Understanding team success in basketball: predicting rankings with multivariate statistics and machine learning approaches

Abstract

This dissertation investigates the field of basketball analytics with a primary focus on forecasting season standings by employing multivariate statistics and machine learning methods. While box-score indicators such as points, rebounds, assists, steals, and turnovers remain the cornerstone of performance analysis, the introduction of advanced efficiency metrics (including Offensive and Defensive Ratings, Net Rating, and effective field goal percentage) as well as dynamic team rating systems has enriched the analytical landscape. Much of the academic literature has concentrated on predicting individual game results in the NBA, NCAA, and EuroLeague, however, considerably less attention has been given to the problem of ranking prediction, despite its strategic significance.This thesis addresses this research gap by combining statistical measures, advanced indicators, and rating systems with state-of-the-art machine learning techniques. A comparative analysis is performed across several major basketball competitions-including the NBA, EuroLeague, Spanish ACB, Greek Basket League, Italian LBA, and Chinese CBA—to assess both the predictive performance of different models and the relative importance of key metrics. By integrating regression, ordinal modeling, and ensemble algorithms, the study aims to reveal consistent determinants of team success while also identifying context-specific differences. The findings are expected to contribute to the broader discourse in sports analytics by improving methodological practices and offering empirical insights into the drivers of long-term performance in basketball.Αυτή η διπλωματική εργασία διερευνά το πεδίο της ανάλυσης δεδομένων στο μπάσκετ, με κύρια έμφαση στην πρόβλεψη της τελικής κατάταξης των ομάδων, χρησιμοποιώντας πολυμεταβλητές στατιστικές μεθόδους και τεχνικές μηχανικής μάθησης. Παρόλο που οι δείκτες που προκύπτουν από τα στατιστικά φύλλα αγώνα, όπως πόντοι, ριμπάουντ, ασίστ, κλεψίματα και λάθη, εξακολουθούν να αποτελούν τη βάση της ανάλυσης απόδοσης, η εισαγωγή προηγμένων μετρικών αποδοτικότητας (όπως Offensive Rating, Defensive Rating, Net Rating και effective field goal percentage), καθώς και δυναμικών συστημάτων αξιολόγησης ομάδων, έχει εμπλουτίσει σημαντικά το αναλυτικό πλαίσιο. Μεγάλο μέρος της ακαδημαϊκής βιβλιογραφίας έχει επικεντρωθεί στην πρόβλεψη των αποτελεσμάτων μεμονωμένων αγώνων σε διοργανώσεις όπως το NBA, το NCAA και η EuroLeague. Ωστόσο, έχει δοθεί σημαντικά λιγότερη προσοχή στο πρόβλημα της πρόβλεψης της τελικής κατάταξης, παρά τη στρατηγική του σημασία. Η παρούσα εργασία καλύπτει αυτό το ερευνητικό κενό, συνδυάζοντας στατιστικά μέτρα, προηγμένους δείκτες και συστήματα αξιολόγησης με σύγχρονες τεχνικές μηχανικής μάθησης. Πραγματοποιείται συγκριτική ανάλυση σε διάφορα μεγάλα πρωταθλήματα καλαθοσφαίρισης-συμπεριλαμβανομένων των NBA, EuroLeague, ισπανικής ACB, ελληνικής Basket League, ιταλικής LBA και κινεζικής CBA — με στόχο την αξιολόγηση τόσο της προβλεπτικής ικανότητας διαφορετικών μοντέλων όσο και της σχετικής σημασίας βασικών δεικτών. Μέσω της ενσωμάτωσης μεθόδων παλινδρόμησης, διατακτικής μοντελοποίησης και αλγορίθμων συνόλων (ensemble), η μελέτη επιδιώκει να αναδείξει τους σταθερούς παράγοντες που καθορίζουν την επιτυχία των ομάδων, καθώς και να εντοπίσει διαφορές που εξαρτώνται από το εκάστοτε αγωνιστικό πλαίσιο. Τα ευρήματα αναμένεται να συμβάλουν ευρύτερα στον τομέα της ανάλυσης αθλητικών δεδομένων, βελτιώνοντας τις μεθοδολογικές προσεγγίσεις και προσφέροντας εμπειρικές γνώσεις σχετικά με τους παράγοντες που επηρεάζουν τη μακροχρόνια απόδοση στο μπάσκετ.