上一回的实力盘钻研文章，笔者从净胜球参数，以及将让球盘路与净胜球相结合，拓展出盘路修正净胜球参数，对实力盘进行了钻研与探究。本文，笔者将结合更多的球队基础面数据，并经由过程多元回归的措施来对实力盘进行模拟。
● 联赛范围：欧洲五大年夜联赛，即英超、西甲、德甲、意甲、法甲。
● 赛季范围：2009/10至2018/19（以前10个赛季）
● 盘口依据：皇冠让球初盘与终盘
所谓多元回归，是指一个因变量（预告工具）与多个自变量（预告因子）的回归模型。简单来说，因变量是我们要模拟的实力盘（理论让球数），回归时输入每场比赛的进球差值，自变量是对阵双方多种基础面数据参数（笔者拔取了15种）。也便是考试测验用基础面数据来解释进球差值，经由过程回归建模动态地持续地来模拟对阵双方的实力盘，然后再和彩票公司开出的实际盘口进行对照。因为15种基础面数据选用近10场联赛（包孕主客）的数据均值，以是模拟出来的实力盘是对双方近期实力的预计。
声明：本文的操作未必得当所有玩家，主要缘故原由是所需的基础面数据过于宏大年夜（也正因如斯本文的样本仅包孕五大年夜联赛近10个赛季的相关数据）。别的，文中的钻研着重于宏不雅概率偏向，缘故原由很简单，找到大年夜概率的卵翼便于选场，然后投注时再详细阐发。在此与大年夜家分享思路，互相探究，也望广大年夜读者供给更多有趣的思路。关于实力盘的钻研，笔者在进行各类考试测验，即便大年夜家无法操作，待钻研足够充分时，盼望可以将实时数据分享给大年夜家，为大年夜家的日常投注供给赞助。
1. 基础面数据参数及回归历程先容
笔者拔取了15组基础面数据作为回归模型的输入参数，包孕进攻、戍守与节制三个方面，如下。
1) 近10场 场均射门进球转化率差值：
➢ 进攻参数，差值为正代表主队进攻强，反之客队强。
➢ 注：每一项数据统计都应用对阵双方各自近10场联赛（含主客）的数据均值，形成动态数据。例如，主队场均进球数为主队近10场场均进球数，主队场均射门次数为主队近10场场均射门次数，包孕主客。下文不再分外注明。
2) 近10场 场均掷中目标进球转化率差值：
➢ 进攻参数，差值为正代表主队进攻强，反之客队强。
3) 近10场 场均被射门被进球率差值：
➢ 戍守参数，差值为正代表主队戍守弱，差值为负代表客队戍守弱。
4) 近10场 场均被掷中目标被进球转化率差值：
➢ 戍守参数，差值为正代表主队戍守弱，差值为负代表客队戍守弱。
5) 近10场 场均铲球成功率差值：
➢ 戍守参数，差值为正代表主队戍守强，反之客队强。
6) 近10场 场均触球拦截率差值：
➢ 戍守参数，差值为正代表主队戍守强，反之客队强。
7) 近10场 场均封堵对方射门成功率差值：
➢ 戍守参数，差值为正代表主队戍守强，反之客队强。
8) 近10场 场均封堵对方进攻横传成功率差值：
➢ 进攻横传指在对方大年夜禁区阁下的横线传球
➢ 戍守参数，差值为正代表主队戍守强，反之客队强。
9) 近10场 场均传球成功率差值：
➢ 节制参数，差值为正代表主队节制力强，反之客队强。
10) 近10场 场均传关键球率差值：
➢ 节制参数，差值为正代表主队节制力强，反之客队强。
11) 近10场 场均控球率差值：
➢ 节制参数，差值为正代表主队节制力强，反之客队强。
12) 近10场 场均向前场偏向传球率差值：
➢ 进攻及节制参数，在必然程度上反应了球队的进攻立场与欲望，差值为正代表主队进攻欲望强，反之客队强。
13) 近10场 场均向后场偏向传球率差值：
➢ 节制参数，强弱无法简单定义，当球队领先时可能会经由过程向后场传球倒脚来消磨光阴，又或当球队实力不济时，被迫向后场传球。
14) 近10场 场均带球过人成功率差值：
➢ 节制参数，差值为正代表主队节制力强，反之客队强。
15) 近10场 场均争抢高空球成功率差值：
➢ 节制参数，差值为正代表主队节制力强，反之客队强。
至此，15种基础面数据已先容完毕。下面必要搭建一个动态数据库，要是用2009/10至2017/18赛季的数据作为样本，来猜测2018/19赛季。那么，必要将样本中所有场次的15种基础面数据分手统计出来。而且要留意这15种基础面数据都是用各自近10场比赛的均值。同时，样本中每场比赛的进球差值也需谋略出来（即主队进球数减去客队进球数），作为回归模型的因变量。
如图1，截取了英超联赛2009/10赛季开首以及2017/18赛季结尾的数据，中心省略。2009/10赛季第一场斯托克城2-2狼队是当赛季第11轮的比赛，由于2009/10作为初始赛季，以是必要预留前10轮的比赛来谋略近10场基础面数据的均值。本场比赛双方进球差值为0，15种基础面参数依次为3.07%、6.03%、-5.80%、-11.86%、-3.64%、0.34%、3.25%、-2.61%、3.99%、-0.41%、-10.62%、-0.82%、0.09%、3.89%、5.18%。
然后按拍照同的措施，依次谋略出样本中所有比赛的进球差值及15种基础面参数。着末，将进球差值作为因变量，15种基础面参数作为自变量进行回归，便得出回归方程式。而跟着赛程的推进，已赛场次的数据也将会被加入到样本中，然后从新进行回归，得出新的回归结果。简单来说，当被猜测赛季（本例中2018/19赛季）第一轮比赛整个停止后，该轮的数据将被加入到样本中，然后从新回归，为猜测第二轮做筹备。然后当第二轮停止后，数据同样被加入到样本中，从新回归，为猜测第三轮做筹备。以此类推形成动态数据模型。