xG（預期進球）是什麼？它替每一次射門估一個進球機率

先講結論：xG 是每一次射門的進球機率，量的是機會，不是結果

xG 是 expected goals 的縮寫，中文叫預期進球。據 Opta，它衡量一次機會的品質，做法是參考過去類似的射門，計算這一次被進球的可能性。尺度在 0 到 1 之間，0 代表不可能進的機會。

一個數字要怎麼讀？Opta 的例子是：一次射門的 xG 為 0.1，代表球員在這種情境下平均每十次約進一球。Hudl 的例子同型：xG 0.2 的射門，一般預期十次嘗試轉換兩次。維基百科補了一句提醒：xG 0.3 通常被解讀為相似的射門重複很多次，約三成會進，並不是在描述任何單一射門的結果。

整場比賽的 xG，就是把這隊每一次射門的機率加起來。維基百科寫得很清楚，這個總和用來估計球隊按所創造的機會「預期」進幾球，與那些機會實際有沒有進無關。比利時魯汶大學（KU Leuven）的研究團隊也用同樣的做法：把每隊所有射門的 xG 加總。

Opta 特別說明，名稱裡的「預期」來自數學的期望值，並不表示進球會恰好照機率發生。

一次射門的 xG 來自相似的歷史射門，各家模型看的東西不同

模型的做法是拿大量歷史射門當參照。據 Hudl，一個 xG 模型會用數千次特徵相似的射門，估計這次進球的可能性。

參照什麼特徵，各家不完全一樣。Hudl 指出，傳統上絕大多數模型的主要輸入是射門距離、射門角度、射門的身體部位，以及助攻類型或前一個動作。維基百科也說，位置（常以距離與角度表示）、身體部位、助攻類型或比賽階段通常都在其中，但確切的輸入依資料來源與供應商而定。

假設一次腳射和一次頭球出現在同一個位置，許多模型會把身體部位也算進去，兩者拿到的機率不必相同。

再往細處走，差異就更明顯。據 Opta 自述，它的模型用機器學習技術 XGBoost，評估超過 20 個變數如何影響進球機率，變數涵蓋射門之前到出腳瞬間，其中包括守門員位置。據 Hudl 自述，它旗下 StatsBomb 的模型另外加入守門員的位置與狀態、畫面內所有攻守球員的位置，以及射門擊球的高度。

結果是：Hudl 明說，不是所有 xG 模型都考慮相同的因素，所以同一次射門在不同模型裡，可能看到不同的數值。

看 xG 的三個看點：多場累積、與進球的差距、來源是否相同

看點一：總和是起點，可靠度來自多場累積。下次看到「1.8 對 0.6」，先問它是一場還是一段時間的累積。StatsBomb 的 Ted Knutson 在 2018 年寫道，xG 原本就不是為了精準描述單一射門或單一場比賽而開發，而是綜合成千上萬次射門，表示球隊依所射出與被射的射門類型，合理預期進多少球。Opta 也說，一場的 xG 總和較高，不必然代表他們應該贏。單場的數字當作參考就好。

看球時可以順手練習：留意射門從哪裡出腳、離球門多遠、角度正不正。據 Hudl，距離與角度是傳統上絕大多數模型的主要輸入，盯著它們，能對這次機會的好壞有個粗略感覺，但那只是模型輸入的一部分。

看點二：把 xG 跟實際進球放在一起，看差距。xG 是機率，射門結果只有進或不進，兩者之間在一段時間裡會有殘餘的變異（Hudl 的說法）；Opta 也說與期望值的變異不可避免，還認為，這種變異正是值得分析的資訊。

差距要怎麼解讀？維基百科的說法是，短樣本裡 xG 與進球的落差，可能來自隨機性，也可能來自機會品質或表現的系統差異。就球員而言，進球減 xG 的落差在樣本有限時可能有雜訊，也可能反映建模選擇與偏誤，以及球員的技術，而且同一名球員的落差還會隨模型與資料而變。Knutson 舉的情況更貼近單場：一支球隊 xG 很高卻沒進球，可能是錯過一堆好機會，也可能是手上的機會比模型估計的更難，單場總和分不出這兩種。

還有一個常見誤會。Opta 強調，已經超越 xG 的球員或球隊，並不必然要低於 xG 才能「回歸」，那是賭徒謬誤。

看點三：不同來源的 xG，未必能直接比。維基百科指出，不同實作用的資料與納入的射門特徵不同，所以不同供應商的 xG 數字不一定能直接比較。

KU Leuven 團隊在 2020 年做了一個實驗。他們用同一種建模做法，分別以兩家資料商對同一場英超比賽的事件資料訓練 xG 模型，兩隊的 xG 加總差異顯著，一份資料顯示主隊威脅較大，另一份顯示客隊較大。原因在資料本身：各家記錄的射門位置可差幾公尺，對「射門」的定義也不同。不過同一篇文章也說，拉長到球員排名時，排在前段的球員大致相同。

所以把這個網站的 xG 跟另一個網站的 xG 直接相減未必合適。要比，就在同一個來源裡比。

xG 的侷限：不預測比分，也怕小樣本

xG 不是比賽結果的預期。Opta 直說，xG 只衡量機會品質，不是比賽的預期結果；它可以用來評估底層表現，但贏球靠的是實際進球。

樣本小，數字就不穩。單場或短期的 xG 總和可能大幅起伏，前面提過的隨機性在這裡影響較大。

模型與資料都有侷限。KU Leuven 提到，不同資料商附帶的資訊不同，例如 Opta 有「大機會」（big chance）的標註，StatsBomb 則有守門員與防守者的位置。StatsBomb 的 Kevin Lawson 在 2018 年寫道，建 xG 模型的許多工作，是在繞過現有資料的限制。維基百科另外提醒，訓練窗口短或變數受限的模型，可能比用較大、較豐富資料訓練的模型更不穩，或校準較差。

名字很像的指標：xGOT、xA、npxG 各量不同的東西

看到縮寫，先找它的定義。這幾個名稱看起來像 xG 的分支，各家的用法並不完全一致。

xGOT（expected goals on target）。據 Opta，xGOT 衡量「射正」的射門變成進球的可能性，依據是原本的機會品質，加上射門在球門內的落點。Opta 說 xG 只考慮出腳之前的因素，xGOT 則是射後的衡量；因為沒射正的進球機率是 0%，這個模型只針對射正的射門。Stats Perform（Opta 的母公司）稱自家的 xGOT 也叫 post-shot xG，Hudl 則說明射後 xG（PSxG）通常考慮射門落點，模型若納入還會看守門員位置。各家射後模型的輸入不一定相同，不宜當成同一個指標。

xA（expected assists）。Opta 版的 xA，衡量一次傳球變成助攻的可能性，尺度 0 到 1，每一次完成的傳球都會給值，不論接球者有沒有射門。Opta 同一篇文章指出，另有一種做法是拿關鍵傳球之後那次射門的 xG 來算，兩者不是同一個量。

npxG（non-penalty xG）。據 FootyMetrics 與 Tactiq，npxG 是把十二碼的 xG 從總和中扣掉，計算方式不變。Hudl 也說，分析球員與球隊表現時，十二碼的進球與 xG 經常被移除。扣掉之後還剩什麼？據 Tactiq 與 FootyMetrics，角球、自由球等定位球的射門仍留在 npxG 裡。

---

資料來源：Opta（Stats Perform）The Analyst 的 xG、xGOT、xA 說明文章；Stats Perform 的 xGOT 說明文章；Hudl 的〈Expected Goals (xG) Explained〉；維基百科「Expected goals」條目；比利時魯汶大學 DTAI 研究團隊（2020）的 xG 資料品質研究部落格；StatsBomb 部落格存檔，Ted Knutson 與 Kevin Lawson（2018）的〈The Dual Life of Expected Goals〉兩篇；FootyMetrics、Tactiq 的 npxG 說明文章。

常見問題

xG 是什麼意思？

xG 是 expected goals 的縮寫，中文叫預期進球。它替每一次射門估一個 0 到 1 之間的進球機率，把一場比賽所有射門的機率加起來，就是這隊按機會品質預期進幾球。

xG 高但沒贏，代表什麼？

代表按模型估算，這隊創造的機會品質較高，但結果不必然跟著走。Opta 說單場 xG 總和較高，不必然代表他們應該贏；Knutson 則指出，單場的數字分不出他們是錯過了好機會，還是機會比模型估的更難。

不同網站的 xG 為什麼不一樣？

因為模型與資料不同。各家納入的射門特徵不一樣，記錄的射門位置與定義也有出入。KU Leuven 的實驗顯示，同一種建模做法用在兩家資料商的資料上，單場加總就可能差很多。要比較，就在同一個來源裡比。

xG 準嗎？

它本來就不是用來精準描述單一射門或單一場比賽的。Knutson 說 xG 是綜合成千上萬次射門，表示球隊合理預期的進球數；據維基百科，短期樣本裡，它和實際進球的落差，可能來自隨機性，也可能來自機會品質或表現的差異。用它看多場累積的趨勢，比看單場合理。

xG 可以預測下一場誰會贏嗎？

xG 本身不是用來判定單場輸贏的工具。Opta 明說 xG 只衡量機會品質，不是比賽的預期結果，贏球靠的是實際進球。

一支球隊進球一直超過 xG，之後就一定會低於 xG 嗎？

不一定。Opta 預期之後的射門會回到與 xG 相符的水準，但說已經超越 xG 的球員或球隊，不必然要低於 xG 才能回歸，認為會補回來是賭徒謬誤。

---

Tags：xG, 預期進球, 足球數據, 足球新手村, 進階數據, Opta