The present work addresses the problem of modelling and predicting football match outcomes in the Serie A championship, analysing matches from the 1929/1930 season through to the 2025/2026 season. The approach adopted is goal-based: rather than directly estimating the probabilities of the three final outcomes, the focus is placed on estimating the number of goals scored by each team, from which the probabilities associated with every possible exact scoreline are derived. The analysis begins with a frequentist approach using Poisson-distributed generalised linear models (GLMs), before comparing them with five Bayesian models — Double Poisson, Bivariate Poisson, Negative Binomial, Diagonal Inflate Biariate Poisson, and Student-t — estimated via the R package footBayes and the MCMC sampler Stan. Model selection is carried out through LOO-CV. The comparison highlights how Bayesian inference provides a more complete quantification of uncertainty and greater flexibility than the frequentist approach in modelling football dynamics.

Il presente elaborato affronta il problema della modellazione e della previsione dei risultati calcistici nel campionato di Serie A, analizzando le partite dalla stagione 1929/1930 fino alla stagione 2025/2026. L'approccio adottato è di tipo goal-based: anziché stimare direttamente le probabilità dei tre esiti finali, il focus è posto sulla stima del numero di reti segnate da ciascuna squadra, da cui si derivano le probabilità associate a ogni possibile risultato esatto. L'analisi parte da un approccio frequentista tramite modelli lineari generalizzati (GLM) con distribuzione di Poisson, per poi confrontarli con cinque modelli bayesiani — Doppio Poisson, Poisson Bivariato, Binomiale Negativo, Poisson Bivariato con diagonale inflazionata e Student-t — stimati con il pacchetto R footBayes e il campionatore MCMC Stan. La selezione del modello migliore avviene tramite LOO-CV. Il confronto evidenzia come l'inferenza bayesiana offra una quantificazione dell'incertezza più completa e una maggiore flessibilità rispetto all'approccio frequentista nella modellazione delle dinamiche calcistiche.

Modellazione e previsione dei risultati calcistici: dall’approccio frequentista all’analisi bayesiana

FIOR, ANDREA
2025/2026

Abstract

The present work addresses the problem of modelling and predicting football match outcomes in the Serie A championship, analysing matches from the 1929/1930 season through to the 2025/2026 season. The approach adopted is goal-based: rather than directly estimating the probabilities of the three final outcomes, the focus is placed on estimating the number of goals scored by each team, from which the probabilities associated with every possible exact scoreline are derived. The analysis begins with a frequentist approach using Poisson-distributed generalised linear models (GLMs), before comparing them with five Bayesian models — Double Poisson, Bivariate Poisson, Negative Binomial, Diagonal Inflate Biariate Poisson, and Student-t — estimated via the R package footBayes and the MCMC sampler Stan. Model selection is carried out through LOO-CV. The comparison highlights how Bayesian inference provides a more complete quantification of uncertainty and greater flexibility than the frequentist approach in modelling football dynamics.
2025
Modeling and predicting football results: from the frequentist approach to Bayesian analysis
Il presente elaborato affronta il problema della modellazione e della previsione dei risultati calcistici nel campionato di Serie A, analizzando le partite dalla stagione 1929/1930 fino alla stagione 2025/2026. L'approccio adottato è di tipo goal-based: anziché stimare direttamente le probabilità dei tre esiti finali, il focus è posto sulla stima del numero di reti segnate da ciascuna squadra, da cui si derivano le probabilità associate a ogni possibile risultato esatto. L'analisi parte da un approccio frequentista tramite modelli lineari generalizzati (GLM) con distribuzione di Poisson, per poi confrontarli con cinque modelli bayesiani — Doppio Poisson, Poisson Bivariato, Binomiale Negativo, Poisson Bivariato con diagonale inflazionata e Student-t — stimati con il pacchetto R footBayes e il campionatore MCMC Stan. La selezione del modello migliore avviene tramite LOO-CV. Il confronto evidenzia come l'inferenza bayesiana offra una quantificazione dell'incertezza più completa e una maggiore flessibilità rispetto all'approccio frequentista nella modellazione delle dinamiche calcistiche.
Analisi Bayesiana
Footbayes
Previsione
File in questo prodotto:
File Dimensione Formato  
Fior_Andrea.pdf

accesso aperto

Dimensione 3.7 MB
Formato Adobe PDF
3.7 MB Adobe PDF Visualizza/Apri

The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12608/115392