Dixon-Coles 模型點解要修正低比分？
普通獨立泊松會用主隊 λH 同客隊 λA 直接建立完整比分矩陣，但足球低比分格未必完全符合「兩隊入球互相獨立」呢個簡化。 Dixon-Coles 模型就專門對 0:0、1:0、0:1、1:1 四格做局部修正。 HKBetNet 目前波膽工具固定使用 ρ = -0.04； 呢個 ρ 係模型參數，唔係足球世界常數，本文只解釋佢點樣改變矩陣，唔在頁內重新調參。
直接答案：因為低比分格最容易偏離「獨立泊松」
如果主隊同客隊入球完全條件獨立， 一個比分 (x,y) 可以直接寫成兩個泊松概率相乘：
P(X=x,Y=y) = Pois(x; λ_H) × Pois(y; λ_A)
呢個 baseline 好清楚，但 Dixon & Coles 發現足球入面最低嗰幾格—— 0:0、1:0、0:1、1:1—— 往往需要額外相關修正。 所以模型唔係推翻泊松，而係先保留主客 λ， 再乘上一個只作用喺低比分格嘅 τ(x,y;ρ)。
想先睇未修正嘅二維比分矩陣點樣建立，可以去 足球比分適合用泊松模型嗎？。
普通比分 Poisson 最核心嘅假設：主客入球條件獨立
假設：
X ~ Poisson(λ_H), Y ~ Poisson(λ_A)
最簡單模型會寫：
P(X=x,Y=y)=P(X=x)P(Y=y)
但足球比賽入面，比分狀態本身會改變踢法。 0:0、1:0、0:1 呢類低比分可以伴隨風險選擇、領先後收縮、 落後後壓上等互相影響。 所以「獨立」係一個要驗證嘅模型假設，唔係賽事事實。
呢個問題同 主客隊入球真的互相獨立嗎？ 直接相連；嗰頁負責依賴性本身，呢頁只處理 Dixon-Coles 低比分修正。
Dixon-Coles τ(x,y;ρ) 點樣改四個比分格？
令 x 代表主隊入球、y 代表客隊入球， λH、λA 分別係兩隊預期入球。 Dixon-Coles 修正可以寫成：
τ(0,0)=1−λ_H λ_A ρ
τ(0,1)=1+λ_H ρ
τ(1,0)=1+λ_A ρ
τ(1,1)=1−ρ
其他比分：τ=1
最後比分概率就變成：
P_DC(x,y)=τ(x,y;ρ) × P_Poisson(x,y)
即係話 2:0、2:1、3:2 呢啲格本身唔直接乘額外修正； 調整集中喺四個低比分格。
HKBetNet 目前 ρ=-0.04，方向上代表咩？
ρ 係控制低比分格相對權重嘅參數。 目前工具固定 ρ=-0.04， 所以喺一般正 λ 範圍內：
| 比分格 | τ | ρ=-0.04 時方向 |
|---|---|---|
| 0:0 | 1−λ_Hλ_Aρ | 提高 |
| 0:1 | 1+λ_Hρ | 降低 |
| 1:0 | 1+λ_Aρ | 降低 |
| 1:1 | 1−ρ | 提高 |
呢個方向可以理解成： 相對獨立泊松 baseline， 模型將一部分低比分概率由 1:0／0:1 移去 0:0／1:1。 但調整幅度仲會受 λH、λA 影響， 唔係所有比賽固定加減同一個百分點。
數學例子：λ_H=1.60、λ_A=1.20 時會點改？
以下只係示範參數，唔代表任何一場實際賽事。 先用獨立泊松建立四個低比分格，再套 ρ=-0.04：
| 比分 | Poisson baseline | τ | Dixon-Coles 後 | 相對變化 |
|---|---|---|---|---|
| 0:0 | 6.08% | 1.0768 | 6.55% | +7.68% |
| 0:1 | 7.30% | 0.9360 | 6.83% | -6.40% |
| 1:0 | 9.73% | 0.9520 | 9.26% | -4.80% |
| 1:1 | 11.68% | 1.0400 | 12.14% | +4.00% |
呢個例子最重要唔係記住數字， 而係睇到 ρ 只係局部重分配低比分概率。 如果 λ 改變，0:0、0:1、1:0 嘅修正倍率亦會跟住改。
修正四格之後，總概率會唔會多咗或者少咗？
呢個設計其中一個幾靚嘅地方， 係四格修正喺獨立泊松 baseline 下會互相抵消， 所以總概率質量保持不變。
因為：
P01 = P00 × λ_A
P10 = P00 × λ_H
P11 = P00 × λ_H λ_A
四格修正量加埋：
Δ = P00ρ(−λ_Hλ_A + λ_Hλ_A + λ_Hλ_A − λ_Hλ_A) = 0
即係唔需要靠事後再將整張矩陣硬性 normalize； Dixon-Coles 本身係做低比分概率重新分配。
ρ 應該點驗證？唔係見到 0:0 多就手動調大
正確做法係用歷史訓練資料估參數， 再用未見比賽比較未修正 Poisson 同 Dixon-Coles。 可以睇：
- 整張比分矩陣嘅 Log Loss／NLL。
- Top 1／Top 3／Top 5 概率質量。
- 0:0、1:0、0:1、1:1 嘅 calibration residual。
- 主勝／和／客勝由矩陣聚合後有冇更準。
保留修正 ⇔ Out-of-sample Error(DC) < Error(Independent Poisson)
如果只係訓練樣本貼得更近，但未見比賽冇改善， 個修正就只係 overfit。 想睇矩陣邊啲格長期錯估，可以再去 比分模型最容易錯估邊啲比分？； 概率有冇校準就睇 波膽概率校準。
編輯研究經驗：最容易犯嘅錯，係將 ρ 當成「修正所有比分」
HKBetNet 做比分矩陣 QA 時， Dixon-Coles 最常見誤解係以為加入 ρ 之後整張矩陣都會大幅改。 實際唔係：直接 τ 修正只落喺 0:0、1:0、0:1、1:1 四格。
第二個常見錯法係見到某段時間 0:0 多咗， 就即刻重新調 ρ。 細樣本入面，一輪低比分賽事已經可以令四格頻率郁得好明顯； 如果每次都追住短期結果調參，模型會變成追 noise。
所以我哋目前將 ρ=-0.04 視為凍結模型設定， 頁面研究先集中檢查殘差、校準同樣本外誤差。 真係要改 ρ，應該用完整歷史樣本重新估， 而唔係因為幾場 0:0 或 1:1 就臨時改工具。
學術上 Dixon-Coles 修正解決緊咩問題？
Maher（1982）提供咗足球比分泊松建模嘅重要基礎， 用球隊攻守強度建立主客入球分布。 Dixon & Coles（1997）就喺呢個方向上進一步處理低比分相關， 特別針對 0:0、1:0、0:1、1:1 四格。
後續研究亦有用 bivariate Poisson 等方法直接處理兩個計數之間嘅相關結構。 呢啲方法同 Dixon-Coles 唔係完全相同， 但共同指出一件事： 主客入球完全獨立係方便嘅 baseline，而唔係必須接受嘅現實假設。
- Maher (1982)：Modelling association football scores
- Dixon & Coles (1997)：Modelling association football scores and inefficiencies in the football betting market
- Karlis & Ntzoufras (2003)：Analysis of sports data by using bivariate Poisson models
- Gneiting & Raftery (2007)：Strictly Proper Scoring Rules, Prediction, and Estimation
HKBetNet 自己嘅模型凍結、資料更新、回測同校準原則，可以再睇 編輯與研究方法。
限制與不能推出的結論
- ρ=-0.04 係 HKBetNet 目前凍結模型參數，唔係足球世界固定常數。
- Dixon-Coles 直接 τ 修正集中喺 0:0、1:0、0:1、1:1，唔等於其他比分完全冇模型誤差。
- 示範 λ_H=1.60、λ_A=1.20 只係數學例子，唔代表任何實際比賽。
- ρ 修正方向同幅度會受 λ_H、λ_A 影響，唔應該理解成每場固定加減同一個百分點。
- 目前 Pack 屬 2026/27 早段快照，未用完整歷史矩陣重新估 ρ。
- 是否保留 Dixon-Coles 應以樣本外 Log Loss、校準與矩陣殘差改善為準。
- 模型概率唔係投注建議，更加唔係保證盈利。
下一步：由低比分修正連去依賴性、殘差同概率校準
Dixon-Coles 只係波膽模型其中一層。 想知道修正有冇真正改善，可以沿下面幾頁繼續拆。