xG（預期入球）同實際入球差幾遠？
呢頁只回答一個問題：xG 總和同實際總入球之間，歷史上有幾大關係？ 目前頁面樣本顯示平均 xG 為 3.08、平均實際入球為 3.05， 比賽層級相關係數為 0.536。兩者有明顯正相關，但唔代表每場比賽都會貼近， 更加唔等於 xG 可以直接預測下一場入球。
直接答案：xG 同實際入球有關，但唔係一對一
目前頁面樣本中，xG 較高嘅比賽通常亦會有較多實際入球， 因此兩者方向上係一致嘅。不過相關係數 0.536 亦代表仍然存在相當大嘅比賽層級波動： 一場波可以創造好多高質素機會但只入一球，亦可以用較少 xG 入到兩三球。
平均 xG 3.08 同平均實際入球 3.05 非常接近， 只能說明整體平均水平接近，唔可以推論每一場比賽都估得準。 如果你想研究「xG 加入模型之後，下一場預測有冇改善」， 應該睇 xG（預期入球）真的可以預測下一場入球嗎？， 因為嗰頁處理嘅係另一個 Search Task。
先把兩個變量分清楚
比賽 xG 總和
同一場比賽主隊 xG 加客隊 xG，用嚟描述雙方創造入球機會嘅質量總和。 呢個數字唔係實際入球，亦唔保證最終會開出相同數量嘅入球。
實際總入球
同一場比賽最終真正入咗幾多球。 實際入球會受射門轉化、門將表現、運氣、紅牌、比賽狀態等因素影響。
呢頁只研究兩個變量嘅歷史關係。 如果你想先理解五大聯賽本身嘅入球基準，可以去 平均入球研究； 如果想比較不同聯賽 xG 結構，就睇 xG 在不同聯賽一樣準嗎？。
點樣檢驗 xG 同實際入球嘅關係？
HKBetNet 先喺同一場比賽層級配對 xG 總和與實際總入球， 再睇平均水平、相關係數與殘差。 只睇平均數會掩蓋單場波動；只睇相關係數亦會忽略模型係高估定低估。
Residual = Goals − xG
之後可以再按聯賽、主客場或者 xG 區間分層， 避免將一個混合樣本嘅單一相關係數當成所有聯賽、所有球隊都一樣。 呢種分層思路亦會連到 主客場入球效應 同 各聯賽入球分布。
目前數據證據
呢三個數字要一齊睇。平均值接近，代表樣本整體層面 xG 同實際入球水平相近； 相關係數為正，代表 xG 較高嘅比賽一般亦傾向有較多入球。 但相關唔係 1，代表單場比賽仍然有大量差異，所以唔可以將 xG 當成實際比分嘅直接替代。
Goals − xG 殘差點樣解讀？
| 殘差方向 | 代表甚麼 | 不能直接推出甚麼 |
|---|---|---|
| 正數 | 實際入球高過 xG | 不能單憑一次正殘差就話球隊「射術一定好」 |
| 接近 0 | 實際入球同 xG 比較接近 | 不代表下一場都會接近 |
| 負數 | 實際入球低過 xG | 不能單憑一次負殘差就話球隊「一定運氣差」 |
如果要研究殘差係咪有持續性，就需要另外做時間窗口同樣本外檢驗。 可以繼續睇 近期入球數據有冇預測價值？， 而唔係直接由單場殘差推論下一場。
相關唔等於因果，更唔等於下一場預測力
xG 同實際入球同步，可能因為兩者都受比賽節奏、球隊實力、 射門位置、戰術與對手質素等共同因素影響。 因此「兩者有相關」唔代表提高 xG 就會機械式提高下一場實際入球。
同樣地，呢頁亦唔回答「xG 應該喺入球大細模型入面放幾多權重」。 如果你想睇 HKBetNet 點樣處理 xG Coverage 同實際混合權重， 可以回到 入球大細概率計算工具， 再配合 xG 樣本外預測價值研究 一齊睇。
限制與不能推出的結論
- 目前 Pack 內公開資料快照屬 2026/27 賽季早段，樣本量仍有限。
- xG 欄位只有真正存在資料嘅比賽先會使用；缺失值唔會被當成 0。
- 不同聯賽、球隊與賽季嘅 xG 覆蓋率可以唔一樣，所以整體結果未必代表每個子樣本。
- 歷史相關關係唔保證下一場會重複。
- 平均值接近唔代表每場誤差細。
- 本頁唔回答 xG 能否提升下一場預測；嗰個問題由另一頁獨立測試。
- 模型概率唔係投注建議，更加唔係保證盈利。
研究依據
方法性主張會優先對照同行評審研究； 外部文獻只用嚟支持 xG、預測與統計方法嘅概念， 唔會代替 HKBetNet 自己嘅資料檢驗。 網站整體資料與研究處理原則可以查看 HKBetNet 編輯與研究方法。
下一步：由歷史關係連到真正相關嘅研究
如果你只係想把 xG 放入具體球隊與入球盤計算， 可以回到 入球大細概率計算工具。 如果想繼續研究 xG，本頁最直接嘅下一步唔係另一篇泛文，而係下面幾個有明確分工嘅知識頁。