在棒球分析中，投球序列的优化是一个核心话题，但以往研究主要集中于单场击球中最后一次投球的优化，忽视了前置准备投球的角色及其对长期赛季表现的影响。为了解决这些问题，本研究使用MLB Statcast数据进行了反事实分析。通过训练基于Transformer的机器学习模型，预测某一目标投球是否会导致有效击球或挥棒落空。
反事实投球序列通过将最后一次投球或前置准备投球替换为其他投球类型和位置，同时保持周围上下文信息不变来生成。最佳的反事实选择被定义为那些最小化预测的有效击球概率的选择，研究还通过回归模型估计了这些选择对投手季节统计数据的预期影响。结果表明，最终投球和准备投球的优化可能会显著影响赛季表现，包括K/9指标的提升超过1.0。
分析还提供了一些实用见解，包括特定速度区间的有效投球位置、投球控制的重要性，以及通过中等速度投球扩展投球选择的可能性。这些发现定量支持了投球序列在棒球中的战略重要性。
博主点评： 本研究通过引入反事实分析，深入探讨了投球序列的优化，展现了数据驱动决策在体育中的潜力，尤其是在提高投手表现方面的应用前景。有效的投球策略不仅能提升投手的统计数据，还能对比赛结果产生深远影响，值得各队教练与分析师关注。