该数据的核心创新在于采用“反事实推理”的AI模型，试图从“发生了什么”深入到“为什么发生”以及“是谁让这一切成为可能”。它试图解决传统数据仅记录“发生了什么”却忽略行为发生具体情境的问题。通过对比赛时间、分差等因素的分析，系统评估每一个回合的“杠杆”高低，并利用机器学习瞬间模拟多种“反事实场景”，通过对比实际发生与可能发生两种情况下球队胜率的变化，得出该行为对比赛的实际影响力。这一数据可以拆分为进攻杠杆影响值和防守杠杆影响值，也可进一步细分为投篮创造、篮板等多项具体指标。

一、数据的诞生背景

　　传统篮球数据（如得分、篮板）只记录了“发生了什么”，却忽略了这些行为发生的具体情境。例如，比赛最后时刻的一次投篮与垃圾时间的一次投篮，虽然数据相同，但对比赛胜负的实际影响截然不同。“杠杆影响值”要解决的就是这个问题，它试图量化“为什么”会发生这样的结果，以及“是谁”让这一切成为可能。NBA与AWS的合作正是基于这一需求，旨在利用人工智能技术提供更全面的球员影响力评估维度。

亚马逊云服务

二、核心原理与反事实模型

　　杠杆影响值的计算逻辑包含三个关键步骤。首先，通过AI模型分析比赛时间、分差等因素，判断每一个回合的杠杆有多高——比赛最后时刻的每一个回合其杠杆远高于垃圾时间。其次，对于场上的每一个行为（如一次投篮），系统会利用机器学习瞬间模拟出多种“如果没发生”的反事实场景。最后，通过对比实际发生和可能发生两种情况下球队胜率的变化，得出这个行为对比赛的实际影响力。例如，若球员A命中一记投篮将球队胜率从60%提升到75%，传统看法是提升了15%，但杠杆影响值还会考虑如果投丢可能导致胜率降到55%，那么这记投篮带来的实际胜率变化就是20%（从55%到75%），而非15%。

三、数据的应用与解读

　　杠杆影响值的基准设定为1.0，代表着球员的贡献能将球队胜率提升约10%，数值越高说明球员对胜利的正面影响越大。该数据可拆分为进攻杠杆影响值和防守杠杆影响值，分别衡量球员在攻防两端的影响力。一次成功进攻的影响力会通过算法在场上10名球员之间进行分配，助攻者的功劳会大于一次简单投篮的终结者。NBA官方曾公布相关数据，进攻端约基奇以1.83高居第一，亚历山大1.61和东契奇0.95分列二三位；防守端文班亚马以3.02的惊人分值位居榜首，约基奇2.82和戈贝尔2.69紧随其后。这一数据还可进一步细分为投篮创造、篮板等多项具体指标。

四、数据的意义与局限

　　杠杆影响值提供了一个观察比赛的新维度，尝试超越基础数据去衡量球员在关键时刻、在每一次攻防中对胜利的真实贡献。它通过反事实推理将比赛情境纳入考量范围，弥补了传统高阶数据对比赛语境考虑不足的缺陷。然而，作为一种AI驱动的新兴数据指标，其计算模型的黑箱特性也引发了部分分析师对其可解释性的疑问。随着数据的持续积累和模型的不断优化，杠杆影响值有望成为评估球员比赛影响力的重要参考指标之一。

相关阅读：NBA篮球科普篮球规则