သီးခြားသုတေသန Pillar နှစ်ခုနှင့် Simulation Layer တစ်ခု
ဤဆိုဒ်ပေါ်ရှိ ပွဲစဉ်တိုင်းကို တစ်ခုနှင့်တစ်ခု ဂဏန်းအချင်းချင်း လုံးဝမမျှဝေသော system သီးခြားသုံးခုက ခွဲခြမ်းစိတ်ဖြာပါသည်။ တစ်ခုစီကို ပွဲစဉ်စာမျက်နှာ၏ သီးခြား section အနေဖြင့် ပြသထားပြီး၊ ဘယ်တော့မှ ပေါင်းစပ် score တစ်ခုတည်းအဖြစ် ရောနှောမထားပါ။
Empirical (Poisson model)
ဤအရာသည် ဆိုဒ်၏ အားကိုးရဆုံးနှင့် backtest လုပ်နိုင်သော core ဖြစ်သည်။ အသင်းတစ်သင်းစီအတွက် ဤရာသီအတွင်း တကယ့်ပွဲစဉ်ရလဒ်များ (ဂိုးသွင်း/ဂိုးသွင်းခံရမှု၊ Home vs Away) ကို ကြည့်ပြီး league ပျမ်းမျှနှုန်းနှင့် နှိုင်းယှဉ်သော attack/defense strength rating ကို တွက်ချက်ပါသည်။ ဤ rating များက ကျရောက်မည့်ပွဲစဉ်တစ်ခုအတွက် နှစ်ဖက်စလုံး၏ expected goals (xG) ဂဏန်းကို ထုတ်ပေးပြီး၊ Poisson probability distribution က ၎င်းကို Home / Draw / Away အနိုင်ရရန် ဖြစ်နိုင်ခြေအဖြစ် ပြောင်းပေးပါသည်။
လက်ရှိ version (v2) တွင် plain Poisson model အပေါ် ထပ်ဆောင်း refinement နှစ်ခု ပါဝင်ပါသည်:
- Dixon-Coles correction — တကယ့်ဘောလုံးပွဲများတွင် plain independent-Poisson model ခန့်မှန်းသည်ထက် low-scoring draw (0-0, 1-1) များ အနည်းငယ်ပိုများတတ်သောကြောင့်၊ ထို scoreline အတိအကျများအတွက် correction factor သေးငယ်တစ်ခု ချိန်ညှိပေးထားသည်။
- Time-decay weighting — မကြာသေးမီက ပွဲစဉ်များကို အသင်း၏ လက်ရှိ strength ခန့်မှန်းရာတွင် အနည်းငယ်ပို၍ အလေးထားပါသည်။
အသင်းနှစ်သင်းစလုံးအတွက် ပြီးဆုံးပွဲစဉ် အလုံအလောက်မရှိသေးသော ပွဲစဉ် (ရာသီအစောပိုင်း) ကို ခန့်မှန်း၍မရဘဲ inconclusive ဟု မှတ်သားထားပါသည် — data အလွန်နည်းပါးသည့် အပေါ်တွင် ယုံကြည်စိတ်ချရဟန်ရှိသော ဂဏန်းတစ်ခုပြသမည့်အစား "data မလုံလောက်သေးပါ" ဟု ပြောခြင်းက ပိုကောင်းပါသည်။
Simulation (Monte Carlo)
ဤအရာသည် Empirical pillar ၏ sub-layer တစ်ခုဖြစ်ပြီး၊ တတိယ independent method မဟုတ်ပါ။ Empirical model ၏ expected-goals baseline ကို စတင်ကစားမည့် player စာရင်းအတိအကျဖြင့် ချိန်ညှိပါသည် — player တစ်ဦးစီ၏ ယခုရာသီ attacking/creative/defensive output ကို rating လုပ်ပြီး၊ ထို named XI ၏ strength ကို အသင်း၏ ရာသီပျမ်းမျှ squad နှင့် နှိုင်းယှဉ်ပါသည်။ ချိန်ညှိပြီးသား expected goals ကို အကြိမ်ပေါင်းများစွာ (random trial 10,000) simulate လုပ်ပြီး ဖြစ်နိုင်ခြေရှိသော final scoreline distribution ကို ထုတ်ပေးပါသည် — ဤအရာသည် ဤ section ၏ ပင်မပြသချက်ဖြစ်ပြီး ဥပမာ "Most likely: 1-1 (8%)" စသည်ဖြင့် ပါဝင်ပါသည်။
ရိုးသားစွာ ဖော်ပြချက် (2026-09-29 အသစ်ပြင်ဆင်ချက်): ဤ pillar ၏ Home/Draw/Away ရာခိုင်နှုန်းများကို တကယ့်ရလဒ်များနှင့် နှိုင်းယှဉ်စမ်းသပ်ကြည့်ခဲ့ရာ (Track Record ကိုကြည့်ပါ) အစပိုင်းတွင် plain Empirical model ထက် ပိုမှန်ကန်မှု မရှိသေးကြောင်း တွေ့ရှိခဲ့ရပါသည်။ သို့သော် ထိုရလဒ် ညံ့ရသည့် အဓိကအကြောင်းရင်းမှာ player rating များကို ရာသီနောက်ဆုံးစုစုပေါင်းကိန်းဂဏန်းများ (season-aggregate) ဖြင့် တွက်ချက်ခဲ့ခြင်းကြောင့်ဖြစ်ကြောင်း ထပ်မံစိစစ်ရှာဖွေတွေ့ရှိခဲ့ပါသည် — ဆိုလိုသည်မှာ ရှေးရိုးရာ history တစ်ခုကို backtest လုပ်ရာတွင် player များ၏ "အနာဂတ်" ရလဒ်များပါ ပါဝင်နေခြင်း (lookahead bias) ဖြစ်ပါသည်။ Point-in-time (ပွဲစဉ်စတင်ချိန်ထိ အမှန်တကယ်သိရှိသောကိန်းဂဏန်းများသာ) player rating များဖြင့် တကယ့် historical starting lineup များကိုသုံးပြီး ပြန်လည် backtest လုပ်ကြည့်ရာ — Win/Draw/Loss ရာခိုင်နှုန်းများသည် Empirical (Poisson) ကိုယ်တိုင်ထက်ပင် ပိုမှန်ကန်လာကြောင်း (Brier score 0.642 Simulation ၏, 0.647 Poisson ၏) ပထမဆုံးအကြိမ် တွေ့ရှိခဲ့ရပါသည်။ သို့သော် ဤ validation သည် တကယ့် (manually confirmed) starting lineup ကိုသုံးသည့်အခါမှသာ သက်ဆိုင်ပါသည် — ယနေ့ live site ပေါ်ရှိ Simulation prediction အများစုက kickoff မနီးသေးသဖြင့် (auto top-scorer proxy) ကိုသာ သုံးထားပါသေးသည် (ဤ proxy pathway ကို ဤ backtest က သီးသန့်စမ်းသပ်ခြင်း မရှိသေးပါ)။ ထို့ကြောင့် real lineup ဖြင့် simulate လုပ်ထားသော ပွဲစဉ်များ တွင်သာ Win/Draw/Loss ကို ပင်မပြသချက်အဖြစ် ပြန်လည်ပြောင်းလဲထားပြီး ("Lineup: real" ဟု ဖော်ပြထားပါသည်)၊ auto proxy lineup ဖြင့် simulate လုပ်ထားသော ပွဲစဉ်များတွင်မူ scoreline distribution ကိုသာ ဆက်လက် ပင်မပြသနေပါဦးမည်။ Scoreline distribution ("Most likely: 1-1 (8%)" စသည်) ကိုမူ point-in-time data ဖြင့် ပြန်လည် backtest လုပ်ကြည့်ခဲ့သော်လည်း (real lineup ဖြင့်ပင်) မှန်ကန်မှု တိုးတက်မလာခဲ့ပါ — league ၏ ပုံမှန် scoreline ကို ရိုးရိုးသာ ခန့်မှန်းလိုက်တာထက်ပင် အနည်းငယ် ညံ့ဆဲဖြစ်၍ scoreline list ကို exploration ရည်ရွယ်ချက်အတွက်သာ ဆက်လက်ပြသထားပါသည်၊ trustworthy forecast တစ်ခုအဖြစ် မယူဆထားပါ။ Match-outcome probability အတွက် အယုံကြည်ရဆုံးအရင်းအမြစ်မှာ Empirical ပင်ဖြစ်ပါသည် (auto-proxy lineup ဖြင့် simulate လုပ်ထားသော ပွဲစဉ်များအတွက်တော့ ယခုလည်း Empirical ကပင် အယုံကြည်ရဆုံးဖြစ်ဆဲပါသည်)။
Astrology (KP horary chart) — စမ်းသပ်ဆဲ၊ ဖျော်ဖြေရေးအတွက်သာ
ဤ pillar သည် ပွဲစဉ်စတင်ချိန်နှင့် နေရာအတိအကျအတွက် KP (Krishnamurti Paddhati) astrological chart တစ်ခု ဆွဲပြီး၊ ထိုအချိန်တွင် ဘယ်ဘက်၏ house များကို ruling planetary sub-lord များက ကျက်သရေရှိနေသည်ကို စစ်ဆေးပါသည်။ ၎င်းတွင် သိပ္ပံနည်းကျ ခန့်မှန်းနိုင်စွမ်း မရှိသေးပါ — ဖျော်ဖြေရေး/သုတေသနအတွက်သာ ထည့်သွင်းထားခြင်းဖြစ်ပြီး၊ ယုံကြည်ရသော forecasting method တစ်ခုအဖြစ် မယူဆထားပါ။ Empirical သို့မဟုတ် Simulation ဂဏန်းများနှင့် ဘယ်တော့မှ ပေါင်းစပ်မထားပါ၊ ၎င်းတို့ကို မမြှင့်တင်၊ မလျှော့ချပါ၊ တန်းတူအယုံကြည်ရသည်ဟုလည်း မယူဆသင့်ပါ။
သုံးခုလုံးကို ဘာကြောင့် သီးခြားစီပြသရသလဲ?
ဂဏန်းများကို ရောနှောပြသမည်ဆိုပါက ဘယ်အပိုင်းက တကယ့် testable statistics မှ လာသည်၊ ဘယ်အပိုင်းက validate မလုပ်ရသေးသော method မှ လာသည်ဆိုသည်ကို ဖုံးကွယ်သွားစေမည်ဖြစ်သည် — ထို့အပြင် သီးခြားစီထားခြင်းက တစ်ခုစီအား အချိန်ကြာလာသည်နှင့်အမျှ တကယ့်ရလဒ်အပေါ် အခြေခံ၍ သီးခြားစီ tracking လုပ်ပြီး တန်ဖိုးဖြတ်နိုင်ရန် ခွင့်ပြုပေးပါသည်။ ဤ description တစ်ခုတည်းအစား တကယ့် historical ဂဏန်းများကို Track Record စာမျက်နှာတွင် ကြည့်ပါ။