FIBA 농구 월드컵 팀 실력별 승률 결정 요인에 대한 분위수 회귀 분석

• Published in: 한국체육측정평가학회지, 27(1) pp. 39 - 51
• Main Authors: 하광삼, 이성노
• Format: Journal Article
• Language: Korean
• Published: 한국체육측정평가학회 01.03.2025
• Subjects: 체육
• ISSN: 1229-4225; 2671-9134

본 연구는 2023 FIBA 농구 월드컵 공식 경기 기록을 기반으로, 승률에 따라 팀의 경기력 특성을 분석하고, 공격및 수비 요인을 다양한 실력 구간에서 탐색하고자 분위수 회귀(Quantile Regression, QR) 기법을 활용하였다. 총 32개 국가대표팀이 참여한 184경기의 데이터를 분석 대상으로 하였으며, 데이터 처리에는 Python 프로그래밍언어와 pandas 라이브러리를 사용하였다. 모든 통계 분석은 95%로 설정하여 얻은 결론은 다음과 같다. 첫째, 분위수회귀 분석 결과 페인트 스코어와 3점 슛 스코어은 모든 분위수에서 유의한 영향을 미쳤으며, 자유투 스코어는 가중최소자승법(WLS) 모형에서 유의하였고 QR에서는 25%, 50%, 75% 분위수에서 유의한 영향을 미쳤다. 둘째, 수비리바운드는 WLS모형에서 유의한 영향을 미쳤으며, QR 분석에서는 50%, 75%, 90% 분위수에서 유의한 영향을미쳤다. 반면, 파울은 WLS모형에서 유의한 영향을 미쳤으며, QR모형에서는 특히 25%, 50%, 75% 분위수에서 유의한 영향을 미쳤다. 셋째, WLS 모형의 조정된 결정계수는 0.477로 설명력이 낮은 편이며, 반면 QR 모형은 각 분위수(Q10-Q90)에서 0.625~0.706 수준의 Pseudo R²를 보여 전반적으로 더 높은 설명력과 통계적 유의성을 나타났다. 본 연구의 연구결과를 토대로 선행 연구에서 사용된 선형 회귀와 비교하여 회귀의 결과는 독립 변수가 종속 변수에미치는 영향을 더 자세히 보여줄 수 있으며, 서로 다른 백분위수에 위치한 팀들의 경기 결과에 대한 영향을 분석할수 있다. This study aims to analyze the performance characteristics of teams with different win rates and to explore offensive and defensive factors across various tiers using the Quantile Regression (QR) method, based on the official statistics provided by the 2023 FIBA Basketball World Cup. The analysis was differentiated by performance level. The dataset comprises a total of 184 games played by 32 national teams, extracted from the official match records of the 2023 FIBA Basketball World Cup. For data processing, the Python programming language and its pandas library were utilized. All statistical tests were conducted at a 95% confidence level, and the main findings are as follows: First, the QR analysis revealed that paint scores and three-point scores were consistently significant across all quantiles. Free throw scores showed a statistically significant effect in the Weighted Least Squares (WLS) model and were significant in QR at the 25th, 50th, and 75th percentiles. Second, defensive rebounds had a significant effect in the WLS model, and in the QR model, they were significant at the 50th, 75th, and 90th percentiles. In contrast, fouls were significant in both WLS and QR, particularly at the 25th, 50th, and 75th percentiles in the latter. Third, the adjusted R² of the WLS model was 0.477, indicating a relatively low explanatory power. Meanwhile, the QR model exhibited higher explanatory power and statistical significance, with Pseudo R² values ranging from 0.625 to 0.7059 across the quantiles (Q10-Q90). Based on the study’s findings, compared to traditional linear regression models used in prior research, quantile regression provides a more detailed understanding of how independent variables affect the dependent variable. Moreover, it enables a more nuanced analysis of how different teams, located at various percentiles in performance distribution, are influenced by key performance factors. KCI Citation Count: 0