Earticle

현대 스포츠 경기는 신체적·기술적 경쟁을 넘어 심리적, 전술적, 환경적 요인을 포함하는 복잡하고 고도화된 체제 로 변화하였다. 이에 따라 경기력 분석은 코칭 및 전략 의사 결정의 과학적 근거를 제공하는 핵심 수단으로 중요성이 증대 됨에 따라 분석 목적과 데이터의 구조에 따른 다양한 통계 모형이 적용되고 있다. 이에 이 연구는 스포츠 경기력 예측에서 가장 많이 적용되어 왔던 로지스틱 회귀모형(Logistic Regression Model, LRM)과 비선형 및 종속성 반영이 가능한 일반화 가법 혼합모형(Generalized Additive Mixed Model, GAMM)을 동일한 KBL 경기 데이터를 적용하여 그 결과를 비교·분석함으로써 적절성을 논의하였다. 분석 결과 LRM은 해석 용이성과 안정적 추정치를 제공하며 주요 변수의 유의 성이 명확하게 파악되었으나, 종속성과 비선형성 가정을 완전히 충족하지 못해 통계적 추론의 신뢰도가 다소 제한적이었 다. 반면 GAMM은 평활 함수를 통한 비선형 효과 포착과 무작위 효과를 통한 팀 및 선수 수준의 종속성 반영으로 예측력 및 설명력이 소폭 향상되었으나, 복잡성 증가에 따른 추정치 불확실성 확대가 동시에 관찰되었다. 결론적으로 통계적 모형의 선택은 스포츠 데이터 특성의 반영이 중요하며, 예측 및 설명 목적에 따라 LRM과 GAMM의 통합적 활용 전략이 효과적임을 시사한다.

Modern sports competition has evolved into a complex system involving physical, technical, psychological, tactical, and environmental factors. Performance analysis has thus become essential for providing scientific evidence to support coaching and strategic decisions. This study compares Logistic Regression Models(LRM) and Generalized Additive Mixed Models(GAMM) using Korean Basketball League data. LRM offers interpretability and stable estimates but is limited by assumptions of linearity and independence. GAMM addresses these limitations by incorporating smoothing functions and random effects to model nonlinear relationships and data dependencies, leading to slightly improved prediction and explanation. However, GAMM’s complexity increases estimation uncertainty. The results highlight the importance of selecting statistical models aligned with data characteristics and suggest an integrated approach using LRM for interpretive clarity and GAMM for enhanced predictive accuracy. This complementary strategy advances the rigor and utility of sports performance modeling.