Januar 21st, 2018 by Dominik

Als Baseball- und Statistikfan habe ich mich schon mit einer großen Menge statistischer Kennzahlen über Schlag- und Pitchingleistungen, über Defensivqualitäten und über den Gesamtbeitrag eines Spielers zum Erfolg des Teams auseinandergesetzt. Viele davon habe ich auch in der entsprechenden Kategorie dieses Blogs erklärt und bewertet. Dennoch ist mir kürzlich aufgefallen, dass es einen Bereich des Spiels gibt, über den mir kaum handfestes Zahlenmaterial bekannt war: das Baserunning. Die Zahl der gestohlenen Bases ist das einzige, was mir dazu sofort eingefallen ist. Aber da muss es doch mehr geben, dachte ich mir, schließlich hat man nach dem Erreichen einer Base viel mehr zu tun als nur zu entscheiden, ob und wann man stiehlt. Also habe ich mich ein bisschen eingelesen und möchte mein neues Wissen hier teilen.

Stolen Bases (SB) / Caught Stealing (CS)
Fangen wir an mit der Statistik, die jeder kennt: Wenn es um herausragende Baserunner geht, wird fast immer mit der Anzahl gestohlener Bases argumentiert. Auch im Fantasy Baseball sind Stolen Bases (SB) in der Regel die einzige für das Scoring berücksichtigte Baserunning-Kategorie.

Die Spitze ist in dem Bereich recht schmal: In der Saison 2017 führte Dee Gordon (Miami) die Liste mit 60 gestohlenen Bases an, dicht gefolgt von Billy Hamilton (Cincinnati) mit 59. Zu Platz drei besteht dann schon eine deutliche Lücke, Whit Merrifield (Kansas City) steht dort mit „nur“ 34 Bases. Den Rekord hält Hugh Nicol mit 138 gestohlenen Bases im Jahr 1887 für die Cincinnati Reds. Den höchsten Wert der modernen Ära hat Rickey Henderson mit 130 im Jahr 1982 Oakland Athletics erzielt. Auf die gesamte Karriere hin betrachtet, ist Henderson mit großem Abstand Rekordhalter mit insgesamt 1.406 Steals.

Üblicherweise stehen die Spieler mit den meisten Steals auch in der Kategorie Caught Stealing (CS), also der Anzahl missglückter Steal-Versuche, weit vorne. Das ist logisch, weil Spieler wie sie es sehr viel öfter versuchen als andere und es dann eben auch ab und zu mal schief geht. Es überrascht daher nicht, dass 2017 auch hier Dee Gordon (16) und Billy Hamilton (13) die Liga anführten. Man könnte nun auf die Idee einer Nettobetrachtung gestohlener Bases kommen, also die missglückten Versuche von den gelungenen abzuziehen – tatsächlich habe ich so etwas schon in einer Fantasyliga erlebt. Der Haken an der Sache ist, dass – wie unmittelbar einleuchten dürfte – eine erfolgreich gestohlene Base dem Team zwar hilft, aber nicht so sehr wie ein Aus beim gescheiterten Versuch dem Team schadet. Als Faustregel kann man sagen, dass Steals sich nur dann lohnen, wenn sie mindestens doppelt so häufig gelingen wie sie scheitern. Informativer ist deshalb, nicht auf Absolut- oder Nettowerte zu schauen, sondern die Steals als Anteil an allen Steal-Versuchen darzustellen. Das ist dann die Stolen Base Percentage (SB%).

Wie jede Prozentzahl ist SB% natürlich nur aussagekräftig, wenn sie auch auf einer gewissen Anzahl basiert – eine Erfolgsquote von 100% bei nur einem Versuch verrät nicht viel. Deswegen stellt zum Beispiel baseball-reference diese Zahl nur für Spieler dar, die es in einer einzelnen Saison auf 0,1 Versuche pro Spiel ihres Teams (also 16,2 bei den üblichen 162 Spielen) bringen oder in ihrer Karriere auf 80 Versuche. Byron Buxton (Minnesota) führte 2017 mit 96,7% die MLB an, indem er sich bei 30 versuchten Steals nur einmal erwischen ließ. Zwölfmal gelang es in der Geschichte der MLB Spielern mit der entsprechenden Mindestzahl von Versuchen, eine Erfolgsquote von 100% zu erzielen, zuletzt Alcides Escobar (Kansas City) im Jahr 2013. Über die ganze Karriere betrachtet ist der zuverlässigste Base-Stealer aller Zeiten Alexi Casilla mit 87,9%. Trotz dieser Stärke brachte Casilla es in Minnesota und Baltimore nie über die Rolle eines Ergänzungsspielers hinaus – im Gegensatz zu Chase Utley und Carlos Beltran, die mit 87,6% bzw. 86,4% die Plätze zwei und drei der ewigen Rangliste einnehmen.

weighted Stolen Base Runs (wBS)
Eine sinnvolle Weiterentwicklung der Stolen-Bases-Statistik stellt der Indikator weighted Stolen Base Runs (wBS) dar. Er basiert auf linearen Gewichten und übersetzt den Beitrag, den ein Spieler durch Base-Stealing zum Erfolg seines Teams leistet, in die universelle „Währung“ des Balls: in Runs. Man bekommt durch wSB ein deutlich besseres Gefühl dafür, welche Kombinationen aus gelungenen und missglückten Stealing-Versuchen dem Team wie sehr weiterhelfen und welche mehr schaden als nützen. wSB ist auf Null normiert, das bedeutet dass man für einen durchschnittlichen Spieler von einem Beitrag von 0 Runs ausgeht. Dementsprechend erzielt ein überdurchschnittlicher Base-Stealer Werte über 0 und ein unterdurchschnittlicher Werte unter 0. Die Berechnung von Fangraphs basiert darauf, dass das Resultat jeder Steal-Möglichkeit eines Spielers mit dem durchschnittlichen Resultat einer solchen Möglichkeit in der gesamten Liga verglichen wird. Macht ein Spieler mehr aus der gegebenen Möglichkeit als der Durchschnitt (das heißt, er stiehlt die Base), steigt sein wSB-Wert; macht er weniger daraus (das heißt, er lässt sich erwischen oder probiert es trotz aussichtsreicher Gelegenheit gar nicht), sinkt der Wert.

Die übliche Spannweite, in der MLB-Spieler bei wSB landen, liegt ungefähr zwischen -3 und +6, nur selten werden zweistellige Werte erzielt. Teams insgesamt landen meistens zwischen -7 und +10 wSB pro Saison. Angesichts der Faustregel, dass ungefähr 9 bis 10 Runs einen Win wert sind, ist der Beitrag von Base-Stealing zum Gesamterfolg eines Teams somit relativ gering. 2017 war Billy Hamilton mit 5,9 wSB der wertvollste Base-Stealer der Liga, gefolgt von Byron Buxton mit 5,1 und Dee Gordon mit 4,7. Karriere-Rekordhalter mit 142,7 wSB ist auch hier wieder der oben schon erwähnte Rickey Henderson. Die erfolgreichste Einzelsaison hatte Vince Coleman  (St. Louis) mit 15,7 wSB im Jahr 1986.

Ultimate Base Running (UBR)
Mit Base Stealing haben wir uns nun ausführlich befasst, aber was ist mit dem Rest, den gutes Baserunning ausmacht? Dieser Bereich findet in Standardstatistiken leider wenig Beachtung, obwohl Fangraphs auch hierfür einen guten Indikator bereit hält: Ultimate Base Running (UBR). Der Name ist etwas irreführend, denn UBR ist kein Gesamtindikator für Base Running, sondern betrachtet „nur“ die Base-Running-Leistungen, die nichts mit Steals zu tun haben. Dazu zählen im Einzelnen:

  • Erreicht der Runner nach dem Hit eines Teamkollegen eine Extra-Base, erreicht er sie nicht oder wird er beim Versuch, sie zu holen, ausgeworfen?
  • Wird der Batter beim Versuch, nach eigenem Hit eine Extra-Base zu erreichen, ausgeworfen? (Wenn er sie holt, wird das in UBR nicht erfasst, weil nicht klar ist, ob dafür der Hit oder das Baserunning verantwortlich ist.)
  • Erreicht der Batter eine Extra-Base, erreicht er sie nicht oder wird ausgeworfen, während ein anderer Runner safe oder out wird beim Versuch, vorzurücken?
  • Gelingt es einem Runner, nach einem Flyout und Tagging Up vorzurücken?
  • Gelingt es einem Runner, während eines Groundballs von der ersten die zweite Base zu erreichen, ohne in ein Force-Out oder Double Play zu geraten?
  • Erreicht ein Runner von der zweiten Base bei einem Groundball Richtung SS oder 3B die dritte Base, erreicht er sie nicht oder wird er beim Versuch ausgeworfen?
  • Rückt ein Runner während eines Passed Balls oder Wild Pitches vor oder nicht oder wird er beim Versuch ausgeworfen?
  • Sicher kann man sich problemlos einige Baserunning-Beispiele überlegen, die in dieser Auflistung nicht berücksichtigt sind, aber UBR deckt schon ein großes Spektrum ab und leistet damit einen guten Beitrag zur vollständigeren statistischen Erfassung des Baserunnings. Praktischerweise ist auch UBR ein auf linearen Gewichten basierendes Maß mit Runs als Einheit. Das heißt, jedem der aufgeführten Ereignisse wird ein positiver oder negativer Wert in Form von Runs zugeordnet. Ein Wert von 0 stellt auch für UBR eine durchschnittliche Leistung im jeweiligen Jahr dar, übliche Werte liegen zwischen -6 und +6 je Spieler und zwischen -15 und +15 je Team insgesamt.

    Der beste Baserunner der Saison 2017 jenseits gestohlener Bases war Xander Bogaerts (Red Sox) mit 6,3 UBR. Die beste Einzelsaison hatte 2004 Juan Pierre (Marlins) mit 8,3 UBR. Dabei ist zu berücksichtigen ist, dass die ermittelte Zeitreihe bei Fangraphs nur bis 2002 zurück reicht und für frühere Zeiträume keine UBR-Werte zur Verfügung stehen. Pierre hat mit 47,8 UBR auch den höchsten Wert für eine Karriere insgesamt und das, obwohl seine beiden ersten Spielzeiten 2000 und 2001 nicht gezählt wurden.

    Base Running (BsR)
    Mit wSB für die Fähigkeit des Base-Stealings und UBR für die sonstigen Baserunning-Leistungen haben wir zwei sehr brauchbare Maße. Idealerweise bringt man nun noch beide zu einem umfassenden Indikator zusammen, der die Baserunning-Fähigkeiten insgesamt bewertet. Genau das ist das Ziel einer weiteren Fangraphs-Statistik, die sich schlicht Base Running (BsR) nennt und auch in die Berechnung von Fangraphs‘ WAR einfließt.

    BsR wird wie die beiden gerade vorgestellten Maße in Runs über oder unter dem Durchschnitt ausgedrückt. Gebildet wird BsR durch einfache Addition: UBR plus wSB plus wGDP. Moment mal, wGDP? Ja, tatsächlich zählt Fangraphs als dritte Komponente von BsR den Indikator weighted Grounded Into Double Play Runs (wGDP) hinzu. Das heißt, es wird berücksichtigt, inwiefern es dem Spieler gelingt, keine Double Plays zu verursachen, wenn er mit weniger als zwei Outs und einem Runner an der ersten Base am Schlag ist. An dieser Stelle muss ich sagen, dass ich den Einbezug von wGDP für einen Fehler der von mir sonst sehr geschätzten Kollegen von Fangraphs halte. Natürlich ist die mit wGDP gemessene Fähigkeit relevant, aber sie ist meiner Ansicht nach in erster Linie dem Batting zuzurechnen und nicht dem Baserunning. BsR wäre daher in meinen Augen aussagekräftiger, wenn man es auf die Addition von wSB und UBR beschränken würde.

    Nichtsdestotrotz ein kurzer Blick auf die 2017 erzielten BsR-Werte: Die meisten Spieler liegen im Bereich zwischen -6 und +6 BsR. Das ist interessant, denn wenn man sich im Vergleich dazu die Werte von UBR und wSB anschaut, fallen diese ähnlich hoch aus. Es kommt also selten vor, dass Spieler in beiden Bereichen so gut sind, dass sich starke Effekte durch die Addition der Werte ergeben. Die große Ausnahme davon ist Byron Buxton: Der Outfielder der Twins führt die Rangliste der Saison 2017 mit 11,7 BsR mit großem Abstand an. Ohne den Einbezug von wGDP brächte Buxton es übrigens auf einen Wert von 9,4 und wäre auch damit einsame Spitze in der MLB.

    Geschwindigkeitsmessung mit Statcast
    Eine weitere Baserunning-Statistik liegt im Prinzip auf der Hand, ist aber erst seit kurzem zuverlässig und umfangreich messbar: die Schnelligkeit der Spieler. Erfolgreiches Baserunning lässt sich im Wesentlichen auf die zwei Komponenten Geschwindigkeit und Spielintelligenz reduzieren. Den Beitrag der Spielintelligenz kann man wohl nur durch Maße wie die oben vorgestellten Sabermetrics sinnvoll berücksichtigen. Den anderen der beiden Faktoren kann man seit der letzten Saison direkt erfassen – die MLB-weite Einführung der Statcast-Technologie macht es möglich.

    Dank Statcast wissen wir nun, dass der durchschnittliche MLB-Spieler es auf eine Baserunning-Geschwindigkeit von 27 Fuß pro Sekunde (29,6 km/h) bringt und dass Byron Buxton auch in dieser Rangliste die Liga anführt – mit 30,2 Fuß pro Sekunde (33,1 km/h), dicht gefolgt von Billy Hamilton mit 30,1 Fuß pro Sekunde (33,0 km/h). Der langsamste Spieler der MLB ist übrigens Albert Pujols (Angels) mit 23,0 Fuß pro Sekunde (25,2 km/h). Pitcher werden dabei allerdings nicht berücksichtigt, sonst hätten Bartolo Colon und CC Sabathia sicher gute Chancen, Pujols diesen Titel streitig zu machen. Dargestellt wird in der Tabelle die Geschwindigkeit, die der jeweilige Spieler im seinem schnellsten Eine-Sekunde-Zeitfenster erzielt hat.

    Ein neuer Indikator für Spielintelligenz?
    Nur so als Idee: Will man den anderen Faktor erfolgreichen Baserunnings, die Spielintelligenz, isoliert beziffern, so könnte man versuchen, BsR (bevorzugt allerdings ohne wGDP) um den Beitrag der mit Statcast gemessenen Geschwindigkeit eines Spielers zu bereinigen. Vereinfacht ausgedrückt heißt das, wer unterdurchschnittlich schnell ist und trotzdem gute BsR-Werte erzielt, der verfügt offenbar über eine besonders hohe Spielintelligenz in Bezug auf Baserunning. Geben wir der Sache noch einen schönen Namen – wie wäre es mit Smart Base Running (SBR)? – und schon haben wir eine neue Statistik erfunden. Ich muss noch mal ausführlicher recherchieren, ob es so eine Zahl bereits gibt oder ob die Idee wirklich neu ist und es sich lohnt, sie weiterzuverfolgen.

    Posted in MLB, Statistik Tagged with: , , , , , , , ,

    Mai 17th, 2017 by Dominik

    Das Fielding ist ein wichtiger Teil des Baseballsports. Spiele werden nicht nur durch Batting und Pitching sondern auch durch die Abwehrarbeit im Feld gewonnen oder verloren, auch wenn dieser Aspekt des Spiels gegenüber den anderen oft ein wenig im Schatten der Aufmerksamkeit zu stehen scheint – gerade was die Statistiken angeht. An die Prominenz der Batting-Slashline oder des Earned Run Averages kommen die Fielding-Stats nicht heran, aber das macht sie nicht weniger interessant und ich möchte heute ein paar von ihnen vorstellen.

    Putouts, Assists
    Putouts und Assists sind klar definiert und sehr einfach zu zählen. Für jedes Out des schlagenden Teams wird einem Spieler des verteidigenden Teams der Putout gutgeschrieben. Ihn erhält der Spieler, der den Ball aus der Luft fängt (Flyout), mit ihm den Gegner zum Tagout berührt, die Base zum Forceout betritt oder als Catcher den dritten Strike beim Strikeout fängt. Ein Assist wird dem Spieler zugerechnet, der den Ball vor dem Putout berührt hat. Wenn also zum Beispiel der Shortstop einen Ball aufnimmt und ihn zum Forceout dem First Baseman zuwirft, dann hat der SS den Assist und der 1B den Putout. Ist kein zweiter Spieler involviert, dann ist der Putout „unassisted“. Der Pitcher erhält übrigens keinen Assist dafür, dem Catcher den dritten Strike zuzuwerfen.
    Man könnte nun einfach schauen, wer die meisten Putouts und wer die meisten Assists sammelt und diese Spieler dann zu den besten Fieldern erklären. Dieses Vorgehen hinkt aber an mindestens zwei Stellen: Erstens ist die Anzahl der Putouts und Assists stark abhängig von der gespielten Position: Die meisten Putouts gehen üblicherweise auf das Konto des First Basemans, auch wenn dies sicher nicht die anspruchsvollste Defensivposition ist. Man läge somit höchstwahrscheinlich daneben, wenn man einen 1B zum besten Verteidiger des Teams erklärte, nur weil er die meisten Putouts hat. Zweitens hängt die Zahl der Putouts und Assists, die ein Spieler ansammelt, auch ganz wesentlich davon ab, wie viele Gelegenheiten dazu der Stil des jeweiligen Pitchers bietet – produziert er eher Groundballs (mehr Putouts für Infielder), Flyballs (mehr Putouts für Outfielder) oder Strikeouts (mehr Putouts für Catcher)?
    Die meisten Putouts in der Saison 2016 erzielte – ebenso wie schon 2015 und 2013 – Paul Goldschmidt von den Arizona Diamondbacks mit 1.378. 2017 führt bislang Wil Myers von den San Diego Padres mit 362 die Rangliste an. Der Rekord für die meisten Putouts in einem Jahr ist schon 110 Jahre alt: Jiggs Donahue stellte ihn 1907 mit 1.846 Putouts auf. Im gleichen Jahr erreichte Jake Beckley die bis heute einzigartige Marke von 23.767 Putouts in seiner Karriere. Die beste Leistung eines noch aktiven Spielers vollbrachte Albert Pujols mit 1.597 Putouts im Jahr 2005 und mit bislang 15.626 in seiner Karriere. Alle genannten Spieler sind oder waren (natürlich) First Basemen.

    Errors
    Errors sind die wichtigste Defensivstatistik – jedenfalls wichtig in dem Sinne, dass sie standardmäßig in jedem Boxscore und auf jedem Scoreboard dargestellt werden. Ein Error wird einem Spieler zugerechnet, wenn er ein mit „normalem Aufwand“ (ordinary effort) erreichbares Aus verhindert – zum Beispiel, indem er den Ball fallen lässt, beim Fangen oder Aufnehmen daneben greift oder ihn so ungenau wirft, dass der Teamkamerad ihn nicht bekommen kann. Jeder Spieler möchte vermeiden, in der Error-Spalte des Boxscores aufzutauchen und viele Errors sind in der Regel ein Zeichen für schlechtes Defensivspiel. Allerdings sind auch die Errors stark von der Position abhängig: Shortstops und Second Basemen produzieren üblicherweise deutlich mehr Errors als Outfielder. Etwa weil sie schlechtere Abwehrspieler sind? Meistens ist eher das Gegenteil der Fall: Auf diese Posten stellt man gute Abwehrspieler, weil die Bälle im Infield schneller, härter und häufiger ankommen als im Outfield. Deshalb gibt es im Infield viel mehr Gelegenheiten, etwas falsch zu machen, also Errors zu sammeln.
    2016 hatte Jonathan Villar von den Milwaukee Brewers die zweifelhafte Ehre, mit 29 Erros die Liste der meisten Abwehrfehler anzuführen, 2017 liegen bislang acht Spieler mit jeweils 7 gleichauf. Die meisten Errors in einer Saison unterliefen 1889 Herman Long und 1890 Billy Shindle mit jeweils 122. Long führt mit 1.096 Errors auch die Karriererangliste an. Nach aktuellen Spielern muss man in diesen Listen recht lange suchen: Auf Platz 259 findet man Adrian Beltre mit 296 Errors in seiner Karriere. In einer einzelnen Saison hatte kein aktiver Spieler je mehr als 35 Errors (welche Marcus Semien 2015 und Mark Reynolds 2008 verursachten).

    Fielding Percentage
    Betrachtet man die Errors nicht als absolute Zahlen sondern als Anteil erfolgreicher Plays an allen möglichen Plays, dann ist das Problem der unterschiedlichen Anzahl von Möglichkeiten weitgehend ausgeschaltet. Beispiel: Nehmen wir an, während eines Spiels werden zwölf Bälle in Richtung des Third Basemans geschlagen. Zwei davon sausen ihm so schnell um die Ohren, dass man ihm daraus keinen Vorwurf machen kann. Diese beiden fließen nicht in die Berechnung ein. Von den anderen zehn setzt er neun in ein Aus um, indem er sie entweder aus der Luft fängt oder nach Bodenkontakt aufnimmt und zur ersten Base wirft. Den zehnten könnte er locker fangen, aber weil ihn die Sonne blendet greift er daneben, muss sich nach dem Ball bücken und bis er ihn zur ersten Base werfen kann, ist der Batter/Runner dort schon angekommen. Das war ein Error und seine Fielding Percentage (FP) steht damit bei .900 (in Deutschland würden wir sagen: 90%).
    Die FP ist bei angemessen großem Stichprobenumfang schon ein recht brauchbares Maß für die Fähigkeit eines Fielders, aber auch sie ist nicht ohne Probleme: Zum einen sind Errors subjektiv, denn es muss ein Mensch – der Scorer – entscheiden, welcher Ball mit „normalem Aufwand“ spielbar ist und welcher nicht. Darüber hinaus berücksichtigt die FP nicht die Reichweite eines Spielers. Das kann zu der paradoxen Situation führen, dass ein besonders guter Spieler mehr Errors und damit eine schlechtere FP hat als ein schlechterer. Denn der bessere Spieler deckt einen größeren Bereich des Feldes ab und übernimmt häufig die schwierigeren Plays im Grenzgebiet der Zuständigkeiten. Bei diesen Plays unterlaufen naturgemäß die meisten Fehler und diese Fehler werden dem guten Fielder zugerechnet, weil er im Gegensatz zum schlechten Fielder eine Chance gehabt hätte, an den Ball heranzukommen.
    Auch hierzu ein paar Statistiken: 2016 hatten drei qualifizierte Spieler eine perfekte FP von 1.000: die Outfielder Curtis Granderson (Mets), Hunter Pence (Giants) und Randal Grichuk (Cardinals). Die schlechteste FP hatte 3B Yunel Escobar (Angels) mit .937. 2017 haben bislang noch zahlreiche Spieler eine FP von 1.000, ganz hinten liegt derzeit 3B Nick Castellanos (Tigers) mit .920 und Yunel Escobar ist mit .930 nicht wirklich besser geworden. Die schlechteste FP aller Zeiten hatte übrigens Joe Doyle 1872 als SS der Nationals mit .667.

    Neben den bisher geschilderten „klassischen“ Fielding-Statistiken gibt es natürlich auch zu diesem Bereich des Baseballspiels fortgeschrittene Statistiken, sogenannte Sabermetrics. Über jede davon könnte man ohne Weiteres einen eigenen Artikel schreiben, aber ich stelle mal beispielhaft drei davon in aller Kürze vor:

    Ultimate Zone Rating
    Großer Beliebtheit erfreuen sich Statistiken, die direkt in der „Währung“ des Spiels ausgedrückt werden, also in Runs. In Runs dargestellte Defensivstatistiken sind besonders gut mit Offensivstatistiken vergleich- und kombinierbar, die auf dem gleichen Prinzip basieren, beispielsweise Runs Created oder wRAA. Eine solche Statistik ist das Ultimate Zone Rating (UZR). UZR setzt sich zusammen aus zahlreichen Komponenten des Defensivspiels, die jeweils mit einem Wert von Runs bzw. Anteilen davon versehen werden. Diese Werte werden ermittelt, indem der zu beurteilende Spielzug mit dem durchschnittlichen Ausgang ähnlicher Situationen aus der Vergangenheit verglichen wird. Nehmen wir beispielsweise an, in Richtung des Left Fielders wird ein Ball mit einer bestimmten Geschwindigkeit zu einer bestimmten Stelle geschlagen, aus dem ein durchschnittlicher Fielder in 40% der Fälle ein Aus produziert und der ansonsten üblicherweise zu 0,8 Runs für das gegnerische Teams führt. Wenn der Left Fielder das Play macht, dann hat er 0,48 Runs verhindert (die durchschnittliche Schadenshöhe 0,8 multipliziert mit der Eintrittswahrscheinlichkeit von 0,6) und sein UZR steigt entsprechend an. Die Übersetzung von Plays in Runs geschieht über lineare Gewichte. Wer sich in die Details der UZR-Berechnung einlesen will, dem sei ein sehr guter Artikel von Fangraphs ans Herz gelegt.
    UZR kann Werte über oder unter Null annehmen – je nachdem, ob der betreffende Spieler seinem Team mehr oder weniger gegnerische Runs beschert als ein durchschnittlicher Fielder. Überdurchschnittliches Defensivspiel ergibt Werte über Null, die besten Fielder erreichen pro Saison üblicherweise UZR-Werte von über 15.
    Der beste Fielder im Jahr 2016 laut UZR war Outfielder Adam Eaton (White Sox) mit 23,1. 2017 liegt bislang OF Odubel Herrera (Phillies) mit 7,7 vorne. Das höchste Karriere-UZR seit Beginn der Messung (2002) hat bislang Adrian Beltre mit 180,8 inne. Die beste defensive Einzelsaison spielte Alfonso Siriano 2007 für die Cubs mit einem UZR von 32.0.

    Defensive Runs Saved
    UZR und ein anderes verbreitetes Maß für Defensivstärke, Defensive Runs Saved (DRS), sind sich äußerlich betrachtet sehr ähnlich: Auch DRS wird in Form von Runs angegeben, auch DRS bewertet Einzelaktionen des Fielders anhand des Vergleichs mit dem Durchschnitt auf der jeweiligen Position und auch hier stehen Werte über Null für eine überdurchschnittliche Leistung und Werte unter Null für eine unterdurchschnittliche. In den Details der Berechnung weisen die beiden Statistiken ein paar Unterschiede auf. Zum Beispiel verwendet DRS für den Vergleich mit dem Durchschnitt die jeweils letzten zwölf Monate, während UZR immer auf mehreren Jahren basiert. DRS enthält zudem Anpassungen, die sogenannte Videoscouts bei einer Sichtung der Plays festlegen, indem sie Spielzüge als besonders gut oder schlecht einstufen. Diese und andere feine Unterschiede können dazu führen, dass die beiden Statistiken über manche Spieler zu gegensätzlichen Aussagen kommen. Das ist aber eher der Ausnahmefall, in den meisten Fällen kommen UZR und DRS zu sehr ähnlichen Ergebnissen und es ist letztlich Geschmackssache, welches der beiden Maße man bevorzugt. Beide liefern in jedem Fall deutlich bessere und belastbarere Aussagen als die reine Fielding Percentage. Auch zu DRS empfehle ich einen ausführlichen Artikel, der die Berechnungsmethode näher erläutert.
    Die meisten DRS der MLB-Saison 2016 hatte Red-Sox-Outfielder Mookie Betts mit 32, 2017 haben bisher 3B Nolan Arenado (Rockies) und SS Addison Russell (Cubs) mit je 8 DRS die Nase vorn. Die Karriererangliste seit Beginn der Darstellung 2002 führt wie bei UZR auch hier Adrian Beltre an mit 206 DRS. Die beste Einzelsaison hatte OF Kevin Kiermaier (Rays) mit 42 DRS im Jahr 2015.

    Defensive Wins Above Replacement
    Das bekannteste Maß, die Qualität eines Baseballspielers vollständig in einem einzigen Wert auszudrücken, sind Wins Above Replacement (WAR), deren Grundprinzip ich hier mal erklärt habe. WAR berücksichtigt sowohl die defensiven als auch die offensiven Leistungen eines Spielers, bietet aber auch die Möglichkeit, die beiden Komponenten getrennt voneinander zu betrachten. Der defensive Teil von WAR (dWAR) basiert dabei im Wesentlichen auf den beiden gerade vorgestellen Werten. Von den beiden wichtigsten Statistikseiten verwendet Fangraphs UZR für seine Version von WAR, während Baseball Prospectus auf DRS setzt.
    Die besten Feldspieler einer MLB-Saison bringen es in der Regel auf 3 bis 5 dWAR. Im Vergleich dazu landen die besten Batter eines Jahres meist bei 7 bis 10 oWAR.
    Rays-OF Kevin Kiermaier führte zuletzt zwei Jahre in Folge, 2015 und 2016, mit 5,0 und 2,9 die dWAR-Rangliste der MLB an. 2017 führt bislang SS Addison Russell (Cubs) mit 1,0 dWAR. Die meisten dWAR in einer Karriere gelangen dem legendären Shortstop Ozzie Smith mit 43,4. Bester Aktiver in dieser Liste ist einmal mehr Adrian Beltre mit 27,1 dWAR. Die besten Einzelsaisons hatten mit jeweils 5,4 dWAR in zwei sehr unterschiedlichen Ären Terry Turner im Jahr 1906 und Andrelton Simmons 2013.

    Posted in Grundwissen, MLB, Statistik Tagged with: , , , , , , , , , , ,

    Juli 18th, 2016 by Dominik

    Wenn ich in früheren Artikeln über mehr oder weniger brauchbare Pitcher-Statistiken geschrieben habe, dann ging es in erster Linie um Starting Pitcher. Heute möchte ich meinen Blick stärker Richtung Bullpen richten und ein paar Gedanken festhalten, welche Stats man heranziehen kann, um die Leistung von Relief Pitchern sinnvoll zu beurteilen.

    Wins und Losses

    Mein „ceterum censeo“ setze ich gleich an den Anfang: Das Zählen von Pitcher-Wins und -Losses ist für Reliever noch blödsinniger als für Starter, aber über das Thema habe ich hier eigentlich schon alles gesagt.

    IP, ERA, FIP

    Die wichtigsten Aufgaben eines Pitchers – in dem Punkt unterscheiden sich Reliever nicht von Startern – sind das Produzieren von Outs und das Verhindern von Runs. Das führt direkt zu Indikatoren wie Innings Pitched (IP), ERA und FIP, die ich allesamt hier erklärt habe. Einige Fallstricke machen die Interpretation dieser Zahlen jedoch für Relief Pitcher etwas schwieriger als für Starter. Zum Beispiel sind für Reliever, dadurch dass sie im Laufe einer Saison in der Regel deutlich weniger Innings pitchen als die Starter, Durchschnitts- und Anteilswerte wie ERA, FIP, HR/9% oder SO/BB% deutlich unzuverlässiger und anfälliger für Ausreißer, wenn man die Betrachtung nicht auf einen großen Zeitraum (am besten mindestens eine ganze Saison) bezieht.

    Hinzu kommt, dass man erst mal identifizieren muss, wer überhaupt als Reliever gelten soll. Wählt man die Relief-Pitcher-Tabelle auf Baseball-Reference und sortiert sie nach IP, so stellt man fest, dass auf den ersten vierzig Plätzen ausnahmslos Pitcher stehen, die auch Spiele gestartet haben. Da steht Tanner Roark ganz oben mit 124.2 IP, was im Zusammenhang mit Relief Pitching völlig in die Irre führt, weil er in seinen zwanzig Spielen dieses Jahr nur ein einziges mal als Reliever auftrat. Fangraphs hingegen bezieht in die Standardtabelle ausschließlich die Relief-Einsätze ein, was für unsere Zwecke informativer ist. Hier sieht man auf den ersten Blick, dass Brad Hand (Padres) diese Saison bisher von allen Relief Pitchern die meisten Outs produziert hat und dass Brad Brach (Orioles) ein ganz fantastisches Jahr hat, in dem er nicht nur die zweitmeisten Relief-Innings gepitcht hat, sondern in diesen mit 0.88 ERA auch extrem dominant war.

    Eine interessante Möglichkeit, um Spezialistenpitcher wie LOOGYs (Lefty One-Out GuYs) zu identifizieren und zu beurteilen, sind Split-Statistiken, also Statistiken, die die üblichen Werte wie ERA, FIP etc. getrennt nach bestimmten At-Bats – in dem Fall solche gegen linkshändige Batter – darstellen. Leider gibt es Übersichtstabellen mit Linkshänder-/Rechtshändersplits auf den mir bekannten Statistikseiten nicht gesondert für Relief Pitcher. Das ist sehr schade, denn gerade dafür wären sie besonders brauchbar. So bleibt einstweilen nichts anderes übrig, als erstens weiter Ausschau zu halten, ob es nicht doch eine Seite gibt, die diese Aufgliederung anbietet (wenn ihr eine kennt, sagt mit bitte Bescheid!), und zweitens für die Zwischenzeit die verfügbaren Split-Tabellen entweder manuell durchzublättern oder gezielt nach Spielern zu durchsuchen, die man auf andere Weise als potenzielle LOOGYs identifiziert hat. Sehr verdächtig sind in diesem Sinne all jene Spieler, bei denen eine große Anzahl von Spielen mit einer vergleichsweise kleinen Anzahl von Outs bzw. Innings einhergeht: Vergleicht man hier Spalte G mit Spalte IP, so stößt man schnell auf Kandidaten wie Josh Osich (Giants), Zach Duke (White Sox), Jerry Blevins (Mets) oder Marc Rzepczynski (Athletics) und beim Betrachten ihrer Split-Statistiken zeigt sich, dass diese Reliever bei ihren meist kurzen Einsätzen tatsächlich überproportional häufig gegen Linkshänder antreten dürfen.

    Saves

    Ausschließlich für Relief Pitcher und zwar in erster Linie für Closer gibt es die statistische Kategorie des Saves. Einen Save kann pro Spiel nie mehr als ein Pitcher verdienen. Das tut er, indem er für sein Team das letzte Aus im Spiel produziert, ohne selbst den Win zugerechnet zu bekommen, sofern er eine von drei weiteren Bedingungen erfüllt: entweder er kommt ins Spiel mit einer Führung seines Teams von höchstens drei Runs und pitcht selbst mindestens ein Inning lang; oder er kommt ins Spiel mit dem potenziell ausgleichenden Run auf Base, am Schlag oder on Deck; oder er pitcht mindestens drei Innings lang.

    Der Save ist ein Indikator für die Erfüllung einer sehr wichtigen Aufgabe, weist aber auch einige Schwächen und Tücken auf. Die erste Tücke ist, dass Saves oft missverstanden werden als das Qualitätskriterium für Relief Pitcher, was natürlich insofern Unsinn ist, als Saves eben nur in Save-Situationen verdient werden können, in welche viele Relief Pitcher im Rahmen der Aufgabenverteilung selten oder nie kommen. Eine weitere Tücke ist, dass beim Zählen von Saves unberücksichtigt bleibt, dass die Häufigkeit und Schwierigkeit der Save-Situationen vom Team abhängen. Das verzerrt die Wahrnehmung vor allem dann, wenn nur auf die Absolutzahl der Saves geschaut wird und nicht auf den Anteil erfolgreicher Saves an allen Save-Möglichkeiten. Ein brauchbares Bild von der Leistung eines Closers ergibt nur beides zusammen.

    Die beiden erfolgreichsten Closer der laufenden Saison haben bislang perfekte Arbeit bei jeder ihrer Save-Gelegenheiten geleistet: Jeurys Familia (Mets) hat 32 Saves aus ebenso vielen Chancen gemacht, Zach Britton (Orioles) 29 aus 29. Auch A. J. Ramos (Marlins) bringt es auf 29 Saves, er hatte jedoch bereits eine verpatzte Save-Gelegenheit, einen Blown Save. Den Rekord für die meisten Saves in einer Saison (62 im Jahr 2008) hält Francisco Rodriguez (damals Angels, heute Tigers), die meisten Saves insgesamt gehen auf das Konto von Mariano Rivera (Yankees) mit 652.

    Holds

    Da Saves in erster Linie für Closer erreichbar und damit auch nur für sie sinnvoll interpretierbar sind, gibt es als Ergänzung die (im Gegensatz zum Save nicht offizielle) Statistik über Holds. Ein Hold ist prinzipiell das gleiche wie ein Save mit dem einzigen Unterschied, dass der betreffende Pitcher nicht das Spiel beendet, sondern bei fortbestehender Führung seines Teams ausgewechselt wird. Einen Hold können sich in einem Spiel mehrere Pitcher verdienen. Durch den Einbezug von Holds wird der Blick auf die Relief Pitcher etwas breiter, wobei auch hier durch die Anwendung größtenteils identischer Kriterien wie beim Save der Schwerpunkt auf den späteren Innings liegt. Holds verdienen sich somit in erster Linie Setup-Pitcher, also die Pitcher, die direkt vor dem Closer – typischerweise im achten Inning – zum Einsatz kommen.

    Die meisten Holds in der MLB-Geschichte hat Matt Thornton (White Sox u. a., heute Padres) erzielt, die meisten Holds in einer Saison verzeichneten Joel Peralta (Rays) 2013 und Tony Watson (Pirates) 2015 mit jeweils 41. In der aktuellen Saison wird die Statistik von Dellin Betances (Yankees) mit 22 Holds angeführt.

    Fazit

    Für die Reliever gilt noch stärker als für die Starter, dass nur ein Bündel von verschiedenen Indikatoren ein einigermaßen umfassendes und ausgeglichenes Bild ergibt, vor allem weil die Reliever sich in diverse Spezialaufgaben aufgliedern. So lohnt sich für Closer der Blick auf Saves, für Setup-Pitcher der Blick auf Holds, für linkshändige Spezialisten sind vor allem die entsprechenden Splits gegen linkshändige Batter interessant, für Long Reliever hingegen vor allem die IP usw. Hinzu kommen übergreifende Maße wie ERA und FIP, die für alle Pitcher relevant sind – vorausgesetzt, die Fallzahlen bzw. Zeiträume sind groß genug, um verlässliche Zahlen zu erhalten.

    Posted in MLB, Statistik Tagged with: , , , , , , ,