Análisis estadístico de las características del draft en clasificatorias de League of Legends
Este análisis examinó 805.355 partidas clasificatorias de todas las regiones en los últimos cuatro parches, correspondiendo a 8.052.743 filas de participantes desde Iron hasta Challenger. El objetivo fue estimar cómo siete features relacionadas con el draft contribuyeron a la predicción de victoria usando el mismo marco estadístico entre roles, rangos y campeones.
Para separar los efectos específicos de línea de los efectos más amplios de composición de equipo, las variables de respuesta y sinergia se dividieron en componentes de línea y cross-línea.
El análisis por rol utilizó un modelo jerárquico de efectos mixtos (GPBoost) con el tier de rango como variable de agrupación. El análisis por campeón utilizó regresión logística regularizada Ridge para estabilizar las estimaciones de coeficientes en muestras más pequeñas. Ambos análisis usaron validación cruzada 5-fold out-of-fold a nivel de partida para evitar la fuga de datos.
Los resultados se muestran en los gráficos y tablas a continuación, filtrables por rol y rango:
- Pesos de Features por Rol — barras apiladas y tabla de datos, filtrados por rango
- Pesos de Features por Campeón — barras apiladas y tabla de datos, filtrados por rol y rango
Qué significaban las features
Línea Ctr Gold midió la diferencia promedio histórica de oro a los 15 minutos entre el campeón del jugador y su oponente de línea.
Ctr Línea WR midió la tasa de victoria histórica del campeón del jugador contra su oponente de línea.
Respuesta global al rival midió el delta sumado de tasa de victoria desde el 50% entre el campeón del jugador y cada uno de los cuatro campeones enemigos fuera de línea.
Game Synergy midió el delta sumado de tasa de victoria desde el 50% entre el campeón del jugador y los campeones aliados, excluyendo al compañero de bot línea excepto donde la sinergia de línea se modeló directamente.
Meta se refirió a la tasa de victoria general del campeón para ese rol y rango.
Syn Línea WR se aplicó solo al carril inferior y midió la tasa de victoria histórica del dúo ADC-Soporte.
Línea Synergy Gold se aplicó solo a bot línea y midió la diferencia combinada de oro a los 15 minutos para el dúo ADC–Soporte.
Metodología
El análisis utilizó una función de enlace logístico (Bernoulli Logit) para modelar la probabilidad de victoria en función de las siete features estandarizadas anteriores, con cinco features para los roles fuera del carril inferior y siete para el carril inferior.
"Estandarizada" significa que todas las features fueron escaladas a media cero y varianza unitaria antes de ajustar el modelo. Esto hizo que los coeficientes fueran directamente comparables, aunque las features originales se midieran en escalas diferentes.
La importancia de las features se cuantificó normalizando los valores absolutos de los coeficientes estandarizados, expresando cada uno como porcentaje de la magnitud total del efecto dentro del modelo.
Para el análisis por rol, se ajustó un modelo jerárquico de efectos mixtos por rol usando GPBoost, con el tier de rango como variable de agrupación para interceptos y pendientes aleatorias. Esto permitió al modelo "tomar prestada fuerza" entre tiers — si un tier tenía datos limitados (ej: Challenger), sus pesos eran atraídos hacia la media poblacional en lugar de producir estimaciones inestables. El análisis por campeón utilizó regresión logística regularizada Ridge (penalización L2, C=1.0) para estabilizar coeficientes en muestras más pequeñas.
Para evitar la fuga de datos, el análisis utilizó validación cruzada 5-fold out-of-fold (OOF) estratificada a nivel de partida, asegurando que los diez participantes de una misma partida fueran asignados al mismo fold y previniendo la fuga de información intra-partida. Al calcular features para partidas de un fold dado, las estadísticas históricas se derivaron solo de los otros cuatro folds. Los p-values se calcularon a nivel poblacional usando errores estándar cluster-robust agrupados por partida, teniendo en cuenta la correlación entre las diez filas de participantes dentro de cada partida.
Significancia estadística y correlación de features
La significancia estadística se reportó a través de p-values. Los resultados se marcaron como:
- p < 0.001
- p < 0.01
- p < 0.05
- no estadísticamente significativo
El análisis también utilizó el Factor de Inflación de la Varianza (VIF) para examinar la correlación entre features.
Un VIF de 1 indica ninguna correlación con otras features. Valores superiores a 5 se tratan comúnmente como preocupantes. Todos los valores de VIF en este análisis estuvieron por debajo de 2.
Pesos de Características por Rol — Plata
Los pesos suman 100% por fila. Los colores indican la confianza estadística: dorado (p<0.001), verde (p<0.01), azul (p<0.05), gris (no significativo).
| Rol | Ctr Línea Oro | Ctr Línea WR | Game Ctr | Sinergia | Meta | Syn Línea WR | Syn Línea Oro |
|---|---|---|---|---|---|---|---|
| Top | 19.8% | 7.7% | 20.3% | 12.2% | 40.0% | — | — |
| Jungla | 6.4% | 4.5% | 23.9% | 15.9% | 49.3% | — | — |
| Mid | 11.6% | 10.2% | 18.5% | 16.9% | 42.9% | — | — |
| Bot | 1.8% | 9.4% | 26.2% | 16.8% | 27.0% | 15.6% | 3.3% |
| Support | 3.7% | 15.4% | 29.5% | 4.4% | 26.2% | 17.5% | 3.3% |
Conclusión
¿Qué tan importante es ganar la fase de línea?
- La diferencia de oro a los 15 minutos aportó una señal relevante en el carril superior. En el carril central, su contribución fue más visible en rangos altos.
- La misma medida no fue estadísticamente significativa para ADC en este modelo. Support mostró cierta contribución de la fase de líneas, aunque menor que los carriles en solitario.
¿Qué tan importante es elegir un campeón que encaje con la composición de tu equipo?
- En general, es más relevante para jugadores de mid y jungleros, pero sigue siendo relevante para las demás líneas.
- Una buena pareja ADC + Support apenas impacta en ganar la fase de línea, pero sí afecta considerablemente al resto de la partida.
¿Qué tan relevante es contrarrestar las elecciones enemigas?
- Contrarrestar tu enfrentamiento de línea va más allá de la fase de línea, y el impacto de los contrapicks de línea después de que termina la fase es mayor que durante ella.
- Los enfrentamientos contra otros carriles también tuvieron un peso importante entre roles y rangos. En muchas celdas, la respuesta global al rival fue el mayor factor individual.
¿Qué pasa con el meta?
- En elo medio a alto (Plat+), el meta apenas importa para ADC, pero sigue siendo relevante para los demás roles.
- El Meta tuvo más peso en muchas celdas de rangos bajos y menos en buena parte de Oro y Platino. Como el patrón cambió según el rol, una sola regla por rango exageraría el resultado.
¿Cambia lo anterior de campeón a campeón?
- Las estimaciones variaron mucho entre campeones y las muestras pequeñas limitaron las comparaciones firmes. Katarina, LeBlanc y Kassadin fueron ejemplos donde la medida de fase de líneas tuvo mucho más peso que para muchos otros campeones.
Por qué Meta no aparece en la tabla por campeón
Meta no apareció en la tabla por campeón por una razón estadística. Cuando el análisis se restringió a un único grupo campeón-rol-rango, la tasa de victoria meta de ese campeón era el mismo valor para cada partida del grupo. Una feature que no varía entre observaciones no puede estimarse con regresión logística.
Por esa razón, la contribución de Meta a ganar se capturó en el análisis por rol, donde diferentes campeones con distintas tasas de victoria de meta aparecían en el mismo grupo, pero no apareció en el análisis por campeón.
Sesgo conocido
El análisis identificó un sesgo importante en el análisis por rol: los pick rates de campeones estaban desbalanceados. Los campeones populares aportaron muchos más datos que los picks raros, en algunos casos hasta 20x más. Como resultado, las regresiones por rol estuvieron desproporcionadamente influenciadas por campeones populares.
El análisis por campeón no se vio afectado por ese sesgo específico, ya que cada campeón fue analizado de forma independiente.