xG（預期入球）在不同聯賽一樣準嗎？
同一個 xG 指標，放落唔同聯賽未必會有完全一樣嘅表現。 目前樣本入面，五大聯賽嘅比賽層級相關係數由 0.409 到 0.705， 平均 xG 同實際入球之間亦有正有負嘅差距。 呢頁重點唔係排「邊個聯賽最准」，而係睇清楚樣本量、平均差值同相關性有冇明顯聯賽差異。
直接答案：目前樣本睇落有差異，但未夠證據排「邊個聯賽最准」
目前五大聯賽嘅 xG 同實際入球都呈正相關，但強弱唔一樣。 Ligue 1 嘅相關係數最高，係 0.705； Serie A 最低，係 0.409。 不過各聯賽樣本量只係 18 至 41 場，而且仍屬 2026/27 賽季早段， 所以呢個差距暫時只適合當成早期樣本觀察，唔適合直接變成聯賽排名。
如果你想先睇整體 xG 同實際入球有幾大關係，可以去 xG（預期入球）同實際入球差幾遠？； 如果你想問嘅係「xG 加入模型之後，下一場預測有冇改善」， 應該睇 xG 真的可以預測下一場入球嗎？。
先界定「比較聯賽」：比賽差異、供應商差異、樣本差異
跨聯賽 xG 比較，最容易畀一個相關係數排名吸引。但真正需要拆開至少三件事：某個聯賽本身平均創造幾多 xG、實際入球平均比 xG 高定低，以及逐場 xG 高低同實際入球有幾同步。三者唔會自動朝同一方向變化；例如平均殘差好細，仍可能有不少單場大誤差。
本頁原有表格採用同一批 2026/27 早段快照，英超 30 場、西甲 41 場、德甲 18 場、意甲 30 場、法甲 27 場。總數相加係 146，但 N 只代表當前資料量，不應直接當成完整賽季聯賽強弱的證據。聯賽有不同參賽球隊數、已進行輪次和比賽安排，早期快照可能未完整覆蓋相同對手難度。
因此「法甲相關較高」應該讀成「呢批樣本內兩個指標較同步」，而唔係「法甲 xG 一定最準」。若要驗證差異是否持續，理應在另一段不重複賽事上重算，而非把同一批 27 場按不同圖表包裝成多次證據。
以法甲同意甲做例子：相關高低與平均偏差是兩回事
原表法甲相關 0.705、平均實際入球比 xG 低 0.34；意甲相關 0.409、平均實際入球比 xG 低 0.20。由數字可見，法甲雖然有較高相關，平均偏差幅度反而更大。這個對照適合教讀者識別指標角色，但未有各聯賽相關的置信區間，不能斷言兩者之間存在穩定的統計差距。
再看西甲：平均實際入球比 xG 高 0.25，而英超就低 0.24。正負號只係呢批賽事的平均殘差方向，唔代表某個聯賽的前鋒普遍更準、或門將普遍更強。若場次構成偏重某幾隊，或者高比分比賽集中出現喺早幾輪，平均殘差都會跟住改變。
最實用嘅閱讀方式係每行分開讀 N、平均 xG、平均入球、Goals − xG 及相關，再問該指標可回答哪個問題。判斷「xG 高低能否代表入球高低」主要看相關；判斷「平均是否系統性偏離」主要看殘差；判斷「結果是否穩定」則需要樣本外重複與不確定性估計。
呢頁實際比較緊乜？
呢頁只做一件事：將五大聯賽放喺同一口徑之下， 比較每場比賽嘅 xG 總和、實際總入球同兩者嘅相關係數。 唔重做聯賽整體入球排名，亦唔用一個相關係數去代表「某個聯賽一定更容易預測」。
如果你想睇純粹嘅聯賽入球分布，應該去 不同聯賽的入球分布一樣嗎？； 呢頁就只集中喺 xG 同實際入球之間嘅關係。
跨聯賽比較，最緊要先固定口徑
五個聯賽如果用唔同賽季、唔同 xG 欄位或者唔同評分方法， 最後見到嘅差距可能只係資料口徑造成。 所以真正有用嘅比較，應該盡量固定同一 xG 指標、相近時間範圍同相同比賽層級。
同一 xG 指標 × 同一比較單位 × 分聯賽統計
樣本量亦要一齊睇。 例如 Bundesliga 目前只有 18 場，而 La Liga 有 41 場； 即使 Bundesliga 嘅平均差值較大，都唔可以忽略樣本量差異。
目前五大聯賽比較結果
| 聯賽 | N | 平均 xG | 平均實際入球 | Goals − xG | 相關係數 |
|---|---|---|---|---|---|
| Premier League | 30 | 3.07 | 2.83 | -0.24 | 0.581 |
| La Liga | 41 | 2.75 | 3.00 | +0.25 | 0.456 |
| Bundesliga | 18 | 3.51 | 3.94 | +0.43 | 0.522 |
| Serie A | 30 | 2.93 | 2.73 | -0.20 | 0.409 |
| Ligue 1 | 27 | 3.45 | 3.11 | -0.34 | 0.705 |
呢張表最值得睇嘅唔係「第一名」，而係三樣嘢： 樣本量有幾多、平均值差幾遠、同一場比賽入面 xG 同實際入球有幾同步。 三樣嘢講緊唔同問題，唔可以用其中一個數字代替另外兩個。
德甲 18 場與西甲 41 場，點樣避免被細樣本排名誤導
樣本數不一，並唔只係計算精度的問題。某個聯賽如果目前只有 18 場，兩三場極端比分可能拉動整體平均；另一個聯賽有 41 場，觀察到的數字受單場影響通常相對小。雖然兩者都能計出三位小數的相關係數，但小數位數不等於證據強度。
較合理做法係記錄聯賽每增加一輪時，相關係數同平均殘差點樣更新，並保留每次快照的 N。即使數字由 0.52 變成 0.40，亦先問是否新增對手組合、射門事件更新或個別極端場次造成，而唔係立即宣稱聯賽風格轉變。
如果要建立比較榜單，排序旁應顯示相同的更新日期和樣本量，並把細樣本標示為觀察性資料。更深入可以透過重抽樣估計不確定範圍；但在尚未運算之前，唔應寫入虛構的信賴區間。對目前五個聯賽，保持「早季觀察」標籤比冠上一個準確度冠軍稱號更負責任。
聯賽風格可能影響統計，但不可當成已驗證的因果解釋
讀者常見想法係德甲攻守轉換快，所以 xG 一定高；意甲防守較整齊，所以誤差一定細。呢類敘事可能提供研究假設，卻無法直接由本頁摘要表證明。要實際研究比賽風格，應另外量度射門區域、節奏、定位球比例、防守壓力與比分狀態，並分清球隊組成與聯賽規則所造成的差異。
以 xG 供應商為例，若所有聯賽使用同一模型，跨聯賽比較至少少咗一個方法口徑上的差異；若來源不同，相關和平均殘差可能同時包含模型定義差異。研究報告應先說明資料一致性，之後才解釋數據。單憑一張表，既證明唔到某個聯賽防守「天生強」，亦證明唔到某個聯賽更容易靠博彩市場獲利。
想專門研究各聯賽的實際總入球，而唔係 xG 誤差，可以到各聯賽入球分布查看平均值、方差及大 2.5 頻率。兩頁應互相參照但唔好混成同一個排名：入球多不等於 xG 預測準，相關高亦不等於每場入球多。
可以直接核對
定義、公式、樣本範圍、資料版本、來源及每次計算的輸入。
尚需更多證據
特定球隊的長期能力、跨賽季穩定性、單場勝率或任何盈利推斷。
點樣解讀聯賽之間嘅差異？
| 你見到嘅數字 | 可以講乜 | 唔可以直接講乜 |
|---|---|---|
| 平均 Goals − xG 為正 | 目前樣本實際入球平均高過 xG | 唔代表聯賽長期「射術一定更好」 |
| 平均 Goals − xG 為負 | 目前樣本實際入球平均低過 xG | 唔代表聯賽長期「一定低效」 |
| 相關係數較高 | xG 高低同實際入球高低較同步 | 唔等於下一場預測一定更準 |
| 相關係數較低 | 比賽層級 xG 同實際入球同步程度較弱 | 唔代表 xG 喺嗰個聯賽冇用 |
例如 Ligue 1 目前相關係數最高，但平均實際入球反而比平均 xG 低 0.34。 呢個例子就好清楚：「同步程度高」同「平均差距細」唔係同一回事。
設計一個可以重做的跨聯賽比較
假設下次資料更新後要重做本頁，先固定來源與時間截止，對每場保留主客隊、正式全場入球、主客 xG、聯賽及賽季。其次排除沒有 xG 的比賽並另外公布覆蓋率，再按聯賽統計 N。要避免「缺資料就當零」，亦唔應只挑選有熱門球隊的場次，否則樣本構成會偏。
計算次序可以由每場 Goals − xG 開始，最後才求聯賽平均殘差；相關係數必須用逐場配對的 xG 與實際入球，而唔係拿五個聯賽平均數計一個新相關。其後按聯賽提供散點圖或分箱表，讓讀者知道是否某幾場造成主要差異。
最後用時間留出法檢查穩定性：先定好分析截止日期，之後的比賽只用於更新後驗證，不在看到結果後反過來改第一版的分組閾值。如果樣本明顯不足，直接報「未能可靠比較」也比拿 18 場小樣本硬排五個聯賽更有資訊價值。
讀者如何用這張表：三步避免錯誤結論
第一步，認清表格中的每個數字都係描述歷史快照，唔係未來賠率。第二步，當你看到一個聯賽相關系數比較高，先對照 N，同時問平均 Goals − xG 是否相近；第三步，若想把這個結論用於指定球隊，還要看球隊層面的進攻結構、主客場和近況，唔可以由聯賽總體直接推到單場。
需要前瞻模型嘅讀者，下一步應查看xG 樣本外預測檢驗，由「歷史表現」過渡到「加 xG 前後有沒有改善」。要比較香港用戶常見的入球大細盤，則應回到主工具揀聯賽、球隊同盤口，理解模型概率如何計算，不能把原表中的相關係數當作大球發生率。
總結而言，這張五大聯賽表最重要的資產不是排名，而是同口徑的樣本展示。聯賽差異值得繼續追蹤，但需要足夠時間、對手組合與資料來源一致性，先可回答是否真正穩定。
同一聯賽內部還可按 xG 高低分組，避免整體數字掩蓋偏差
把一個聯賽全部場次混在一起計相關，只能看到綜合方向。若要更細緻觀察，可先將同聯賽 xG 總和按低、中、高分成幾個區間，逐區列出平均 xG、平均實際入球同 Goals − xG。這有助分辨某個聯賽的偏差主要集中在高機會場次，抑或連低 xG 場次都有明顯偏離。
但分組愈多，每組樣本會愈少。以德甲目前 18 場為例，即使平均分成三組，每組大約只有六場，任何百分比都很容易大幅變動。呢種分箱只宜做探索，不應在沒有置信區間時將細小差距稱為已證實的模型特性。
如果再按主場與客場、球隊或月份分層，樣本會更碎。比較合理的做法，是先定好分組口徑，等場數累積之後再驗證；現階段只要清楚指出「未夠資料」就已經比虛構一個聯賽排名有價值。
更新聯賽比較榜時，應保留舊快照而非直接覆蓋
想令這份跨聯賽研究可以長期使用，每次更新前可先保存原表的 N、平均 xG、平均入球、相關、更新日期。新一輪賽事同步後，另存新版本，再列出同一聯賽指標變化。這樣讀者可以理解數字由甚麼資料構成，而不會以為網站默默改了結論。
例如某聯賽由 18 場增加到 27 場，相關升跌可能同新加入的對手組合有關；如果同時更換 xG 供應商，就必須特別標記來源斷點，否則無法把資料量增加與模型定義改變區分。最重要是確定每場只統計一次，並排除缺失 xG 欄位的記錄而公開覆蓋率。
當讀者問「哪個聯賽 xG 最準」，應先反問準確度具體指平均偏差、逐場相關、絕對誤差抑或下一場預測。四個指標各有不同問題意義，單一排行榜答不到全部。
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，各聯賽 N 只有 18 至 41 場。
- 各聯賽樣本量唔一致，單睇相關係數排名容易過度解讀。
- 目前表格冇提供置信區間，所以細差距唔應該寫成已證明嘅聯賽差異。
- 平均 xG 同平均實際入球嘅差距，唔等於球隊射門能力嘅因果證據。
- 歷史相關唔保證下一場會重複。
- 本頁唔回答 xG 能否提升下一場預測；嗰個問題由獨立頁面處理。
- 模型概率唔係投注建議，更加唔係保證盈利。
研究依據
外部研究只用嚟支持評分規則、概率驗證同 xG 方法概念， 唔會代替 HKBetNet 自己嘅五大聯賽樣本比較。 網站整體資料與研究處理方式可以查看 HKBetNet 編輯與研究方法。
下一步：由聯賽比較去到模型應用
如果你想將呢個問題套落具體球隊同入球盤，可以返去 入球大細概率計算工具。 如果想繼續研究 xG，下面幾頁同呢篇最直接相關。