主場同作客會影響入球概率嗎？
目前呢批免費賽事快照入面，主隊平均每場入 1.66 球， 客隊平均 1.39 球，相差 +0.27 球。 換另一個角度睇，主隊平均入球率約係客隊嘅 1.19 倍。 呢個差距值得放入模型，但唔應該直接理解成「主場每場自動加 0.27 球」。
直接答案：有主場效應跡象，但 +0.27 唔係每場固定加成
目前樣本主隊平均 1.66 球、客隊 1.39 球， 主隊高 0.27 球。 呢個方向同足球研究入面長期觀察到嘅「主場優勢」一致， 但一個平均差值只係描述整批賽事，唔代表下一場主隊必然多入 0.27 球。
真正做下一場入球概率時，主客場應該同球隊攻守強度、近期資料、 聯賽基準一齊放入模型。 想睇具體球隊點樣計，可以去 球隊入球大細點樣計？； 想直接將主客場因素套入盤口，可以返 入球大細概率計算工具。
目前數據：主隊 1.66，客隊 1.39
1.66 + 1.39 = 3.05，正好對應目前整體樣本嘅平均總入球。 如果你想先睇全體比賽個基準，可以去 一場足球比賽平均入幾多球？。
另外，54.4% 只係用 1.66 ÷ 3.05 得出嘅主隊入球佔比， 唔係「主隊贏波概率」；兩者唔好混埋一齊。
數學上，主客場差異至少有三種睇法
同一組數據可以用「絕對差」、「入球率比」同「log-rate effect」表達。 三種寫法講緊同一件事，但用途唔同。
ΔG = E[G_home] − E[G_away] = 1.66 − 1.39 = +0.27
Rate Ratio = 1.66 / 1.39 ≈ 1.194
β_home = ln(1.66 / 1.39) ≈ 0.178
第一條最直觀：平均每場差 0.27 球。 第二條代表主隊目前平均入球率約高 19.4%。 第三條就比較適合放入 log-link 泊松模型： 如果客隊係基準，主場效果可以寫成一個約 0.178 嘅加性係數。
放入泊松模型，主客場會點樣改變入球概率？
如果只做一個簡單示範，將主隊 λ 設成 1.66、客隊 λ 設成 1.39， 再假設各自入球服從泊松分布，就可以睇到同一個平均差距點樣傳入概率。
P(G≥1) = 1 − e^(−λ)
| 簡化泊松示範 | 主隊 λ=1.66 | 客隊 λ=1.39 |
|---|---|---|
| 至少入 1 球 | 約 81.0% | 約 75.1% |
| 至少入 2 球 | 約 49.4% | 約 40.5% |
呢張表係模型示範，唔係目前樣本嘅實際命中率。 它只係話俾你知：當 λ 由 1.39 提高到 1.66， 整條入球分布都會跟住郁，而唔係只改平均值一格。
想睇 λ 點樣展開成完整總入球概率，可以繼續去 足球總入球適合用泊松模型嗎？； 如果想將主客 λ 展開成二維比分矩陣，就睇 波膽泊松模型點樣建立比分矩陣？。
賽事層面點樣睇？主場優勢唔止一個原因
「主場」其實係一個集合變量。 它可能同球迷環境、旅途、場地熟悉度、戰術選擇、裁判決定、 對手強弱同賽程結構一齊出現。 所以見到主隊平均入多 0.27 球，唔可以反過來話其中任何一個因素就係唯一原因。
對實際賽事分析更加重要嘅係：同樣係主場， 強隊主場對弱隊，同弱隊主場對強隊，基礎 λ 本身已經可以差好遠。 所以 HKBetNet 唔會將「主場 +0.27」硬加落每場波， 而係將主客場當成其中一個需要同球隊、聯賽資料一齊收縮估計嘅因素。
聯賽環境本身亦有差異，可以配合 不同聯賽的入球分布一樣嗎？ 一齊睇；如果想知道同一個「主客場」概念放落角球會唔會一樣， 可以跨去 主客場會點樣影響角球？。
編輯研究經驗：最容易犯嘅錯，係將平均差值當成每場規則
HKBetNet 整理賽事資料同做工具 QA 時， 主客場欄位通常係最早會拆開檢查嘅其中一項。 原因好簡單：如果將主客樣本撈埋一齊， 一個球隊喺主場同作客完全唔同嘅入球環境，會被平均數沖淡。
但另一個極端亦唔啱——見到目前主隊高 0.27 球， 就每場機械式加 0.27。 實際做模型時，我哋更關心個差距喺更多賽季、不同聯賽、不同球隊強弱之下仲穩唔穩， 再決定主客場應該佔幾多權重。
賽事頁面做人工核對時，我哋亦會特別留意紅牌、極早入球、 大幅領先之後收慢節奏呢類情況。 呢啲事件可以令單場比分偏離一般主客場基準， 所以「賽事經驗」喺呢度主要用嚟檢查數據背景同避免過度解讀， 唔係用幾場印象取代整體樣本。
學術研究點睇足球主場優勢？
足球主場優勢唔係新概念。 Pollard 早期研究已經記錄英格蘭足球長期存在主場優勢； 後來嘅綜述則指出，球迷、旅途、場地熟悉、裁判偏差、戰術同心理因素都可能參與其中， 但冇一個單一機制可以完整解釋所有情況。
COVID-19 閉門賽事亦提供咗一個罕有自然實驗。 多項研究比較有觀眾同冇觀眾比賽後發現，部分主場優勢同裁判相關效應會減弱。 呢類研究支持「主場效應係真實可量度，但成因係多因素」呢個較保守嘅解讀。
對 HKBetNet 呢頁最有用嘅唔係照搬其他研究嘅一個固定係數， 而係確認研究方向：主客場值得作為模型變量，但應該用自己同口徑資料重新估計。
- Pollard (1986)：Home advantage in soccer: a retrospective analysis
- Pollard (2008)：Home Advantage in Football: A Current Review of an Unsolved Puzzle
- McCarrick et al. (2021)：Home advantage during the COVID-19 pandemic
- Benz & Lopez (2023)：以雙變量泊松迴歸估計 COVID-19 期間主場優勢變化
HKBetNet 自己嘅資料處理、模型比較同更新原則，可以再睇 編輯與研究方法。
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。
- 主隊 1.66、客隊 1.39 與 +0.27 只係目前樣本描述統計。
- 1.19 倍入球率比未控制球隊實力、聯賽、賽程、紅牌或其他混雜因素。
- 泊松表格係用 λ=1.66／1.39 做嘅數學示範，唔係實際樣本頻率。
- 主場優勢係多因素現象，平均差值本身唔可以證明某一個原因。
- 歷史主客場差異唔保證下一場會重複。
- 本頁唔將主場優勢寫成單場必然，亦唔等於存在投注盈利優勢。
下一步：由平均主客差異去到球隊同比分模型
+0.27 只係基準。真正落到一場波，仲要知道係邊兩隊、邊個聯賽、近期攻守點樣。 可以由下面幾頁繼續拆。