看到有人说叶总一己之力让球队没季後赛，想说总教练到底能影响球队多少胜场 这是一篇来自德州大学、爱达荷大学和密西根大学2008年的研究 原文连结：https://reurl.cc/qKOOOq PTT随便分享有趣的文只用ChatGPT翻译摘要，报告形式就随便了，轻松看 文章有点长，想偷懒可以直接拉到最後看Discussion 开始罗 这几位作者在2003年就有做过类似研究，这篇算是分成两个类别做研究讨论 Smart 和 Wolfe 将 MLB 球队场上总教练的「技能与工作经验」以以下代理变项（proxies ）加以操作化： 1. 年龄（AGE） 2. 执教现任球队的年数（YMCT） 3. 年度最佳教练奖次数（MOYA） 4. 累积执教胜率（MWP） 5. MLB 总教练经验年数（MLE） 6. 曾执教过的 MLB 球队数量（MLBTM） 7. 开始执教现任球队的年份（FYMT） 8. 当年度教练更换与否（IYMC） 他们对上述领导变数进行主成分因素分析（principal components factor analysis）， 结果提取出两个特徵值（eigenvalue）大於 1.00 的主要成分，分别代表： 1. 教练经验（managerial experience）：AGE、YMCT、MOYA、MWP、MLE、MLBTM； 2. 教练变动（managerial change）：FYMT、IYMC。 Smart 和 Wolfe（2003）希望探讨胜败纪录的变异有多大比例可归因於球员资源或场上总 教练的领导力，因此使用多元回归分析（multiple regression），检验三大自变项的解 释力： 1. 球队进攻资源（team offensive resources） 2. 球队防守资源（team defensive resources） 3. 两项由领导变数衍生出的因素：教练经验因子（ExpFac）与教练变动因子（ChngFac） 时间序列横断面（TSCS）回归分析的结果显示，四个自变项中有三个能显着解释胜率的变 异： 1. 球队防守资源可解释胜率变异的 59%； 2. 球队进攻资源再解释了 额外 7% 的变异； 3. 领导力相关因素的贡献非常小，其中「经验因子（ExpFac）」无显着解释力，而「变动因 子（ChngFac）」仅额外解释了 1.21% 的胜率变异。 这样大概解释了68%的胜率变异，但他们不认为那剩下的32%未解释变异与『领导力』无关 於是在2008年这篇有一些改良 Smart 和 Wolfe（2003）对领导力的操作化方式与 Castanias 和 Helfat（1991, 2001） 提出的「管理租金模型（managerial rents model）」一致。Castanias 和 Helfat 将执 行长（CEO）视为企业资源，这些资源拥有不同层次与数量的三类技能：一般技能（ generic skills）、产业特定技能（industry-specific skills）与企业特定技能（ firm-specific skills）（Bailey & Helfat, 2003, 第 351 页）。 Smart 和 Wolfe 采用了下列代理变项来对应这三种技能： 1. 经理年龄（manager age）→ 一般技能（因为年龄可反映许多管理者人力资本的面向） 2. 执教年数（years managing）→ 产业特定技能 3. 执教现任球队年数（years managing current team）→ 企业特定技能 由於教练之间的球员经历不同，因此在产业特定的专业基础上也存在差异，这种人力资本 差异进而与组织绩效的差异有关。 在本研究中，也纳入与教练球员经历相关的变数，并更细致地区分球员经历的不同面向， 包括：出赛场次、所效力球队数量、以及球员生涯年数。此外，也区分教练是否曾是野手 （position player），因为投手的经验与野手大不相同（例如投手通常每隔四、五天才上 场；常与球队其他成员分开待在牛棚；且训练方式截然不同），这些差异可能使投手出身 的教练较难有效地与野手互动。 因此，我们在 Smart 和 Wolfe（2003）的八项变数基础上，额外新增了五项变数： 1. 是否曾在 MLB 出赛（PMLB） 2. 是否为野手出身（POS） 3. 职业生涯出赛场次（GP） 4. 职业生涯年数（YP） 5. 曾效力的 MLB 球队数量（TPF） 此外，还新增了一个虚拟变数，代表教练是否为首次在 MLB 执教（FYMLB）。 经过 varimax 旋转後的主成分分析结果显示，有四个特徵值大於 1.00 的主要成分，总 共解释了超过 74% 的变异。 这四个提取出的主成分分别代表： 1. 教练的 MLB 球员经验（PLAYEXP）：由 YP、TPF、PMLB、GP、POS 组成。 2. MLB 教练经验（MANAGEEXP）：由 AGE、MLBTM、MLE、MOYA 组成。 3. 教练变动相关变数（CHANGE）：由 FYMT、FYMLB、MWP、IYMC 组成。 4. 现任球队任期（TENURE）：YMCT。 呈现了这些主成分与胜率（WP）、进攻资源（TOR）及防守资源（TDR）之间的相关性。 https://lurl.cc/bHq88 上面提到的问题可以透过估计「生产前缘（production frontier）」来解决，这里采用 假设 Cobb-Douglas 生产函数 的 随机前缘分析法（stochastic frontier analysis, SFA）。 使用随机前缘分析的原因是：它能够准确反映「投入报酬递减」的现象。与传统的回归分 析不同，生产前缘分析允许我们评估各位教练（经理）的相对效率。在估计出每位教练的 相对效率後，我们再进一步检验教练效率与其个人特徵之间的关联，方法包括： 计算相关系数（correlation coefficients），以及 比较「最高效率」与「最低效率」教练之间的平均值差异。 以下说明前缘分析方法： 本研究在前缘分析中使用的样本与前述回归分析相同，也就是1991–2005 年期间所有参 加美国职棒大联盟（MLB）的球队。 第一步，我们估计场上教练（field manager）的效率。 具体而言，我们估算一位「有效率的教练」在给定进攻与防守资源条件下，理论上应能取 得多少胜场。 与前文一致，我们假设： 1. 非投手（non-pitchers） 贡献进攻面（offense） 2. 投手（pitchers） 贡献防守面（defense） 进攻资源（offensive resources） 以 TOR（与前述分析相同）衡量； 防守资源（defensive resources） 则以 球队防御率（ERA） 表示。 之所以使用 ERA 而非 TDR，是因为 Cobb-Douglas 生产函数无法处理负值，而 TDR 是相 对统计量，可能包含正负值，因此改用 ERA 这个基础防守指标。 我们估计的 Cobb-Douglas 生产函数(我不会用PTT输入这函数，有兴趣可以自己看原文) win% = f(TOR,ERA) + ε win%：某球队的胜率（乘以 1000）， TOR：某球队的进攻资源， ERA：某球队的防守资源， ε：误差项，限制为非正（negative）。 由於这是生产前缘分析，所有观测点都必须位於前缘之内。 因此，误差项被约束为非负值（positive），且最有效率的教练其误差项将等於 0。 他们依据好几个公式计算每位教练的效率(这些公式一样有兴趣看原文) 举例来说： 在 2005 年，亚特兰大勇士队（Atlanta Braves） 的 TOR = 787.912 ERA = 3.98 胜率（winning percentage）= 0.556 因此，Bobby Cox 在 2005 年的效率为 0.8290。 估算出样本所有教练的效率後，接着分析哪些教练特徵与效率显着相关 管理效率与管理者特徵的关系 下表显示了管理效率（manager efficiency, MEFF）与先前辨识出的各项管理者特徵之 间的相关性。 https://lurl.cc/okRyN 除了与 MLB 球员经验有关的变数（PMLB、POS、GP、YP、TPF）之外，其余所有变数都与 管理效率之间存在显着相关（除 AGE 为 p < .10 外，其余变数皆达到 p < .01）。 虽然有多项显着相关，但这些相关的强度并不高，仅介於 .086 到 .272 之间。 为了更深入了解哪些管理特徵能够区分出「高效率」与「低效率」的管理者，比较效率最 高与效率最低的教练之特徵差异。 具体而言，我们找出了在 1991–2005 期间於 MLB 担任场上教练（field manager）达 五年以上经验者，共有 31 位。 如下表列出了这些教练，并依照效率高低排序，显示其平均效率、管理年数以及所带领过 的球队数量。 https://lurl.cc/qWSyo 接着，我们对效率最高的十位教练与效率最低的十位教练进行一系列 t 检定（t-tests） （见表 7）。 结果显示，两组的平均效率（.84 与 .77）有显着差异（p < .001）。 更具体地说，研究结果指出，高效率教练的主要区辨因素在於其 MLB 管理经验： 1. 他们在 MLB 管理的年数较多（MLE；p < .01）， 2. 管理过的 MLB 球队数量较多（MLBTM；p < .01）， 且获得过更多的「年度最佳教练奖（Manager of the Year Awards, MOYA；p < .01）」 然而，与相关分析的结果一致，这些结果无法指出因果方向。 也就是说，无法确定： 是「管理经验促进效率」，还是「早期就展现高效率的教练因为表现好而能留任更久」。 为了探讨此问题，我们进一步检视了教练的效率随时间的变化。 结果显示，无论是依效率分群（高、中、低）或是个别检视各教练，其效率并没有明显的 时间趋势。 管理者薪资、效率与特徵之间的关系 蒐集了 2000 年 MLB 教练薪资，并分析其与 1999 年与 2000 年的管理效率（MEFF）及 相关特徵的相关性（见下表）。 https://lurl.cc/EHRCv 有趣的是，无论是 1999 年或 2000 年的管理效率，都与 2000 年的薪资之间没有显着相 关。然而，我们发现 管理经验与薪资之间存在强烈相关性。 构成「管理经验」这一因子的各项属性（AGE、MLBTM、MLE、MOYA）皆与薪资呈显着正相 关。 因此，我们可以看出，球队倾向以较高薪酬回报更有经验的教练。 然而，这也暗示出教练薪酬制度存在效率问题（inefficiency in managerial compensation）： 薪资与「经验」高度相关，但与「实际效率」却没有显着关联。 讨论（Discussion） 本研究的目的在於进一步理解场上教练（field managers）对美国职棒大联盟（MLB）球 队表现的贡献。 为了达成此目的，并依循既有文献的建议，我们扩充了场上教练／领导力构念（ leadership construct）的操作化。 具体而言，我们新增了与产业特定经验（industry-specific experience）相关的变数（ Castanias & Helfat, 2001），亦即教练本身的球员经验，并透过回归分析来评估领导者 的贡献。 此外，我们也使用前缘分析（frontier analysis），试图更深入理解场上教练对球队表 现的实际影响。 回归分析的结果延续了 Smart 与 Wolfe（2003）的发现──场上教练对球队胜率的贡献 非常有限。 透过前缘分析，我们区分出效率高与效率低的教练，并进一步探讨管理效率与管理者特徵 之间的关系，同时检视这些特徵与薪资的关联。 分析结果显示，管理效率与领导属性之间存在若干显着相关； 其中，效率较高的教练具有更多 MLB 管理经验，且获得更多年度最佳教练奖（Manager of the Year Awards）。 然而，尽管这些相关显着，其相关强度并不高；而高、低效率教练之间的领导特质差异， 也无法提供明确的因果方向。 对教练效率的纵向检视亦显示，效率并不会随时间增加。 虽然本研究的其中一个目标是透过加入「产业特定」变数（如 MLB 球员经验）来「深入 挖掘」领导者的经验（Castanias & Helfat, 2001）， 但我们的回归与前缘分析结果与 Singell（1993）的研究不一致，显示球员经验并不提升 教练的管理效能。 尽管我们的薪资资料仅限於一年（2000 年），结果显示教练效率与薪资之间没有显着关 联（见表 8）。 但我们确实发现，管理经验对教练薪资有强烈影响。 构成管理经验因素的各项变数（年龄、年度最佳教练奖、MLB 管理年数、带领球队数）皆 与薪资显着相关。 这些结果与当前学界与媒体对「薪酬与绩效脱钩（decoupling of pay and performance ）」的讨论一致（Bebchuk & Fried, 2006）。 近年的新闻报导中也有许多企业案例显示「高薪低效」的现象（如 Home Depot 的 Nardelli、Pfizer 的 McKinnell、Morgan Stanley 的 Purcer：Lublin, Zimmerman & Terhune, 2007；Simon, 2006；Thorton & Reed, 2005）， 这些例子在企业界中提供了类似的经验性支持。 此外，我们的发现也呼应了 Malmendier 与 Tate（2005）的主张──获奖经理人（如得 奖 CEO）往往能获得不相称的高额报酬。 我们的结果指出，场上教练的薪资决策主要依据具体且可见的属性与成果， 例如管理经验（管理年数、在现任球队的任期）与公开的成就（如年度最佳教练奖）。 这些「公开可见」的变数，可能因为有助於向外部利害关系人（stakeholders）正当化薪 资决策， 而被球团用来取代更抽象、难以量化的「效率」作为薪资依据。 然而，这项推测仍需未来研究进一步验证，因为此议题超出了本研究的资料与目的范围。 我们预测，场上教练对球队胜率的有限贡献，在未来可能会更进一步缩减。 这主要是因为 MLB 近年出现了多项重大变革，其中最重要的一项是量化分析（ quantitative approaches）在球员评估、招募与比赛决策中的迅速普及。 正如 Lewis（2003）的《魔球》（Moneyball）以及其他学者（Sunstein & Thaler, 2003 ；Caron & Gely, 2004）所描述的， 以统计方法建立客观棒球知识的「赛柏计量学（sabermetrics）」自 2000 年代初被奥克 兰运动家队采用以来，已逐渐扩散开来。 波士顿红袜队於 2002 年「聘请了一批棒球数据分析专家」（Birger, 2005）； 多伦多蓝鸟队在 2003 年球季雇用了「数据分析师出身」的总经理 J.P. Ricciardi（ Joe Saraceno, 2004）； 2005 年球季後，德州游骑兵队聘用了 28 岁的 Jon Daniels——「一位典型的新世代总 管，以统计分析为核心」（Cannella, 2005, p. 71）； 亚利桑那响尾蛇队也聘请了 35 岁、以擅长统计分析着称的 Josh Byrnes（Baum, 2005） 。 在本研究涵盖的大多数时期与球队中，场上教练对球员选择及比赛战术拥有相当大的自主 权。 然而，这种「教练为中心（field manager-centric）」的模式与赛柏计量学的逻辑并不 一致—— 在後者体系中，教练在球员招募与战术决策中的角色被大幅削弱，而这些决策越来越依赖 统计数据。 因此，随着赛柏计量学的普及，教练对球队绩效的贡献预期将进一步下降。 总而言之，本研究结果支持 Smart 与 Wolfe（2003）的结论： 场上教练对 MLB 球队表现的影响极为有限。 我们的回归分析重申了这一立场；而前缘分析虽显示统计上显着的结果，但其效应规模不 大，且方向并不明确。 我们认为，未来研究最有潜力的方向，特别考虑到棒球比赛中球员的高自主性， 是应该将焦点从单一教练转向整个管理／领导团队（management/leadership teams）。 这些团队负责球员的球探、招募与训练，而场上教练（field manager）只是其中在比赛 现场执行的一环。 -- 我龙大物游击刘俊纬 https://imgur.com/KjcPP7b https://imgur.com/zZxrn9i 我龙强打外野曾圣安 https://imgur.com/xlp6Xy5 https://imgur.com/xhw9qcY --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 125.224.145.210 (台湾) ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/WCDragons/M.1763033275.A.07B.html 比赛现场执行相关性不大，但总教练还有维持休息室气氛、统筹各部门协助球员调整 部门教练需要更强大 中职总教练甚至可以干预选秀策略 MLB的总教练可以影响选秀，但没这麽大的权力 文章代码(AID): #13O9z400 (Angels) [ptt.cc] Mike Scioscia 是爆烂的教练？ │ │ 文章网址: https://webptt.com/cn.aspx?n=bbs/Angels/M.1130405700.A.html 天使队板在很久很久以前也有一篇类似的 烂如说瞎一年大概帮球队多败2场 中职场次少MLB那麽多，场数上应该会再缩小一点点 ※ 编辑: ZaneTrout (125.224.145.210 台湾), 11/13/2025 20:33:37