大流行期间奥运奖牌分布的预测

在计算我们的估算值时，我们使用的数据点与相关论文编制时已有的数据点相同。最后，我们对2020年奥运会进行预测（预测）；这一次，我们也使用了2016年奥运会的数据。虽然我们在表4中显示了这些结果，但表3汇总的预测中没有使用任何附加信息，即2016年奥运会的数据。我们使用pandas 1.1.2（McKinney，2010）、scikit learn 0.23.2（Pedregosa等人，2011）、XGboost 1.2.0（Chen and Guestrin，2016）、NumPy 1.18.5（van der Walt等人，2011）和Shap 0.36.0（Lundberg and Lee，2017）包实现Python 3.8.5（Oliphant，2007）中的所有模型。结果虽然Scelles等人（2020年）改进了之前的预测质量，但提出的模型仍然无法实现天真的预测，即假设每个国家赢得的数据数量与前一届奥运会完全相同。据我们所知，本文中提出的方法是第一个在2008年、2012年和2016年奥运会上始终如一地击败天真预测的方法（参见表3）。除了天真的预测，我们在基准测试中还包括来自三个不同用户的五个其他模型。我们评估预测准确度，即正确预测的数据在总数中的份额，以及所有赢得零枚奖牌的国家的份额，分别超过零枚奖牌。此外，我们检查预测是否在95%的置信区间内，并增加两枚奖牌。最后，根据Scelles等人（2020年）的建议，我们对前17名国家的预测和实际奖牌的绝对偏差进行了汇总。请注意，我们的样本包括203个（2008年）、205个（2012年）、206个（2016年）参与国，而Forrest等人（2010年）模型127、Andreff等人（2008年）模型20和Scelles等人（2020年）模型192个国家。

在计算我们的估算值时，我们使用的数据点与相关论文编制时已经可用的数据点相同（参见图1）。图1。预测过程的说明。缩写和注释。Val.=验证集，F.c。