellt man den Zufall hier da? Die xG-Werte liefern hierzu eigentlich die gewollte Grundlage. Aber hier wird der Nutzen dieser angezweifelt. Dann werden sie wohl eher nicht akzeptiert werden für die Berechnungen, oder? Wobei die Wahrscheinlichkeit, dass wir 64 (aktueller Punktestand) oder mehr Punkte holen, bisher aus den xG-Werten noch nicht berechnet wurde. Vielleicht sind 64 Punkte ja eine signifikante Abweichung, wenn man die xG-Werte heranzieht. Das kann ich nicht sagen. Das zu berechnen bzw. die xG-Daten einzusammeln, ist recht aufwendig.
Allgemein sieht man aber regelmäßig größere Abweichungen zu den xPoints bei Mannschaften. Das spricht dafür, dass solche Abweichungen nicht signifikant sind. Denn auch wenn es Mannschaften gibt, die methodisch von den xPoints abweichen, so sollte das wahrscheinlich nicht für alle gelten. Das hieße dann eben, dass solche Abweichungen durch Zufall entstehen können. Oder sind doch alle Abweichungen durch Leistung begründet?
Auch kann man selber Annahmen treffen, um eine Vorstellung vom Einfluss durch Zufall zu bekommen. Was wäre beispielsweise, wenn alle Mannschaften gleich stark wären und jedes Spiel zufällig mit Sieg, Unentschieden oder Niederlage enden würde?
Auch dann käme es zu großen Unterschieden in den Punkteausbeuten. So würde man den Tabellenersten dann wohl ca. bei 59 Punkten erwarten und den Letzten bei 32 (die Angaben sind nicht exakt, aber wohl eine gute Schätzung). Also 27 Punkte Unterschied zwischen diesen, obwohl beide Mannschaften exakt gleich gut sind.
Aber das ist eben ein Spezial- und Extremfall. Dieser zeigt aber wiederum, dass unsere Überperformance nicht erwartbar ist. Denn auch in diesem Extremfall ist die Abweichung vom Mittelwert, also im Prinzip den xPoints, nicht größer als bei uns. Das macht es unwahrscheinlicher, dass wir bei uns allein von Glück als Erklärung ausgehen können. Aber je nachdem wie groß man den Bias annimmt, den Topteams haben, ist Zufall dann wieder eine Erklärung für die restliche Überperformance.
Ich denke, dass ist dann letztendlich auch die eigentliche Frage, nicht ober wir überperformen, sondern wie viel.
PS: Einen Signifikanz Test mit den xG-Werten als Grundlage, würde ich gerne sehen. Vielleicht macht das irgendein Statistikportal?
Ja, da sind wir wieder bei den xGoals.
Die im Bezug auf ihre statistische Signifikanz zu prüfen, ist in meinen Augen schwierig. Bzw. ist für mich schwer zu verstehen. Wenn wenn man die abhängige Variable als "Spielausgang Sieg, Unentschieden oder Niederlage" definiert und die xGoals als unabhänige Variable nimmt, so müsste man diese dann gegen eine Vergleichsgröße, z.B. die Zahl der Torchancen, testen und idealerweise noch gegen einen Zufallsgenerator. Dazu bräuchte man ein Modell, indem man anhand der Test- und Kontrollgruppen schaut, inwieweit die entsprechenden Werte mit dem Spielausgang korrelieren und ob sie gegenüber dem Zufallsprodukt signifikant genauer sind. Und dann kann man noch sagen, ob die xGoals z.B. gegenüber der z.B. Torschussstatisktik signifikant, meinetwegen p<0,5, genauer in der Vorhersage des Spielausganges sind. Was ich dann noch spannend fände wäre, wenn man es gegen Expertenmeinung testet. D.h. Experten gucken z.B. ein Spiel (am besten aus einer unbekannten Liga mit unbekannten Vereinen), nur die Tore werden herausgeschnitten, dazu baut man im Spiel z.B. Zehn Schnitte ein, sodass man aus den Schnitten keine Rückschlüssen auf das Ergebnis ziehen kann. Im Anschluss sollen die dann sagen, wer das Spiel gewonnen hat und wer die bessere Mannschaft gewesen ist.
Das grundsätzliche Problem beim Fußball ist und bleibt aber die Besonderheit, dass nur wenige Tore über den Spielausgang entscheiden. Dies bedeutet, dass man z.B. nicht sagen kann, dass die bessere Mannschaft immer gewinnt. Die xGoals sollen, zumindest meinem Verständnis nach, eine Krücke sein, um annähernd defeinieren zu können, wer denn nun die bessere Mannschaft in dem Spiel gewesen ist, um den Verantwortlichen einen objektiven Wert an die Hand zu geben. Krücke deshalb, weil es derartig viele Einflussgrößen auf "bessere Mannschaft" gibt, die überhaupt nicht berücksichtigt werden, sodass man sich dem nur annähern und schauen kann, ob es im Großen und Ganzen passt.
In den meisten wissenschaftlichen Untersuchungen würde man es nicht aktzeptieren, dass man diverse Einflussgrößen schlicht ingoriert. Daher ist dieser xGoals und seine Bedeutung für die Fußballwert für mich nur schwer nachzuvollziehen. Im Labor würde man versuchen, Störgrößen so gut es geht zu eliminieren oder aber wenn nicht möglich, diese in die Gleichung mit einzubeziehen.
Ich bin mir auch sehr sicher, dass es in dieser Branche Dienstleister gibt, die genau dies auch schon tun und es da für die Vereine für gutes Geld entsprechend belastbare Statisktiken gibt. Denn letztlich sind wir hier ja nur Forenmokel, die sich da Gedanken machen.
Aber wenn ich mal Zeit habe, suche ich mal eine Statistik Nerd Forum und frage da nach, ob man die xGoals sinnvoll auf ihr Signifikanzniveau testen könnte.
Ich denke, man kann davon ausgehen, dass die xGoals erwartungstreu sind. Das heißt, wenn man die xGoals simuliert und Tore gemäß den Wahrscheinlichkeiten der xG-Werte fallen, wird man insgesamt, also über viele Spiele gesehen, auf nahezu die gleiche Anzahl an Toren kommen wie sie in der Realität gefallen sind.
Das sollte eine Voraussetzung für so ein statistisches Modell sein, meiner Meinung nach. Auf die Gesamtmenge an Spielen darf es da keinen Bias geben, wenn man so ein Modell erstellt.
Eine Abweichung bezüglich der Anzahl an Siegen/Niederlagen und Unentschieden könnte es theoretisch dennoch geben. Aber nur, wenn die Trefferwahrscheinlichkeit vom Spielstand abhängt und das gleichzeitig nicht vom xG-Modell berücksichtig würde. Das hieße, die selbe Torchance müsste bei Spielstand Unentschieden eine andere Wahrscheinlichkeit als bei Spielstand Führung oder Rückstand haben. Ich würde das nicht erwarten, aber auch nicht komplett ausschließen. Generell wäre das auch leicht in die xG-Modelle zu integrieren. Keine Ahnung, ob es dafür Ansätze gibt.
Jedenfalls würde ich davon ausgehen, dass die xG-Modelle bei den angebenden Torwahrscheinlichkeiten insofern richtig liegen, dass die Gesamtanzahl der Tore einer Liga und auch die Anzahl der Siege und Unentschieden, über einen längeren Zeitraum gesehen, gut geschätzt werden.
Bezüglich der Aussagekraft auf zukünftige Ergebnisse wurde bereits gezeigt, dass die xG-Modelle hier genauere Prognosen liefern als andere Standardstatistiken, wie die Anzahl der Punkte, der Tore oder der Torschüsse. Artikel dazu, sollten zu finden sein.
Die vielen anderen Einflussfaktoren, die die Stärke eines Teams beschreiben, sorgen dafür, dass die xG-Werte für einzelne Spiele öfters zu ungenau sind. Über einen längeren Zeitraum nimmt die Genauigkeit aber zu. Das selbe gilt aber natürlich auch für andere Statistiken wie die Anzahl der real geholten Punkte oder das echte Torverhältnis. Bei den xG-Werten braucht es eben nur weniger Spiele im Vergleich, um eine ebenso gute Aussage zu liefern. Dennoch braucht es eine gewisse Anzahl an Spielen für eine gute Schätzungen. So macht man es eben auch in anderen Statistiken, wenn es Störgrößen gibt, vergrößert man die Stichprobe und geht davon aus, dass sich die Störgrößen ausmitteln.
Allgemein muss man eben auch nicht immer auf die Leistungsstärke abzielen. Die xG-Werte beziehen sich eben nur auf die Torchancen und da ist es eine wertvolle Information, ob man selber und die Gegner die Chancen gut nutzen.
Experten werden den Ausgang eines Spiels besser schätzen können. Eigentlich reicht es schon die letzten 5 Minuten zu sehen, um zu wissen, wer am Ende führt, auch ohne die Tore zu sehen.
Was wäre hier ein fairer Vergleich zu den xG-Modellen, die nur die Torschüsse sehen?
Nur die ersten 15 Minuten des Spiels zeigen?
Wenn in der Zeit kein Torschuss abgeben wird, kann das xG-Modell nur auf ein 0:0 tippen.
Also, ganz klar werden die Experten den Vergleich gewinnen.
Was aber auch Experten schlechter können, ist zu schätzen, wie viele Tore mehr oder weniger eine Mannschaft in einer gesamten Saison eigentlich hätte erwarten dürfen. Also, wie viele Tore würde eine Mannschaft schießen, wenn sie noch einmal alle Torchancen der gesamten Saison bekäme?
Kaum eine Mannschaft würde noch einmal auf genau die selbe Anzahl kommen. Aber auch Experten würden sich schon allein damit schwer tun, ob es mehr oder weniger Tore beim zweiten Versuch würden. Hier würde ich erwarten, dass die xG-Modelle deutlich besser lägen.
Dass mit solchen Modellen viel Geld verdient wird, davon kann man ausgehen. Da wird es sicherlich auch noch deutlich bessere Modelle geben. Wobei ich eigentlich für noch wichtiger empfinde, dass Experten diese Modelle genau erklären und interpretieren können. Zum Beispiel sollte ein Experte für ein xG-Modell erklären können, inwieweit wir nun Glück hatten oder nicht. Zwar würde ich nicht erwarten, dass man hier sehr genau sein kann. Aber man sollte den Bereich deutlich verkleinern können und genau benennen können, wo bzw. in welchen Spielsituationen es Ungenauigkeiten gab, die keine klare Aussage zulassen. Wenn man dann identifizieren könnte, dass, wie von vielen argumentiert, unser Verteidigungsstil in der Defensive zu einer Überperformance führte, wäre das ein wichtiger Hinweis für die zukünftige Ausrichtung.
Um noch einmal auf den Signifikanztest zurückzukommen. Die Vergleichsgröße zu den xG-Angaben wären die wahren Ergebnisse. Die Erwartunsgwerte dieser Verteilungen sind dann die real erzielten Tore und Punkte.
Man könnte dann einzeln prüfen, ob die Anzahl der geschossenen Tore, der kassierten Gegentore und der geholten Punkte signifikant von den xG-Angaben abweichen. Ich denke, für diesen Test kann man auch auf die xG-Werte für die einzelnen Torschüsse zurückgreifen. Denn die Signifikanz-Aussage ist ein anderer Aspekt. Man probiert nicht etwas damit zu belegen, was eigentlich überprüft werden soll. Es geht nur darum zu prüfen, ob Realität und xG-Werte bei uns zusammenpassen. Die xG-Werte bilden die Verteilung der Tore ab. Das tun sie nicht, wenn die Realität in dieser Verteilung extrem unwahrscheinlich wird. Wenn unsere Überperformance von fast 13 Punkten über den xPoints laut xG-Verteilung so unwahrscheinlich ist, dass so etwas nur alle tausend Jahre vorkommen dürfte, dann ist sicherlich von einem Fehler in der xG-Verteilung auszugehen. Beispielsweise könnte der Bias der xG-Modelle bei Topteams dazu führen.
Solche Signifikanztest machen daher Sinn, auch mit den xG-Wahrscheinlichkeiten. So kann man beispielsweise belegen, dass es bei Favre damals nicht einfach Glück gewesen sein kann.
Fun fact zu den xGoals und xAssists (wovon ich wenig halte), weil ich gerade in der Spielvorschau beim Kicker darüber gestolpert bin:
Durchschnitt der letzten 25 Aufeinandertreffen BVB - Bayer:
xGoals 0,94 : 1,55
xAssists 0,81 : 1,67
Tore 2,16 : 1,48
Siege 13 : 7
Edit: (zweiten Beitrag hinzugefügt)
Gegen Stuttgart letzte Woche übrigens ähnlich.
Durchschnitt der letzten 22 Aufeinandertreffen BVB - VFB:
xGoals 1,51 : 1,97
xAssists 0,95 : 1,41
Tore 2,55 : 1,59
Sagt das nicht mehr über den Wert solcher Spielereien aus als jeder Hypothesentest?
Woher stammen die Daten?
Ein durchschnittlicher xG von 0,94 passt natürlich nicht zu durchschnittlich 2,16 Tore in den Spielen gegen Leverkusen. Da liegt das xG-Modell dann falsch. Wobei mich wundert, dass wir gegen Leverkusen im Schnitt so wenig Chancen erspielt haben sollen, dass das xG-Modell tatsächlich weniger als ein Tor pro Spiel erwartet.
10.04.2026 - 14:54 Uhr
Zitat von mba123
Woher stammen die Daten?
Ein durchschnittlicher xG von 0,94 passt natürlich nicht zu durchschnittlich 2,16 Tore in den Spielen gegen Leverkusen. Da liegt das xG-Modell dann falsch. Wobei mich wundert, dass wir gegen Leverkusen im Schnitt so wenig Chancen erspielt haben sollen, dass das xG-Modell tatsächlich weniger als ein Tor pro Spiel erwartet.
Zitat von -adi-
Fun fact zu den xGoals und xAssists (wovon ich wenig halte), weil ich gerade in der Spielvorschau beim Kicker darüber gestolpert bin:
Durchschnitt der letzten 25 Aufeinandertreffen BVB - Bayer:
xGoals 0,94 : 1,55
xAssists 0,81 : 1,67
Tore 2,16 : 1,48
Siege 13 : 7
Edit: (zweiten Beitrag hinzugefügt)
Gegen Stuttgart letzte Woche übrigens ähnlich.
Durchschnitt der letzten 22 Aufeinandertreffen BVB - VFB:
xGoals 1,51 : 1,97
xAssists 0,95 : 1,41
Tore 2,55 : 1,59
Sagt das nicht mehr über den Wert solcher Spielereien aus als jeder Hypothesentest?
Zitat von mba123
Ich denke, man kann davon ausgehen, dass die xGoals erwartungstreu sind. Das heißt, wenn man die xGoals simuliert und Tore gemäß den Wahrscheinlichkeiten der xG-Werte fallen, wird man insgesamt, also über viele Spiele gesehen, auf nahezu die gleiche Anzahl an Toren kommen wie sie in der Realität gefallen sind.
Das sollte eine Voraussetzung für so ein statistisches Modell sein, meiner Meinung nach. Auf die Gesamtmenge an Spielen darf es da keinen Bias geben, wenn man so ein Modell erstellt.
Eine Abweichung bezüglich der Anzahl an Siegen/Niederlagen und Unentschieden könnte es theoretisch dennoch geben. Aber nur, wenn die Trefferwahrscheinlichkeit vom Spielstand abhängt und das gleichzeitig nicht vom xG-Modell berücksichtig würde. Das hieße, die selbe Torchance müsste bei Spielstand Unentschieden eine andere Wahrscheinlichkeit als bei Spielstand Führung oder Rückstand haben. Ich würde das nicht erwarten, aber auch nicht komplett ausschließen. Generell wäre das auch leicht in die xG-Modelle zu integrieren. Keine Ahnung, ob es dafür Ansätze gibt.
Jedenfalls würde ich davon ausgehen, dass die xG-Modelle bei den angebenden Torwahrscheinlichkeiten insofern richtig liegen, dass die Gesamtanzahl der Tore einer Liga und auch die Anzahl der Siege und Unentschieden, über einen längeren Zeitraum gesehen, gut geschätzt werden.
Bezüglich der Aussagekraft auf zukünftige Ergebnisse wurde bereits gezeigt, dass die xG-Modelle hier genauere Prognosen liefern als andere Standardstatistiken, wie die Anzahl der Punkte, der Tore oder der Torschüsse. Artikel dazu, sollten zu finden sein.
Die vielen anderen Einflussfaktoren, die die Stärke eines Teams beschreiben, sorgen dafür, dass die xG-Werte für einzelne Spiele öfters zu ungenau sind. Über einen längeren Zeitraum nimmt die Genauigkeit aber zu. Das selbe gilt aber natürlich auch für andere Statistiken wie die Anzahl der real geholten Punkte oder das echte Torverhältnis. Bei den xG-Werten braucht es eben nur weniger Spiele im Vergleich, um eine ebenso gute Aussage zu liefern. Dennoch braucht es eine gewisse Anzahl an Spielen für eine gute Schätzungen. So macht man es eben auch in anderen Statistiken, wenn es Störgrößen gibt, vergrößert man die Stichprobe und geht davon aus, dass sich die Störgrößen ausmitteln.
Allgemein muss man eben auch nicht immer auf die Leistungsstärke abzielen. Die xG-Werte beziehen sich eben nur auf die Torchancen und da ist es eine wertvolle Information, ob man selber und die Gegner die Chancen gut nutzen.
Experten werden den Ausgang eines Spiels besser schätzen können. Eigentlich reicht es schon die letzten 5 Minuten zu sehen, um zu wissen, wer am Ende führt, auch ohne die Tore zu sehen.
Was wäre hier ein fairer Vergleich zu den xG-Modellen, die nur die Torschüsse sehen?
Nur die ersten 15 Minuten des Spiels zeigen?
Wenn in der Zeit kein Torschuss abgeben wird, kann das xG-Modell nur auf ein 0:0 tippen.
Also, ganz klar werden die Experten den Vergleich gewinnen.
Was aber auch Experten schlechter können, ist zu schätzen, wie viele Tore mehr oder weniger eine Mannschaft in einer gesamten Saison eigentlich hätte erwarten dürfen. Also, wie viele Tore würde eine Mannschaft schießen, wenn sie noch einmal alle Torchancen der gesamten Saison bekäme?
Kaum eine Mannschaft würde noch einmal auf genau die selbe Anzahl kommen. Aber auch Experten würden sich schon allein damit schwer tun, ob es mehr oder weniger Tore beim zweiten Versuch würden. Hier würde ich erwarten, dass die xG-Modelle deutlich besser lägen.
Dass mit solchen Modellen viel Geld verdient wird, davon kann man ausgehen. Da wird es sicherlich auch noch deutlich bessere Modelle geben. Wobei ich eigentlich für noch wichtiger empfinde, dass Experten diese Modelle genau erklären und interpretieren können. Zum Beispiel sollte ein Experte für ein xG-Modell erklären können, inwieweit wir nun Glück hatten oder nicht. Zwar würde ich nicht erwarten, dass man hier sehr genau sein kann. Aber man sollte den Bereich deutlich verkleinern können und genau benennen können, wo bzw. in welchen Spielsituationen es Ungenauigkeiten gab, die keine klare Aussage zulassen. Wenn man dann identifizieren könnte, dass, wie von vielen argumentiert, unser Verteidigungsstil in der Defensive zu einer Überperformance führte, wäre das ein wichtiger Hinweis für die zukünftige Ausrichtung.
Um noch einmal auf den Signifikanztest zurückzukommen. Die Vergleichsgröße zu den xG-Angaben wären die wahren Ergebnisse. Die Erwartunsgwerte dieser Verteilungen sind dann die real erzielten Tore und Punkte.
Man könnte dann einzeln prüfen, ob die Anzahl der geschossenen Tore, der kassierten Gegentore und der geholten Punkte signifikant von den xG-Angaben abweichen. Ich denke, für diesen Test kann man auch auf die xG-Werte für die einzelnen Torschüsse zurückgreifen. Denn die Signifikanz-Aussage ist ein anderer Aspekt. Man probiert nicht etwas damit zu belegen, was eigentlich überprüft werden soll. Es geht nur darum zu prüfen, ob Realität und xG-Werte bei uns zusammenpassen. Die xG-Werte bilden die Verteilung der Tore ab. Das tun sie nicht, wenn die Realität in dieser Verteilung extrem unwahrscheinlich wird. Wenn unsere Überperformance von fast 13 Punkten über den xPoints laut xG-Verteilung so unwahrscheinlich ist, dass so etwas nur alle tausend Jahre vorkommen dürfte, dann ist sicherlich von einem Fehler in der xG-Verteilung auszugehen. Beispielsweise könnte der Bias der xG-Modelle bei Topteams dazu führen.
Solche Signifikanztest machen daher Sinn, auch mit den xG-Wahrscheinlichkeiten. So kann man beispielsweise belegen, dass es bei Favre damals nicht einfach Glück gewesen sein kann.
Zitat von djhaax
Ja, da sind wir wieder bei den xGoals.
Die im Bezug auf ihre statistische Signifikanz zu prüfen, ist in meinen Augen schwierig. Bzw. ist für mich schwer zu verstehen. Wenn wenn man die abhängige Variable als "Spielausgang Sieg, Unentschieden oder Niederlage" definiert und die xGoals als unabhänige Variable nimmt, so müsste man diese dann gegen eine Vergleichsgröße, z.B. die Zahl der Torchancen, testen und idealerweise noch gegen einen Zufallsgenerator. Dazu bräuchte man ein Modell, indem man anhand der Test- und Kontrollgruppen schaut, inwieweit die entsprechenden Werte mit dem Spielausgang korrelieren und ob sie gegenüber dem Zufallsprodukt signifikant genauer sind. Und dann kann man noch sagen, ob die xGoals z.B. gegenüber der z.B. Torschussstatisktik signifikant, meinetwegen p<0,5, genauer in der Vorhersage des Spielausganges sind. Was ich dann noch spannend fände wäre, wenn man es gegen Expertenmeinung testet. D.h. Experten gucken z.B. ein Spiel (am besten aus einer unbekannten Liga mit unbekannten Vereinen), nur die Tore werden herausgeschnitten, dazu baut man im Spiel z.B. Zehn Schnitte ein, sodass man aus den Schnitten keine Rückschlüssen auf das Ergebnis ziehen kann. Im Anschluss sollen die dann sagen, wer das Spiel gewonnen hat und wer die bessere Mannschaft gewesen ist.
Das grundsätzliche Problem beim Fußball ist und bleibt aber die Besonderheit, dass nur wenige Tore über den Spielausgang entscheiden. Dies bedeutet, dass man z.B. nicht sagen kann, dass die bessere Mannschaft immer gewinnt. Die xGoals sollen, zumindest meinem Verständnis nach, eine Krücke sein, um annähernd defeinieren zu können, wer denn nun die bessere Mannschaft in dem Spiel gewesen ist, um den Verantwortlichen einen objektiven Wert an die Hand zu geben. Krücke deshalb, weil es derartig viele Einflussgrößen auf "bessere Mannschaft" gibt, die überhaupt nicht berücksichtigt werden, sodass man sich dem nur annähern und schauen kann, ob es im Großen und Ganzen passt.
In den meisten wissenschaftlichen Untersuchungen würde man es nicht aktzeptieren, dass man diverse Einflussgrößen schlicht ingoriert. Daher ist dieser xGoals und seine Bedeutung für die Fußballwert für mich nur schwer nachzuvollziehen. Im Labor würde man versuchen, Störgrößen so gut es geht zu eliminieren oder aber wenn nicht möglich, diese in die Gleichung mit einzubeziehen.
Ich bin mir auch sehr sicher, dass es in dieser Branche Dienstleister gibt, die genau dies auch schon tun und es da für die Vereine für gutes Geld entsprechend belastbare Statisktiken gibt. Denn letztlich sind wir hier ja nur Forenmokel, die sich da Gedanken machen.
Aber wenn ich mal Zeit habe, suche ich mal eine Statistik Nerd Forum und frage da nach, ob man die xGoals sinnvoll auf ihr Signifikanzniveau testen könnte.
Zitat von mba123
Ich denke, hier ginge es darum, ob die Abweichung zu den xPoints allein durch Zufall erklärbar wäre.
Die Annahme/Nullhypothese wäre dann beispielsweise, dass die Abweichung zu den xPoints zu groß ist, um durch Zufall erkärt werden zu können; also Glück und Pech im Abschluss (weil wir uns ja nur auf xG-Werte beziehen) nicht für diese Diskrepanz zwischen realer Punkteausbeute und xPoints sorgen können.
Man wählt dann ein Signifikanz Niveau, oft beispielsweise 5 %. Das gibt an, welche Irrtumswahrscheinlichkeit man akzeptiert. Also, wenn am Ende die Abweichung mit weniger als 5 % Wahrscheinlichkeit durch Zufall erklärt werden kann, dann wäre die Abweichung signifikant. Man ginge in diesem Fall also davon aus, dass die Abweichung zu den xPoints Methode hat und wahre Leistung dahintersteckt.
Das Problem liegt hier darin, den Zufall zu modellieren und sich auf Annahmen zu einigen. Beispielsweise denke ich auch, dass es einen Bias zu den xPoints gibt. Dann würde man nicht die Abweichung zu den xPoints nehmen, sondern zu den xPoints plus Bias. Der Bias ist aber nicht bestimmt, hier müsste man etwas annehmen.
Kompliziert wird es aber erst beim Zufall. Wie stellt man den Zufall hier da? Die xG-Werte liefern hierzu eigentlich die gewollte Grundlage. Aber hier wird der Nutzen dieser angezweifelt. Dann werden sie wohl eher nicht akzeptiert werden für die Berechnungen, oder? Wobei die Wahrscheinlichkeit, dass wir 64 (aktueller Punktestand) oder mehr Punkte holen, bisher aus den xG-Werten noch nicht berechnet wurde. Vielleicht sind 64 Punkte ja eine signifikante Abweichung, wenn man die xG-Werte heranzieht. Das kann ich nicht sagen. Das zu berechnen bzw. die xG-Daten einzusammeln, ist recht aufwendig.
Allgemein sieht man aber regelmäßig größere Abweichungen zu den xPoints bei Mannschaften. Das spricht dafür, dass solche Abweichungen nicht signifikant sind. Denn auch wenn es Mannschaften gibt, die methodisch von den xPoints abweichen, so sollte das wahrscheinlich nicht für alle gelten. Das hieße dann eben, dass solche Abweichungen durch Zufall entstehen können. Oder sind doch alle Abweichungen durch Leistung begründet?
Auch kann man selber Annahmen treffen, um eine Vorstellung vom Einfluss durch Zufall zu bekommen. Was wäre beispielsweise, wenn alle Mannschaften gleich stark wären und jedes Spiel zufällig mit Sieg, Unentschieden oder Niederlage enden würde?
Auch dann käme es zu großen Unterschieden in den Punkteausbeuten. So würde man den Tabellenersten dann wohl ca. bei 59 Punkten erwarten und den Letzten bei 32 (die Angaben sind nicht exakt, aber wohl eine gute Schätzung). Also 27 Punkte Unterschied zwischen diesen, obwohl beide Mannschaften exakt gleich gut sind.
Aber das ist eben ein Spezial- und Extremfall. Dieser zeigt aber wiederum, dass unsere Überperformance nicht erwartbar ist. Denn auch in diesem Extremfall ist die Abweichung vom Mittelwert, also im Prinzip den xPoints, nicht größer als bei uns. Das macht es unwahrscheinlicher, dass wir bei uns allein von Glück als Erklärung ausgehen können. Aber je nachdem wie groß man den Bias annimmt, den Topteams haben, ist Zufall dann wieder eine Erklärung für die restliche Überperformance.
Ich denke, dass ist dann letztendlich auch die eigentliche Frage, nicht ober wir überperformen, sondern wie viel.
PS: Einen Signifikanz Test mit den xG-Werten als Grundlage, würde ich gerne sehen. Vielleicht macht das irgendein Statistikportal?
Zitat von djhaax
Statistische Signifikanz ist doch ein interessantes Stichwort. Gibt es hier einen Statistikfuchs, der etwas dazu sagen kann, wie die Signifikanz hier bestimmt und angegeben wird?
Statistische Signifikanz ist doch ein interessantes Stichwort. Gibt es hier einen Statistikfuchs, der etwas dazu sagen kann, wie die Signifikanz hier bestimmt und angegeben wird?
Ich denke, hier ginge es darum, ob die Abweichung zu den xPoints allein durch Zufall erklärbar wäre.
Die Annahme/Nullhypothese wäre dann beispielsweise, dass die Abweichung zu den xPoints zu groß ist, um durch Zufall erkärt werden zu können; also Glück und Pech im Abschluss (weil wir uns ja nur auf xG-Werte beziehen) nicht für diese Diskrepanz zwischen realer Punkteausbeute und xPoints sorgen können.
Man wählt dann ein Signifikanz Niveau, oft beispielsweise 5 %. Das gibt an, welche Irrtumswahrscheinlichkeit man akzeptiert. Also, wenn am Ende die Abweichung mit weniger als 5 % Wahrscheinlichkeit durch Zufall erklärt werden kann, dann wäre die Abweichung signifikant. Man ginge in diesem Fall also davon aus, dass die Abweichung zu den xPoints Methode hat und wahre Leistung dahintersteckt.
Das Problem liegt hier darin, den Zufall zu modellieren und sich auf Annahmen zu einigen. Beispielsweise denke ich auch, dass es einen Bias zu den xPoints gibt. Dann würde man nicht die Abweichung zu den xPoints nehmen, sondern zu den xPoints plus Bias. Der Bias ist aber nicht bestimmt, hier müsste man etwas annehmen.
Kompliziert wird es aber erst beim Zufall. Wie stellt man den Zufall hier da? Die xG-Werte liefern hierzu eigentlich die gewollte Grundlage. Aber hier wird der Nutzen dieser angezweifelt. Dann werden sie wohl eher nicht akzeptiert werden für die Berechnungen, oder? Wobei die Wahrscheinlichkeit, dass wir 64 (aktueller Punktestand) oder mehr Punkte holen, bisher aus den xG-Werten noch nicht berechnet wurde. Vielleicht sind 64 Punkte ja eine signifikante Abweichung, wenn man die xG-Werte heranzieht. Das kann ich nicht sagen. Das zu berechnen bzw. die xG-Daten einzusammeln, ist recht aufwendig.
Allgemein sieht man aber regelmäßig größere Abweichungen zu den xPoints bei Mannschaften. Das spricht dafür, dass solche Abweichungen nicht signifikant sind. Denn auch wenn es Mannschaften gibt, die methodisch von den xPoints abweichen, so sollte das wahrscheinlich nicht für alle gelten. Das hieße dann eben, dass solche Abweichungen durch Zufall entstehen können. Oder sind doch alle Abweichungen durch Leistung begründet?
Auch kann man selber Annahmen treffen, um eine Vorstellung vom Einfluss durch Zufall zu bekommen. Was wäre beispielsweise, wenn alle Mannschaften gleich stark wären und jedes Spiel zufällig mit Sieg, Unentschieden oder Niederlage enden würde?
Auch dann käme es zu großen Unterschieden in den Punkteausbeuten. So würde man den Tabellenersten dann wohl ca. bei 59 Punkten erwarten und den Letzten bei 32 (die Angaben sind nicht exakt, aber wohl eine gute Schätzung). Also 27 Punkte Unterschied zwischen diesen, obwohl beide Mannschaften exakt gleich gut sind.
Aber das ist eben ein Spezial- und Extremfall. Dieser zeigt aber wiederum, dass unsere Überperformance nicht erwartbar ist. Denn auch in diesem Extremfall ist die Abweichung vom Mittelwert, also im Prinzip den xPoints, nicht größer als bei uns. Das macht es unwahrscheinlicher, dass wir bei uns allein von Glück als Erklärung ausgehen können. Aber je nachdem wie groß man den Bias annimmt, den Topteams haben, ist Zufall dann wieder eine Erklärung für die restliche Überperformance.
Ich denke, dass ist dann letztendlich auch die eigentliche Frage, nicht ober wir überperformen, sondern wie viel.
PS: Einen Signifikanz Test mit den xG-Werten als Grundlage, würde ich gerne sehen. Vielleicht macht das irgendein Statistikportal?
Ja, da sind wir wieder bei den xGoals.
Die im Bezug auf ihre statistische Signifikanz zu prüfen, ist in meinen Augen schwierig. Bzw. ist für mich schwer zu verstehen. Wenn wenn man die abhängige Variable als "Spielausgang Sieg, Unentschieden oder Niederlage" definiert und die xGoals als unabhänige Variable nimmt, so müsste man diese dann gegen eine Vergleichsgröße, z.B. die Zahl der Torchancen, testen und idealerweise noch gegen einen Zufallsgenerator. Dazu bräuchte man ein Modell, indem man anhand der Test- und Kontrollgruppen schaut, inwieweit die entsprechenden Werte mit dem Spielausgang korrelieren und ob sie gegenüber dem Zufallsprodukt signifikant genauer sind. Und dann kann man noch sagen, ob die xGoals z.B. gegenüber der z.B. Torschussstatisktik signifikant, meinetwegen p<0,5, genauer in der Vorhersage des Spielausganges sind. Was ich dann noch spannend fände wäre, wenn man es gegen Expertenmeinung testet. D.h. Experten gucken z.B. ein Spiel (am besten aus einer unbekannten Liga mit unbekannten Vereinen), nur die Tore werden herausgeschnitten, dazu baut man im Spiel z.B. Zehn Schnitte ein, sodass man aus den Schnitten keine Rückschlüssen auf das Ergebnis ziehen kann. Im Anschluss sollen die dann sagen, wer das Spiel gewonnen hat und wer die bessere Mannschaft gewesen ist.
Das grundsätzliche Problem beim Fußball ist und bleibt aber die Besonderheit, dass nur wenige Tore über den Spielausgang entscheiden. Dies bedeutet, dass man z.B. nicht sagen kann, dass die bessere Mannschaft immer gewinnt. Die xGoals sollen, zumindest meinem Verständnis nach, eine Krücke sein, um annähernd defeinieren zu können, wer denn nun die bessere Mannschaft in dem Spiel gewesen ist, um den Verantwortlichen einen objektiven Wert an die Hand zu geben. Krücke deshalb, weil es derartig viele Einflussgrößen auf "bessere Mannschaft" gibt, die überhaupt nicht berücksichtigt werden, sodass man sich dem nur annähern und schauen kann, ob es im Großen und Ganzen passt.
In den meisten wissenschaftlichen Untersuchungen würde man es nicht aktzeptieren, dass man diverse Einflussgrößen schlicht ingoriert. Daher ist dieser xGoals und seine Bedeutung für die Fußballwert für mich nur schwer nachzuvollziehen. Im Labor würde man versuchen, Störgrößen so gut es geht zu eliminieren oder aber wenn nicht möglich, diese in die Gleichung mit einzubeziehen.
Ich bin mir auch sehr sicher, dass es in dieser Branche Dienstleister gibt, die genau dies auch schon tun und es da für die Vereine für gutes Geld entsprechend belastbare Statisktiken gibt. Denn letztlich sind wir hier ja nur Forenmokel, die sich da Gedanken machen.
Aber wenn ich mal Zeit habe, suche ich mal eine Statistik Nerd Forum und frage da nach, ob man die xGoals sinnvoll auf ihr Signifikanzniveau testen könnte.
Ich denke, man kann davon ausgehen, dass die xGoals erwartungstreu sind. Das heißt, wenn man die xGoals simuliert und Tore gemäß den Wahrscheinlichkeiten der xG-Werte fallen, wird man insgesamt, also über viele Spiele gesehen, auf nahezu die gleiche Anzahl an Toren kommen wie sie in der Realität gefallen sind.
Das sollte eine Voraussetzung für so ein statistisches Modell sein, meiner Meinung nach. Auf die Gesamtmenge an Spielen darf es da keinen Bias geben, wenn man so ein Modell erstellt.
Eine Abweichung bezüglich der Anzahl an Siegen/Niederlagen und Unentschieden könnte es theoretisch dennoch geben. Aber nur, wenn die Trefferwahrscheinlichkeit vom Spielstand abhängt und das gleichzeitig nicht vom xG-Modell berücksichtig würde. Das hieße, die selbe Torchance müsste bei Spielstand Unentschieden eine andere Wahrscheinlichkeit als bei Spielstand Führung oder Rückstand haben. Ich würde das nicht erwarten, aber auch nicht komplett ausschließen. Generell wäre das auch leicht in die xG-Modelle zu integrieren. Keine Ahnung, ob es dafür Ansätze gibt.
Jedenfalls würde ich davon ausgehen, dass die xG-Modelle bei den angebenden Torwahrscheinlichkeiten insofern richtig liegen, dass die Gesamtanzahl der Tore einer Liga und auch die Anzahl der Siege und Unentschieden, über einen längeren Zeitraum gesehen, gut geschätzt werden.
Bezüglich der Aussagekraft auf zukünftige Ergebnisse wurde bereits gezeigt, dass die xG-Modelle hier genauere Prognosen liefern als andere Standardstatistiken, wie die Anzahl der Punkte, der Tore oder der Torschüsse. Artikel dazu, sollten zu finden sein.
Die vielen anderen Einflussfaktoren, die die Stärke eines Teams beschreiben, sorgen dafür, dass die xG-Werte für einzelne Spiele öfters zu ungenau sind. Über einen längeren Zeitraum nimmt die Genauigkeit aber zu. Das selbe gilt aber natürlich auch für andere Statistiken wie die Anzahl der real geholten Punkte oder das echte Torverhältnis. Bei den xG-Werten braucht es eben nur weniger Spiele im Vergleich, um eine ebenso gute Aussage zu liefern. Dennoch braucht es eine gewisse Anzahl an Spielen für eine gute Schätzungen. So macht man es eben auch in anderen Statistiken, wenn es Störgrößen gibt, vergrößert man die Stichprobe und geht davon aus, dass sich die Störgrößen ausmitteln.
Allgemein muss man eben auch nicht immer auf die Leistungsstärke abzielen. Die xG-Werte beziehen sich eben nur auf die Torchancen und da ist es eine wertvolle Information, ob man selber und die Gegner die Chancen gut nutzen.
Experten werden den Ausgang eines Spiels besser schätzen können. Eigentlich reicht es schon die letzten 5 Minuten zu sehen, um zu wissen, wer am Ende führt, auch ohne die Tore zu sehen.
Was wäre hier ein fairer Vergleich zu den xG-Modellen, die nur die Torschüsse sehen?
Nur die ersten 15 Minuten des Spiels zeigen?
Wenn in der Zeit kein Torschuss abgeben wird, kann das xG-Modell nur auf ein 0:0 tippen.
Also, ganz klar werden die Experten den Vergleich gewinnen.
Was aber auch Experten schlechter können, ist zu schätzen, wie viele Tore mehr oder weniger eine Mannschaft in einer gesamten Saison eigentlich hätte erwarten dürfen. Also, wie viele Tore würde eine Mannschaft schießen, wenn sie noch einmal alle Torchancen der gesamten Saison bekäme?
Kaum eine Mannschaft würde noch einmal auf genau die selbe Anzahl kommen. Aber auch Experten würden sich schon allein damit schwer tun, ob es mehr oder weniger Tore beim zweiten Versuch würden. Hier würde ich erwarten, dass die xG-Modelle deutlich besser lägen.
Dass mit solchen Modellen viel Geld verdient wird, davon kann man ausgehen. Da wird es sicherlich auch noch deutlich bessere Modelle geben. Wobei ich eigentlich für noch wichtiger empfinde, dass Experten diese Modelle genau erklären und interpretieren können. Zum Beispiel sollte ein Experte für ein xG-Modell erklären können, inwieweit wir nun Glück hatten oder nicht. Zwar würde ich nicht erwarten, dass man hier sehr genau sein kann. Aber man sollte den Bereich deutlich verkleinern können und genau benennen können, wo bzw. in welchen Spielsituationen es Ungenauigkeiten gab, die keine klare Aussage zulassen. Wenn man dann identifizieren könnte, dass, wie von vielen argumentiert, unser Verteidigungsstil in der Defensive zu einer Überperformance führte, wäre das ein wichtiger Hinweis für die zukünftige Ausrichtung.
Um noch einmal auf den Signifikanztest zurückzukommen. Die Vergleichsgröße zu den xG-Angaben wären die wahren Ergebnisse. Die Erwartunsgwerte dieser Verteilungen sind dann die real erzielten Tore und Punkte.
Man könnte dann einzeln prüfen, ob die Anzahl der geschossenen Tore, der kassierten Gegentore und der geholten Punkte signifikant von den xG-Angaben abweichen. Ich denke, für diesen Test kann man auch auf die xG-Werte für die einzelnen Torschüsse zurückgreifen. Denn die Signifikanz-Aussage ist ein anderer Aspekt. Man probiert nicht etwas damit zu belegen, was eigentlich überprüft werden soll. Es geht nur darum zu prüfen, ob Realität und xG-Werte bei uns zusammenpassen. Die xG-Werte bilden die Verteilung der Tore ab. Das tun sie nicht, wenn die Realität in dieser Verteilung extrem unwahrscheinlich wird. Wenn unsere Überperformance von fast 13 Punkten über den xPoints laut xG-Verteilung so unwahrscheinlich ist, dass so etwas nur alle tausend Jahre vorkommen dürfte, dann ist sicherlich von einem Fehler in der xG-Verteilung auszugehen. Beispielsweise könnte der Bias der xG-Modelle bei Topteams dazu führen.
Solche Signifikanztest machen daher Sinn, auch mit den xG-Wahrscheinlichkeiten. So kann man beispielsweise belegen, dass es bei Favre damals nicht einfach Glück gewesen sein kann.
Fun fact zu den xGoals und xAssists (wovon ich wenig halte), weil ich gerade in der Spielvorschau beim Kicker darüber gestolpert bin:
Durchschnitt der letzten 25 Aufeinandertreffen BVB - Bayer:
xGoals 0,94 : 1,55
xAssists 0,81 : 1,67
Tore 2,16 : 1,48
Siege 13 : 7
Edit: (zweiten Beitrag hinzugefügt)
Gegen Stuttgart letzte Woche übrigens ähnlich.
Durchschnitt der letzten 22 Aufeinandertreffen BVB - VFB:
xGoals 1,51 : 1,97
xAssists 0,95 : 1,41
Tore 2,55 : 1,59
Sagt das nicht mehr über den Wert solcher Spielereien aus als jeder Hypothesentest?
Woher stammen die Daten?
Ein durchschnittlicher xG von 0,94 passt natürlich nicht zu durchschnittlich 2,16 Tore in den Spielen gegen Leverkusen. Da liegt das xG-Modell dann falsch. Wobei mich wundert, dass wir gegen Leverkusen im Schnitt so wenig Chancen erspielt haben sollen, dass das xG-Modell tatsächlich weniger als ein Tor pro Spiel erwartet.
Wenn man in der Kicker-App auf die Begegnung geht und dann rechts von "Tabelle" auf "Direktvergleich", kommt etwas weiter unten eine Rubrik "Durchschnittswerte der letzten 25 Aufeinandertreffen".
Post-Optionen
Den kompletten Thread wirklich löschen?
Paten-Optionen
Möchtest Du den Beitrag wirklich löschen?
Diesen Beitrag alarmieren
Diesen Beitrag alarmieren
Diesen Beitrag alarmieren
Lesezeichen
Abonnierte Threads
Guter Beitrag
Guter Beitrag
Guter Beitrag
Post-Optionen
Nutze die Thread-Suche, wenn Du diesen Post in einen anderen Thread verschieben möchtest. Drücke Thread erstellen, wenn aus diesem Post ein eigenständiger Thread werden soll.