Sample sizing. Externe variabelen. Solksjaer is een prima voorbeeld (indien volledig waar zoals je het presenteert), maar het is er één. Daarbij is die terugval voorspeld op basis van hoeveel wedstrijden onder Solksjaer? Je kan pas statistisch onderbouwde* uitspraken doen bij een sample die groot genoeg is. Voordat je die hebt is het seizoen voorbij en zijn een heleboel factoren (al dan niet voor te controleren) ook weer anders. Samenstelling van het team, teamdynamiek, tactische omzettingen in de ploeg, tactische omzettingen bij de tegenstander, weersfactoren, spelersvermoeidheid, arbitrage, kwaliteit van het veld, etcetera. Voor je een goede basis hebt is alles alweer anders. Dat werkt in het voetbal niet. In het honkbal wel, daar spelen ze 162 wedstrijden in 6 maanden en het spel is een stuk statischer. Dan heb je al snel goede samples, waarbij de uitkomsten ook vele malen minder vatbaar zijn voor externe variabelen. Dán kun je voorspellingen doen.
Wat Feyenoord betreft: had je daar een model voor nodig om dat te zien? In hoeverre neemt dat model mee dat Jorgensen terug lijkt te komen (als ie niet weer auwie heeft voor de volgende pot)? Hoe controleer je daarvoor in je voorspelling?
* Net als bij de transfer van Senesi en de prestaties van Ié geldt voor de voorspelling van de terugval van United onder Solksjaer ook: een goed resultaat zegt niet dat de beslissing goed is. Toevalstreffers lopen goed af, maar zullen op termijn niet van waarde zijn. Ik heb geen aanwijzingen om aan te nemen dat dit model op de lange termijn dingen correct kan voorspellen. Zou namelijk het eerste model zijn dat dat zonder een juiste sample kan en niet in een (deels) gecontroleerde omgeving is ontwikkeld.