第四部分 · 数据革命
传统统计的局限：进球、助攻、正负值(+/-)为什么会骗人
上一课我们把门将顶到了台前——低比分运动里最大的单点变量，却也最难评价：救球率 save% 掺着队友挡出的射门、场地记录员的口径、以及运气，一个 0.905 和 0.915 的门将，可能只差几十个「本该被队友封堵、却漏给了他」的球。连站在球门里、责任最集中的那个人都这么难量，那散落在冰面上的五名滑手呢？这一课要告诉你一件不太舒服的事：冰球那几个印在球员卡背面、被念叨了几十年的老牌数字——进球、助攻、以及听起来最「科学」的正负值(+/-)——恰恰是最会骗人的。冰球的数据革命，就是从拆穿它们开始的。
一、先盘问进球与助攻：光鲜，但样本太小、太脏
进球（Goal, G）和助攻（Assist, A）是冰球最古老、最直观的两个数字，合称得分点（Points, P = G + A）。它们当然不是没用——一个赛季 100 分的球员几乎一定是巨星。但一旦你想用它们做精细比较（这个前锋比那个强多少？他今年是真的进步了还是运气好？），三个毛病立刻浮出来。
毛病一：严重依赖队友。助攻的定义就是「你把球给了进球的人」——可球最终进没进，取决于接球的那个人射得准不准。把一个中游中锋放到一条有顶级射手的锋线上，他的助攻数会凭空暴涨；反过来，一个组织能力极强的球员，若队友总是把好机会打飞，他的助攻栏就很难看。进球也一样：你能不能得分，一半系于队友喂给你的机会质量。G/A 记在你名下，功劳却是一整条线合力挣来的。
毛病二：受出场时间与角色影响。一名每场滑 22 分钟、还上一队 power play 的核心，和一名每场滑 11 分钟的第四线球员，得分点根本没有可比性——不是水平差一倍，是机会差一倍。用总量比较，等于拿「上了多少班」冒充「干得多好」。
毛病三，也是最致命的——进球太稀少，样本太小。还记得第 02 课吗？冰球每队每场只进约 3 个球（示意），进球是镶嵌在漫长「无事发生」里的稀疏事件。于是一个滑手一整个赛季经手的进球事件，也就几十个。几十个样本，运气来不及被平均掉：几次幸运的折射入网、几次门柱弹进，就能让一个赛季的进球数上下浮动一大截。你看到的单季数字，很大一块是噪声，不是水平。
二、正负值(+/-)：听起来最科学，其实噪声最大
既然单看进球、助攻都有偏，冰球很早就想造一个「更全面」的数字，把防守贡献也算进去。于是有了正负值（Plus-Minus, +/-）：
这个直觉错得离谱——不是方向错，是它把太多不属于你的东西，全算到了你一个人头上。逐条看：
把四条加起来，结论很扎心：正负值(+/-)测的，与其说是「你有多好」，不如说是「你身边的环境有多好、以及你今年运气如何」。一个真正优秀但被扔进烂队、总打硬仗的球员，可能常年负分；一个平庸但搭上强队顺风车、专打顺境的球员，可能一脸正分。它是冰球最被数据界诟病的传统指标——诟病的点不是「没用」，而是信噪比太低：里面确实有一点关于你的信号，但被四层噪声埋住了，你几乎捞不出来。
三、共同病根：没定价、混入队友与运气、又太稀少
把进球、助攻、正负值放在一起解剖，你会发现它们其实死于同一组病因——这也正是冰球数据革命要逐一治好的三条：
前两条是「算法错了」（记错了账、没定价），第三条是「数据量不够」（进球太少）。真正棘手的是第三条：哪怕你把定价做得再精、把队友运气剥得再干净，只要你坚持用进球本身当原料，一个赛季几十个事件的样本就撑不起精细评价。这逼出一个釜底抽薪的问题——
四、那该怎么办？换一种「原料」
既然进球每场只有几个、太稀少无法直接用，一个自然的念头是：能不能别再盯着进球，改去数一件更频繁、更底层、每场发生几十次的事，用它来代理「谁在压着谁打」？
这正是足球当年发明 xG 的同一条思路，也是冰球数据革命的第一块基石。先别急着要答案——用下面的模拟器，把「+/- 有多不可靠」这件事，亲手玩到你心里。
五、动手：+/- 的噪声——两名同样水平的球员，命运却天差地别
下面这个模拟器里有两名球员。关键设定是：他们的真实水平被我们设成完全相同——同样的技术，对每一个进球事件的实际影响力一模一样。唯一的区别，是他们身处的环境：
- 球员 A：好队友、好门将、多打顺境（对手弱、进攻局面上场）。
- 球员 B：弱队友、崩盘门将、专打硬仗（对手强、防守局面上场）。
你可以拖动一个滑块调节「环境差距有多大」，再模拟一整个赛季（约 82 场）。程序会为每场比赛，按各自的环境用确定性随机数抽出「你在场时进 / 失几个球」，累加成两人的 +/-。看下方读数：两人的真实水平（设定相同）一栏永远相等，可观测到的 +/- 却被环境和运气拉开成两个截然不同的数。把环境差距拨到 0，再看——即便完全同环境、真实水平又一模一样，两人一整季的 +/- 也各自会被运气推到正一二十或负一二十，彼此往往还差出十几分。那整块差异里没有一丝「水平」，全是运气噪声：仅仅几十个稀疏的进球事件，根本压不住运气。
反复模拟你会发现：把环境差距拉满，两名水平完全相同的球员，赛季末 +/- 会被拉成一个漂亮的正数、一个难看的负数——差出几十甚至上百分（示意，视你把环境差距拨到多大），纯粹来自身边的人和局面，跟他俩的真实水平毫无关系。而当你把环境差距归 0、再模拟一整季，两条柱子也不会乖乖趴在净 0 线上：各自都会被运气推到正负一二十，彼此还常常差出十几分。那一整块残差，就是「进球太稀少」留下的运气尾巴——同样水平、同样环境，光靠运气就能造出十几分的 +/- 鸿沟。换句话说：+/- 这个数字里，属于「你」的信号很小，属于「环境 + 运气」的噪声很大。用它给球员排名次、定薪水，几乎是在给运气发奖金。
这个玩具当然极度简化了（真实 +/- 的机制比四层噪声还复杂，比如强打局面的特殊记法）。但它的方向是真的、也是被数据界反复确认的：正负值的信噪比太低，不足以单独用来评价一名球员。进球、助攻同理——只是它们的病没有 +/- 这么显眼罢了。
六、把这一课接回主线
第四部分（数据革命）就此开篇。我们没有直接给新指标，而是先把旧的三个拆干净：进球、助攻依赖队友与运气、又困在小样本里；正负值(+/-)更把整条线、门将、对手、运气全算到你头上，噪声大到几乎不可用。它们死于同一组病因——没定价、混入队友与运气、事件又太稀少。前两条是记账方式错了，第三条是数据量根本不够。而第三条，指向了唯一的出路：换一种更频繁的原料。