# Regression to the Mean Girls：野球データ解析とBART（Sameer Deshpandeと語る）

- 番組: [Casual Inference](https://ai-curator.jp/podcasts/shows/cmv3z5c2500195o10nrfofiic)（Lucy D'Agostino McGowan and Ellie Murray）
- 元のタイトル: Regression to the Mean Girls | BART for Baseball with Sameer Deshpande
- 配信日: 2026年11月2日
- 長さ: 1時間1分
- 要約作成日: 2026年11月2日
- トピック: [#BART](https://ai-curator.jp/topics/BART) [#ベイズ統計](https://ai-curator.jp/topics/%E3%83%99%E3%82%A4%E3%82%BA%E7%B5%B1%E8%A8%88) [#スポーツ分析](https://ai-curator.jp/topics/%E3%82%B9%E3%83%9D%E3%83%BC%E3%83%84%E5%88%86%E6%9E%90) [#野球](https://ai-curator.jp/topics/%E9%87%8E%E7%90%83) [#統計教育](https://ai-curator.jp/topics/%E7%B5%B1%E8%A8%88%E6%95%99%E8%82%B2) [#因果推論](https://ai-curator.jp/topics/%E5%9B%A0%E6%9E%9C%E6%8E%A8%E8%AB%96)
- URL: https://ai-curator.jp/podcasts/cmvza8lcp00015t11x2ve0vwn

## 要約

ウィスコンシン大学マディソン校の統計学助教Sameer Deshpandeが、大学院時代に趣味で始めた野球データ解析が、BART（ベイズ加法回帰木）の改良と新Rパッケージ開発という長期の研究に発展した経緯を語る。審判のボール／ストライク判定を題材に、BARTがカテゴリ変数をうまく扱えない問題を見つけ、分割方法を作り直した。自動ボール・ストライク判定（ABS）導入後の審判間ばらつきの変化の分析や、スポーツ統計の教育的価値も話題になった。

## ポイント

- Deshpandeは博士課程の初期に、理論研究が進まない中でスポーツ分析を始め、捕手のフレーミング（際どい球をストライクに見せる技術）の価値を検証するモデルを作った。
- 審判ごとの判定確率の推定では、階層ロジスティック回帰に捕手・打者・投手・位置などの交互作用が必要で、パラメータに意味がなく予測確率だけが重要になるため、BARTを試したが当初は精度が悪かった。
- 原因はBARTがカテゴリ変数をワンホット化して一要素ずつ分割する点にあり、審判間で情報を借りる効果が働かなかった。そこでカテゴリの要素をランダムに左右へ振り分ける分割に作り直した。
- BARTの個々の木はランダム分割で性能が低いが、ブースティング的に残差を逐次補正するため、全体の予測は正確になるという。実験では群を正しく分ける木は一本もなかったが予測は完璧だった。
- この改良を通じて新しいRパッケージを開発し、R式の数式インターフェースを備えた版がCRANに公開されている。
- ABS導入で審判間のばらつきがどう変わったかを、BARTとガウス過程で2009〜2025年の時系列として推定する研究が進行中である。

## 章立て

- [00:00] **雑談：メディアとマスコット** — Band of Brothersやトワイライトの思い出、大学のマスコット、マペットの初期ウェブページなど、アイスブレイクの雑談。
- [12:23] **サイドクエストが本業になるまで** — Deshpandeが大学院時代のスポーツ分析から、捕手のフレーミングや審判判定の研究に至った経緯を語る。
- [20:43] **スポーツ統計の価値と教育** — スポーツは統計の入口として強力だが、苦手な人には疎外感もある。学生の好奇心を統計的問いに導く方法を議論する。
- [30:00] **授業での課題設計と統計的思考** — 生存時間解析の最終課題で学生が自由にデータを選ぶ例や、決定木の暗記より統計的思考を重視すべきという議論。
- [36:10] **ロジスティック回帰からBARTの改良へ** — 審判判定のモデル化で必要になった高次交互作用と、BARTのカテゴリ変数の扱いの問題、ランダム分割による再設計を説明する。
- [46:00] **パッケージ開発とABS分析** — 新Rパッケージの開発と、ABS導入による審判間ばらつきの変化を推定する現在の研究を紹介する。
- [51:00] **チャレンジ制度と追跡データ** — 各スポーツのチャレンジ制度の比較や、追跡データの現状、NBAのデータ量の課題について話す。

## 解説記事

ウィスコンシン大学マディソン校統計学助教のSameer Deshpandeが、ポッドキャスト「Regression to the Mean Girls」に出演した回である。番組は「データの人々のくだらない（silly）サイドクエスト」を聞くという趣旨で、Deshpandeは野球データの分析がいつの間にか自身の研究の中心になった経緯を語った。

#### 趣味の分析が長期研究になるまで

Deshpandeによると、博士課程1年目の頃は理論研究をうまく進められずにいた。そこでスポーツ分析を手がける教授の助けを得て、スポーツのデータで論文を書き始めたという。当時は野球の球ごとのデータが手に入り始め、RやPythonのスクレイピングツールも出てきた時期だった。ランチの席で、捕手の捕球技術が数千万ドルの価値になるという話の真偽を確かめるよう言われ、モデルを作ったのが多年度のプロジェクトにつながったと述べている。

続いて取り組んだのが、打者がスイングしない球に審判がボールかストライクかを告げる判定の分析である。ルール上は位置で決まるはずだが、実際には審判内・審判間のばらつきが大きい。約30万件のデータと15万のパラメータを持つ階層ロジスティック回帰をStanで組んだ。その後、機械学習手法のBART（Bayesian Additive Regression Trees、ベイズ加法回帰木）なら共変量を入れるだけで良い予測が得られるはずだと考えたが、結果は悪かったと振り返っている。

#### BARTがつまずいた理由と作り直し

判定確率には、審判と捕手、審判と打者、さらに位置を加えた三者の交互作用が必要だった。野球関係者は、一部の捕手が一部の審判に、一部の位置で影響すると考えていたという。スプラインなどで展開すると大量のパラメータができるが、関心は予測確率と反事実（別の捕手だったらどうなるか）であり、個々のパラメータに意味はない。このため、交互作用を自動で拾う木ベースの手法は理にかなっていた。

問題はカテゴリ変数の扱いだった。ワンホット化した木の分割は、審判を一人ずつ片側に分ける形になり、審判間で情報を借りる効果がうまく働かない。そこでDeshpandeは約4年かけてコードを作り直し、カテゴリの要素をランダムに左右へ振り分けて受理されるかを見る方式にした。査読者からは最適分割を求められたが、番組では、Fisherの古い論文で平均値順に並べ替える手法があること、そもそもBARTでは最適な分割は不要であることが語られた。

興味深いのは、個々の木はほとんど暗中模索のランダム分割で、ブースティング的に前の木の残差を補う仕組みによって全体が正確になるという点だ。実験では、100件を+5と−5の二群に分けた単純な問題で、群を正しく分けた木は一本もなかったが、予測は完璧だったという。この過程で複数の論文と新しいRパッケージが生まれ、`bart(y ~ x1 + x2)`のような数式インターフェースも整備された。CRANには数か月前から登録されており、正式な告知は近く行うとのことだった。

#### ABS導入と現在の研究

今年は自動ボール・ストライク判定（ABS）が導入され、選手側からチャレンジできるようになった。Deshpandeは、捕手のフレーミングに金銭的価値があるという考えはもう成り立たなくなったかもしれないと述べている。現在は、2009〜2025年の各年について、ホームプレート上の各位置で審判ごとのストライク確率をBARTで推定し、審判間の標準偏差の空間分布をアニメーション化している。ABSには対照群がないため、時系列にガウス過程を当てはめて軌跡を外挿し、新制度の効果を見積もる計画だという。

チャレンジ制度についても雑談で触れられた。野球では成功すれば権利を維持し、失敗すれば失う仕組みで、フットボールやバスケットボール、クリケットも同様の構造だという。高校生がチャレンジの意思決定を扱った研究を発表していたとも紹介された。

#### スポーツと統計教育

司会のLucyとSarahを交えた議論では、スポーツ統計がかつては学術界で軽視され、昇進や一流誌での掲載が難しかったことが語られた。Deshpandeは、今は3D姿勢追跡など新しい手法が必要なデータが豊富にあり、キャリアにできると述べた。一方で、スポーツが苦手な学生には疎外感を生むため、導入統計の題材を一つに絞るべきではないという。重要なのは学生が既に持つ好奇心を統計的な問いに導くことだとした。

Sarahは生存時間解析の最終課題で学生にデータを選ばせている。「Dancing with the Stars」の脱落までの週数や、料理番組の分析が例に挙がった。さらに、検定の決定木を暗記させるより、問いがそのデータで答えられるかを考える統計的思考に時間を割くべきだという意見も出た。

#### まとめ

本エピソードは、趣味の分析が手法開発に発展した実例として読める。出発点は「BARTを野球に使ってみたい」という素朴な動機だったが、カテゴリ変数の扱いというBART自体の弱点を突き止め、アルゴリズムの理解とパッケージ整備にまで広がった。日本の読者にとっては、既製の機械学習手法が特定の構造を持つデータでうまく働かない場合に、原因を調べて手法側を改良するという姿勢が参考になる。また、ABSやNBAの膨大な追跡データなど、手法の整備が追いついていない領域が多いという指摘は、スポーツ分析に関心のある研究者にとって示唆的である。

> この要約・解説記事は、元の音声の文字起こしをもとに AI（Claude）が日本語で作成したものです。出典: Casual Inference「Regression to the Mean Girls | BART for Baseball with Sameer Deshpande」