看到有人說葉總一己之力讓球隊沒季後賽，想說總教練到底能影響球隊多少勝場 這是一篇來自德州大學、愛達荷大學和密西根大學2008年的研究 原文連結：https://reurl.cc/qKOOOq PTT隨便分享有趣的文只用ChatGPT翻譯摘要，報告形式就隨便了，輕鬆看 文章有點長，想偷懶可以直接拉到最後看Discussion 開始囉 這幾位作者在2003年就有做過類似研究，這篇算是分成兩個類別做研究討論 Smart 和 Wolfe 將 MLB 球隊場上總教練的「技能與工作經驗」以以下代理變項（proxies ）加以操作化： 1. 年齡（AGE） 2. 執教現任球隊的年數（YMCT） 3. 年度最佳教練獎次數（MOYA） 4. 累積執教勝率（MWP） 5. MLB 總教練經驗年數（MLE） 6. 曾執教過的 MLB 球隊數量（MLBTM） 7. 開始執教現任球隊的年份（FYMT） 8. 當年度教練更換與否（IYMC） 他們對上述領導變數進行主成分因素分析（principal components factor analysis）， 結果提取出兩個特徵值（eigenvalue）大於 1.00 的主要成分，分別代表： 1. 教練經驗（managerial experience）：AGE、YMCT、MOYA、MWP、MLE、MLBTM； 2. 教練變動（managerial change）：FYMT、IYMC。 Smart 和 Wolfe（2003）希望探討勝敗紀錄的變異有多大比例可歸因於球員資源或場上總 教練的領導力，因此使用多元迴歸分析（multiple regression），檢驗三大自變項的解 釋力： 1. 球隊進攻資源（team offensive resources） 2. 球隊防守資源（team defensive resources） 3. 兩項由領導變數衍生出的因素：教練經驗因子（ExpFac）與教練變動因子（ChngFac） 時間序列橫斷面（TSCS）迴歸分析的結果顯示，四個自變項中有三個能顯著解釋勝率的變 異： 1. 球隊防守資源可解釋勝率變異的 59%； 2. 球隊進攻資源再解釋了 額外 7% 的變異； 3. 領導力相關因素的貢獻非常小，其中「經驗因子（ExpFac）」無顯著解釋力，而「變動因 子（ChngFac）」僅額外解釋了 1.21% 的勝率變異。 這樣大概解釋了68%的勝率變異，但他們不認為那剩下的32%未解釋變異與『領導力』無關 於是在2008年這篇有一些改良 Smart 和 Wolfe（2003）對領導力的操作化方式與 Castanias 和 Helfat（1991, 2001） 提出的「管理租金模型（managerial rents model）」一致。Castanias 和 Helfat 將執 行長（CEO）視為企業資源，這些資源擁有不同層次與數量的三類技能：一般技能（ generic skills）、產業特定技能（industry-specific skills）與企業特定技能（ firm-specific skills）（Bailey & Helfat, 2003, 第 351 頁）。 Smart 和 Wolfe 採用了下列代理變項來對應這三種技能： 1. 經理年齡（manager age）→ 一般技能（因為年齡可反映許多管理者人力資本的面向） 2. 執教年數（years managing）→ 產業特定技能 3. 執教現任球隊年數（years managing current team）→ 企業特定技能 由於教練之間的球員經歷不同，因此在產業特定的專業基礎上也存在差異，這種人力資本 差異進而與組織績效的差異有關。 在本研究中，也納入與教練球員經歷相關的變數，並更細緻地區分球員經歷的不同面向， 包括：出賽場次、所效力球隊數量、以及球員生涯年數。此外，也區分教練是否曾是野手 （position player），因為投手的經驗與野手大不相同（例如投手通常每隔四、五天才上 場；常與球隊其他成員分開待在牛棚；且訓練方式截然不同），這些差異可能使投手出身 的教練較難有效地與野手互動。 因此，我們在 Smart 和 Wolfe（2003）的八項變數基礎上，額外新增了五項變數： 1. 是否曾在 MLB 出賽（PMLB） 2. 是否為野手出身（POS） 3. 職業生涯出賽場次（GP） 4. 職業生涯年數（YP） 5. 曾效力的 MLB 球隊數量（TPF） 此外，還新增了一個虛擬變數，代表教練是否為首次在 MLB 執教（FYMLB）。 經過 varimax 旋轉後的主成分分析結果顯示，有四個特徵值大於 1.00 的主要成分，總 共解釋了超過 74% 的變異。 這四個提取出的主成分分別代表： 1. 教練的 MLB 球員經驗（PLAYEXP）：由 YP、TPF、PMLB、GP、POS 組成。 2. MLB 教練經驗（MANAGEEXP）：由 AGE、MLBTM、MLE、MOYA 組成。 3. 教練變動相關變數（CHANGE）：由 FYMT、FYMLB、MWP、IYMC 組成。 4. 現任球隊任期（TENURE）：YMCT。 呈現了這些主成分與勝率（WP）、進攻資源（TOR）及防守資源（TDR）之間的相關性。 https://lurl.cc/bHq88 上面提到的問題可以透過估計「生產前緣（production frontier）」來解決，這裡採用 假設 Cobb-Douglas 生產函數 的 隨機前緣分析法（stochastic frontier analysis, SFA）。 使用隨機前緣分析的原因是：它能夠準確反映「投入報酬遞減」的現象。與傳統的迴歸分 析不同，生產前緣分析允許我們評估各位教練（經理）的相對效率。在估計出每位教練的 相對效率後，我們再進一步檢驗教練效率與其個人特徵之間的關聯，方法包括： 計算相關係數（correlation coefficients），以及 比較「最高效率」與「最低效率」教練之間的平均值差異。 以下說明前緣分析方法： 本研究在前緣分析中使用的樣本與前述迴歸分析相同，也就是1991–2005 年期間所有參 加美國職棒大聯盟（MLB）的球隊。 第一步，我們估計場上教練（field manager）的效率。 具體而言，我們估算一位「有效率的教練」在給定進攻與防守資源條件下，理論上應能取 得多少勝場。 與前文一致，我們假設： 1. 非投手（non-pitchers） 貢獻進攻面（offense） 2. 投手（pitchers） 貢獻防守面（defense） 進攻資源（offensive resources） 以 TOR（與前述分析相同）衡量； 防守資源（defensive resources） 則以 球隊防禦率（ERA） 表示。 之所以使用 ERA 而非 TDR，是因為 Cobb-Douglas 生產函數無法處理負值，而 TDR 是相 對統計量，可能包含正負值，因此改用 ERA 這個基礎防守指標。 我們估計的 Cobb-Douglas 生產函數(我不會用PTT輸入這函數，有興趣可以自己看原文) win% = f(TOR,ERA) + ε win%：某球隊的勝率（乘以 1000）， TOR：某球隊的進攻資源， ERA：某球隊的防守資源， ε：誤差項，限制為非正（negative）。 由於這是生產前緣分析，所有觀測點都必須位於前緣之內。 因此，誤差項被約束為非負值（positive），且最有效率的教練其誤差項將等於 0。 他們依據好幾個公式計算每位教練的效率(這些公式一樣有興趣看原文) 舉例來說： 在 2005 年，亞特蘭大勇士隊（Atlanta Braves） 的 TOR = 787.912 ERA = 3.98 勝率（winning percentage）= 0.556 因此，Bobby Cox 在 2005 年的效率為 0.8290。 估算出樣本所有教練的效率後，接著分析哪些教練特徵與效率顯著相關 管理效率與管理者特徵的關係 下表顯示了管理效率（manager efficiency, MEFF）與先前辨識出的各項管理者特徵之 間的相關性。 https://lurl.cc/okRyN 除了與 MLB 球員經驗有關的變數（PMLB、POS、GP、YP、TPF）之外，其餘所有變數都與 管理效率之間存在顯著相關（除 AGE 為 p < .10 外，其餘變數皆達到 p < .01）。 雖然有多項顯著相關，但這些相關的強度並不高，僅介於 .086 到 .272 之間。 為了更深入了解哪些管理特徵能夠區分出「高效率」與「低效率」的管理者，比較效率最 高與效率最低的教練之特徵差異。 具體而言，我們找出了在 1991–2005 期間於 MLB 擔任場上教練（field manager）達 五年以上經驗者，共有 31 位。 如下表列出了這些教練，並依照效率高低排序，顯示其平均效率、管理年數以及所帶領過 的球隊數量。 https://lurl.cc/qWSyo 接著，我們對效率最高的十位教練與效率最低的十位教練進行一系列 t 檢定（t-tests） （見表 7）。 結果顯示，兩組的平均效率（.84 與 .77）有顯著差異（p < .001）。 更具體地說，研究結果指出，高效率教練的主要區辨因素在於其 MLB 管理經驗： 1. 他們在 MLB 管理的年數較多（MLE；p < .01）， 2. 管理過的 MLB 球隊數量較多（MLBTM；p < .01）， 且獲得過更多的「年度最佳教練獎（Manager of the Year Awards, MOYA；p < .01）」 然而，與相關分析的結果一致，這些結果無法指出因果方向。 也就是說，無法確定： 是「管理經驗促進效率」，還是「早期就展現高效率的教練因為表現好而能留任更久」。 為了探討此問題，我們進一步檢視了教練的效率隨時間的變化。 結果顯示，無論是依效率分群（高、中、低）或是個別檢視各教練，其效率並沒有明顯的 時間趨勢。 管理者薪資、效率與特徵之間的關係 蒐集了 2000 年 MLB 教練薪資，並分析其與 1999 年與 2000 年的管理效率（MEFF）及 相關特徵的相關性（見下表）。 https://lurl.cc/EHRCv 有趣的是，無論是 1999 年或 2000 年的管理效率，都與 2000 年的薪資之間沒有顯著相 關。然而，我們發現 管理經驗與薪資之間存在強烈相關性。 構成「管理經驗」這一因子的各項屬性（AGE、MLBTM、MLE、MOYA）皆與薪資呈顯著正相 關。 因此，我們可以看出，球隊傾向以較高薪酬回報更有經驗的教練。 然而，這也暗示出教練薪酬制度存在效率問題（inefficiency in managerial compensation）： 薪資與「經驗」高度相關，但與「實際效率」卻沒有顯著關聯。 討論（Discussion） 本研究的目的在於進一步理解場上教練（field managers）對美國職棒大聯盟（MLB）球 隊表現的貢獻。 為了達成此目的，並依循既有文獻的建議，我們擴充了場上教練／領導力構念（ leadership construct）的操作化。 具體而言，我們新增了與產業特定經驗（industry-specific experience）相關的變數（ Castanias & Helfat, 2001），亦即教練本身的球員經驗，並透過迴歸分析來評估領導者 的貢獻。 此外，我們也使用前緣分析（frontier analysis），試圖更深入理解場上教練對球隊表 現的實際影響。 迴歸分析的結果延續了 Smart 與 Wolfe（2003）的發現──場上教練對球隊勝率的貢獻 非常有限。 透過前緣分析，我們區分出效率高與效率低的教練，並進一步探討管理效率與管理者特徵 之間的關係，同時檢視這些特徵與薪資的關聯。 分析結果顯示，管理效率與領導屬性之間存在若干顯著相關； 其中，效率較高的教練具有更多 MLB 管理經驗，且獲得更多年度最佳教練獎（Manager of the Year Awards）。 然而，儘管這些相關顯著，其相關強度並不高；而高、低效率教練之間的領導特質差異， 也無法提供明確的因果方向。 對教練效率的縱向檢視亦顯示，效率並不會隨時間增加。 雖然本研究的其中一個目標是透過加入「產業特定」變數（如 MLB 球員經驗）來「深入 挖掘」領導者的經驗（Castanias & Helfat, 2001）， 但我們的迴歸與前緣分析結果與 Singell（1993）的研究不一致，顯示球員經驗並不提升 教練的管理效能。 儘管我們的薪資資料僅限於一年（2000 年），結果顯示教練效率與薪資之間沒有顯著關 聯（見表 8）。 但我們確實發現，管理經驗對教練薪資有強烈影響。 構成管理經驗因素的各項變數（年齡、年度最佳教練獎、MLB 管理年數、帶領球隊數）皆 與薪資顯著相關。 這些結果與當前學界與媒體對「薪酬與績效脫鉤（decoupling of pay and performance ）」的討論一致（Bebchuk & Fried, 2006）。 近年的新聞報導中也有許多企業案例顯示「高薪低效」的現象（如 Home Depot 的 Nardelli、Pfizer 的 McKinnell、Morgan Stanley 的 Purcer：Lublin, Zimmerman & Terhune, 2007；Simon, 2006；Thorton & Reed, 2005）， 這些例子在企業界中提供了類似的經驗性支持。 此外，我們的發現也呼應了 Malmendier 與 Tate（2005）的主張──獲獎經理人（如得 獎 CEO）往往能獲得不相稱的高額報酬。 我們的結果指出，場上教練的薪資決策主要依據具體且可見的屬性與成果， 例如管理經驗（管理年數、在現任球隊的任期）與公開的成就（如年度最佳教練獎）。 這些「公開可見」的變數，可能因為有助於向外部利害關係人（stakeholders）正當化薪 資決策， 而被球團用來取代更抽象、難以量化的「效率」作為薪資依據。 然而，這項推測仍需未來研究進一步驗證，因為此議題超出了本研究的資料與目的範圍。 我們預測，場上教練對球隊勝率的有限貢獻，在未來可能會更進一步縮減。 這主要是因為 MLB 近年出現了多項重大變革，其中最重要的一項是量化分析（ quantitative approaches）在球員評估、招募與比賽決策中的迅速普及。 正如 Lewis（2003）的《魔球》（Moneyball）以及其他學者（Sunstein & Thaler, 2003 ；Caron & Gely, 2004）所描述的， 以統計方法建立客觀棒球知識的「賽柏計量學（sabermetrics）」自 2000 年代初被奧克 蘭運動家隊採用以來，已逐漸擴散開來。 波士頓紅襪隊於 2002 年「聘請了一批棒球數據分析專家」（Birger, 2005）； 多倫多藍鳥隊在 2003 年球季雇用了「數據分析師出身」的總經理 J.P. Ricciardi（ Joe Saraceno, 2004）； 2005 年球季後，德州遊騎兵隊聘用了 28 歲的 Jon Daniels——「一位典型的新世代總 管，以統計分析為核心」（Cannella, 2005, p. 71）； 亞利桑那響尾蛇隊也聘請了 35 歲、以擅長統計分析著稱的 Josh Byrnes（Baum, 2005） 。 在本研究涵蓋的大多數時期與球隊中，場上教練對球員選擇及比賽戰術擁有相當大的自主 權。 然而，這種「教練為中心（field manager-centric）」的模式與賽柏計量學的邏輯並不 一致—— 在後者體系中，教練在球員招募與戰術決策中的角色被大幅削弱，而這些決策越來越依賴 統計數據。 因此，隨著賽柏計量學的普及，教練對球隊績效的貢獻預期將進一步下降。 總而言之，本研究結果支持 Smart 與 Wolfe（2003）的結論： 場上教練對 MLB 球隊表現的影響極為有限。 我們的迴歸分析重申了這一立場；而前緣分析雖顯示統計上顯著的結果，但其效應規模不 大，且方向並不明確。 我們認為，未來研究最有潛力的方向，特別考慮到棒球比賽中球員的高自主性， 是應該將焦點從單一教練轉向整個管理／領導團隊（management/leadership teams）。 這些團隊負責球員的球探、招募與訓練，而場上教練（field manager）只是其中在比賽 現場執行的一環。 -- 我龍大物游擊劉俊緯 https://imgur.com/KjcPP7b https://imgur.com/zZxrn9i 我龍強打外野曾聖安 https://imgur.com/xlp6Xy5 https://imgur.com/xhw9qcY --

※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 125.224.145.210 (臺灣) ※ 文章網址: https://webptt.com/m.aspx?n=bbs/WCDragons/M.1763033275.A.07B.html 比賽現場執行相關性不大，但總教練還有維持休息室氣氛、統籌各部門協助球員調整 部門教練需要更強大 中職總教練甚至可以干預選秀策略 MLB的總教練可以影響選秀，但沒這麼大的權力 文章代碼(AID): #13O9z400 (Angels) [ptt.cc] Mike Scioscia 是爆爛的教練？ │ │ 文章網址: https://webptt.com/m.aspx?n=bbs/Angels/M.1130405700.A.html 天使隊板在很久很久以前也有一篇類似的 爛如說瞎一年大概幫球隊多敗2場 中職場次少MLB那麼多，場數上應該會再縮小一點點 ※ 編輯: ZaneTrout (125.224.145.210 臺灣), 11/13/2025 20:33:37