《体育分析和数据科学》之“第二章 运动员评估”（2）

第二章 运动员评估 （2）

原型测量研究需要使用多特质多方法矩阵（Multitrait-Multimethod Matrix），如图2.1所示。

图2.1 棒球测度使用的多特质多方法矩阵

多特质多方法矩阵中的行表示特质（属性），列表示方法（测量过程）。矩阵中的每个元素表示一个特质－方法单元。矩阵由信度对角线、效度对角线、异质同方法三角和异质异方法三角。

图2.1所示的是一个有4个棒球测度的多特质多方法矩阵。其中包含分别在练习时和比赛时测量的两个基本特质：一般击球能力和爆发击球能力。在击球练习中，我们首先要求球员尽可能干净地击打每个球，并确定在界内区域（fair territory）击球的比例。然后，我们要求他像德比大赛中的那样尽可能将每个球尽可能击得最远，并确定本垒打的比例。根据得分记录表可以获得球员的击球率和本垒打率（每次击打的本垒打数）。这里给出了4种不同的度量。我们计算所有测度之间的两两相关性并把结果展示在矩阵中。

为了评价训练时测度的信度，我们在很长的时间内每天进行相同的测量并计算所有测度对之间的相关性。为了评价比赛时测度的信度，我们将计算奇数次比赛的度量与偶数次比赛的度量之间的相关性，或者将比赛随机分为两组并计算两组比赛的度量之间的相关性。信度是指在几乎相同的时间以相同的方式测量同一特质的测度。因为运动表现测度都是基于计数的客观度量，所以信度非常高。除了官方计分员之间的差异之外，这些独立几乎不会受到主观性和相关意见的影响。我们期望多特质多方法矩阵的信度对角线上的元素是高度相关的。

我们还期望在多特质多方法矩阵中看到什么呢？我们应当看到同一特质的不同测度在效度对角线上正相关。练习中的击球应当与比赛时的击球正相关。我们期望对同一特质的测度之间的相关性应当高于不同特质的测度之间的相关性。因此，效度对角线上的相关性应当高于异质单方法三角和异质异方法三角中的相关性。

更多内容请访问：《体育分析和数据科学》目录

以上内容译自《Sports Analytics and Data Science》。译著连载，每日更新。译著为原创，禁止转载。各种意见建议请联系[email protected]

喜欢请随手点“喜欢”，欢迎关注《体育分析和数据科学》专题和“赞赏”。