Abstract Existing methods for player evaluation in American football rely heavily on proprietary data, are often not reproducible, lag behind those of other major sports, and are not interpretable in terms of game outcomes. We present four contributions to the study of football statistics to address these issues. First, we develop the R package nflscrapR to provide easy access to publicly available play-by-play data from the National Football League (NFL). Second, we introduce a novel multinomial logistic regression approach for estimating the expected points for each play. Third, we use the expected points as input into a generalized additive model for estimating the win probability for each play. Fourth, we introduce our nflWAR framework, using multilevel models to isolate the contributions of individual offensive skill players in terms of their wins above replacement (WAR). We assess the uncertainty in WAR through a resampling approach specifically designed for football, and we present results for the 2017 NFL season. We discuss how our reproducible WAR framework can be extended to estimate WAR for players at any position if researchers have data specifying the players on the field during each play. Finally, we discuss the potential implications of this work for NFL teams.

中文翻译：

---

nflWAR：足球中进攻球员评估的可复制方法

摘要美式足球现有的球员评估方法在很大程度上依赖于专有数据，这些数据通常不可重现，落后于其他主要运动项目，并且在比赛结果方面也无法解释。为了解决这些问题，我们为足球统计研究提供了四项贡献。首先，我们开发了R包nflscrapR，以方便地访问美国国家橄榄球联盟（NFL）提供的公开比赛数据。其次，我们介绍了一种新颖的多项式逻辑回归方法，用于估计每个游戏的预期得分。第三，我们使用期望点作为广义附加模型的输入，以估计每次比赛的获胜概率。第四，我们介绍我们的nflWAR框架，使用多层次模型来根据进攻胜出率（WAR）来区分各个进攻技能球员的贡献。我们通过专门为足球设计的重采样方法评估WAR的不确定性，并介绍2017 NFL赛季的结果。我们将讨论如何扩展可再现的WAR框架，以在研究人员每次比赛期间都有指定场上球员的数据时，在任何位置估计球员的WAR。最后，我们讨论了这项工作对NFL团队的潜在影响。我们将讨论如何扩展可再现的WAR框架，以在研究人员每次比赛期间都有指定场上球员的数据时，在任何位置估计球员的WAR。最后，我们讨论了这项工作对NFL团队的潜在影响。我们将讨论如何扩展可再现的WAR框架，以在研究人员每次比赛期间都有指定场上球员的数据时，在任何位置估计球员的WAR。最后，我们讨论了这项工作对NFL团队的潜在影响。