這是巴爾的摩金鶯隊名人堂傳奇教頭的名言，表示對於贏球而言，最重要的兩件事情分別是：投球基本功與三分全壘打。的確是如此，所謂“打大球不打小球”的信任野球抑或著重強投豪打的對（Full Swing Style vs Power Fastball)一直是Major League Baseball發展的精隨與棒球的文化底蘊。其彰顯了人類本能的求勝意志與美國的拓荒精神。 講完前言之後，大麥想接著介紹為何Bill James所提出的Runs Created概念，
奧林匹斯
為何會造成棒球統計學（Sabermatrics)發展上的重大突破？然後藉著此一脈絡向下延伸談及進攻端的Runs Scored 以便把昨天只談論到 Runs Prevented Model 的部分補起來。大麥認為衡量“創造得分產量”（Runs Produced）是棒球比賽的重要脈絡。因為其是比賽中溝通的語言，
娛樂城註冊送現金
也是衡量賽果的絕對判準。若從此最大公約數上針對進攻端做討論的話，個人認為是個比較能夠理解晚近球界中傳統派（依靠球探報告）與數據派（賽伯計量學）之爭的緣由何在的方式。 RC的基本架構如右：Runs Created = [(H+BB)xTB] / (AB+BB)。這是個便於理解的簡式，若又以更直白的方式理解便是：(上壘率x長打率) / 總機會數。如左列的拆解可知，關於RC的組成因子不外乎是，在有限的機會中去彰顯上壘能力（OBP）與推進壘上跑者能力（SLG）的綜合評價。
我想聰明的讀者應該已經注意到一點了，那就是既然棒球比賽是用出局數來代表時間的，換句話說理論上是可以創造出無限多的得分的。大麥認為這是Runs Created給我們一個重大啟示，
ATG電子娛樂城
因為愈大量的得分產量，便相應意味著更多的勝利！ 如此一來，要得到更多的分數致使球隊贏球的問題便回歸到──如何使打者較不容易出局？這個既簡單又純粹的議題上。因此Money Ball那套做法，
RG富遊娛樂城
就是在選秀會或球員交易市場上找尋具有特異上壘能力的打者。但我認為奧克蘭運動家隊太過份強調相對的物美價廉了(CP值)，以致於必須將就將守備上較不穩定的球員（例如：Jason Giambi）。但沒辦法！這就是小市場球隊都必須面臨到的取捨問題（tradeoff）。 有了其上的初步概念之後，我們也可以做一個Runs Scored Model的迴歸式如下所列，用以對應昨天提過的Runs Prevented，其式子如下：Runs Scored = 2226wOBA + 1116SLG + 1500OBP -184K% -903行文自此，我想讀者應可以理解與創造得分產量最重要的變因是wOBA，其具有R平方0.9的高度相關。這個指標其實就是進階上壘率的概念，
線上運彩投注
有點類似Pete Palmer提出的BRA(Batter's Run Average )。 BRA = OBP x SLG 簡言之，
戰神賽特下載
也就是相仿數據頭提出的RC公式的一種評價方式。 wOBA(Weighted On Base Average)其算法如後：wOBA=((0.72 x NIBB) + (0.75 x HBP) + (0.90 x 1B) + (0.92 x RBOE) + (1.24 x 2B) + (1.56 x 3B) + (1.95 x HR) + (0.25 x SB) – (.50 x CS)) / PA一般來說明星級的打者的wOBA大概在0.4左右，聯盟平均水準則落在0.3。上面的算式是稍微有點繁複，不過若我們將算是改成： wOBA = (2OBP+SLG)/ 3，也勉強可以衡量一位打者的打擊破壞力有多強大？下方表格是Fangraphs統計近五年（2012～2016累計）的wOBA項目前五名： 
從如下的表格中我們幾乎可以發現到這幾乎就是每年年度MVP的得獎名單嘛！ 從2012年和2013年的胖卡布、2014年的鱒魚、2015年Donaldson以及2016年又是鱒魚！ 哇嗚～各位讀者，原來這就是wOBA指標的驚人之處啊！ # Name Team G PA HR R RBI SB BB% K% ISO BABIP AVG OBP SLG wOBA wRC+ BsR Off Def WAR _____________________ 資料來源：1. http://research.sabr.org/journals/batter-run-average 2. http://www.fangraphs.com/ 3. http://twbsball.dils.tku.edu.tw/wiki/index.php/WOBA 1 Mike Trout Angels 771 3423 163 580 481 139 13.7 % 22.0 % .255 .365 .310 .410 .564 .413 171 41.0 320.0 10.7 47.0 2 Josh Donaldson – – – 704 3068 140 460 446 30 11.3 % 18.0 % .226 .303 .280 .367 .506 .376 141 4.2 149.7 50.5 32.0 3 Miguel Cabrera Tigers 745 3224 169 469 569 9 11.4 % 15.7 % .246 .348 .328 .406 .574 .413 165 -31.0 209.1 -49.8 28.2 4 Adrian Beltre Rangers 761 3217 135 434 458 5 7.2 % 11.3 % .198 .315 .310 .362 .508 .371 132 -1.0 117.2 42.6 28.2 5 Robinson Cano – – – 795 3432 134 452 465 22 8.1 % 13.3 % .195 .321 .305 .365 .500 .369 137 -16.5 129.0 9.7 26.7 ，
