NBA陣容數據怎麼看：五人組合與On-Off差值

NBA陣容數據要先確認是哪五個人、一起打了多久，再看效率。 On-Off則比較某位球員在場與不在場的團隊表現，兩邊的隊友、對手和比賽情境可能不同，差值不能直接解讀成「換上他就一定多贏幾分」。

如果你已看懂個人正負值，下一步就是把觀察單位改成整套搭配。以下以2026年10月26日查閱的資料介面與定義為準；所有表格數字、球員代號及搭配情境均為本文虛構教學例，並非任何球隊的實際成績或排名。

一、先分清楚：五人組合、在場數據與On-Off

五人組合是在問「這五個人一起打時發生什麼事」；球員在場數據則可能混合許多套含有他的陣容。少了一個名單條件，解讀就會不同。

例如A和B一起上場的資料，還包含另外三個位置的各種搭配，不能直接當成A、B、C、D、E這套完整五人的成績。查詢前，先把你想比較的名單寫下來。

本文使用的效率口徑為：OffRtg是每百進攻回合得分，DefRtg是每百防守回合失分，NetRtg為兩者相減。NBA官方辭典可供核對；這裡討論的是團隊與陣容，別混用其他網站的個人效率模型。

本文的On-Off差值＝球員在場時的團隊NetRtg－球員不在場時的團隊NetRtg。 查別人的圖表時，也要先確認它比較的是淨效率、進攻還是防守，以及正負方向。Metrics的公開辭典也將On-Off定義為兩組團隊淨效率之差，並提醒陣容品質會混在其中。

若還不熟悉單場的「+12」代表什麼，可先讀〈NBA數據與個人正負值解釋〉。以下著重怎麼選樣本，不重複介紹所有基礎縮寫。

二、實例一：先把On與Off各自算清楚

假設某隊在A上場及休息時，分別累積以下資料。為方便核算，這個虛構例子讓每一列的進攻與防守回合數恰好相同；實際資料應分開使用各自分母。

A在場時，進攻效率為600 ÷ 500 × 100＝120，防守效率為550 ÷ 500 × 100＝110，淨效率就是120－110＝+10。

A不在場時，兩項效率為108與112，淨效率是-4。所以A的On-Off差值為10－(-4)＝+14，單位是每百回合的分差差異，不是14%，也不是他本人得到14分。

這張表只能支持：「在這批樣本裡，A在場那組的團隊淨效率高14。」它還沒回答A休息時誰接手、A與誰搭配，以及兩組遇到什麼對手。

三、實例二與三：兩種輪替，能把差值推向不同方向

搭配情境一：A與主力綁在一起上場

假設教練常讓A與B、C、D、E同時上場，又讓這五人一起休息。另一套F、G、H、I、J接手時，對手仍留著主要得分手。

若這就是全部樣本，A的On-Off會是12－(-8)＝+20。但B、C、D、E也經歷完全相同的上場與休息區段，不能把這20分全部算給A，更不能給五個人各算一份再相加。

要往下查，可以找「A、B、C、D、E」與「F、B、C、D、E」這種只換一人的組合，再核對對手與日期。若第二套根本沒有足夠上場紀錄，應直接承認：現有資料無法把A與其他主力的影響拆開。

搭配情境二：A帶替補，休息時主力回來

再設計另一種情境：A留下來搭配F、G、H、I，迎戰對手的先發；A休息後，B、C、D、E與J上場，主要碰到對手替補。

這次A的On-Off是-2－6＝-8。結果沒有證明A傷害球隊，也沒有證明只要把A換成J就能改善8分；兩列連另外四名隊友與對手都換了。

兩個例子共同指出一個判讀問題：上場安排同時改變多人與對戰任務，原始差值就難以只歸因於其中一人。 2024年的球員評價研究也專門處理這類混雜因素，並把「假如換掉球員」視為需要額外建模的問題，而非直接做兩組平均相減。

四、查五人陣容的順序：分鐘篩選與對手核對

NBA的Lineups Advanced查詢頁提供賽季、賽事類型、球隊、陣容人數、對手與日期等選項。先固定這些範圍，再比較數字；以下是本文建議的閱讀流程，不是NBA公布的統計可信度門檻。

先定問題，再設分鐘條件

1. 固定資料範圍。 寫清楚賽季、例行賽或季後賽、起訖日期與球隊；兩套陣容使用同一範圍。
2. 確認完整五人。 比較五人陣容時，別把兩人搭配的彙總資料放進來。
3. 先按分鐘找常用組合。 若當前介面無法直接設最低分鐘，就先記錄分鐘、手動保留達標列，最後才按淨效率比較。
4. 改一次門檻再看。 例如先看至少50分鐘，再看至少100分鐘；這兩個數字只是本次分析自訂的試讀門檻，不代表過線就可靠。
5. 拆開進攻與防守。 同樣的淨效率，可能來自不同的得失分結構，不要只保留最後一欄。

篩選後，再用這張表檢查

選到同一支對手，只能讓「對手球隊」一致，不代表對手當時場上的五人、體能與比分也一致。查詢頁沒有呈現的細節，就回看比賽紀錄；查不到時寫明限制，不宣稱已經控制所有因素。

樣本越切越細，也可能只剩幾分鐘。這時比較條件雖接近，數字卻更容易被少數進球改變；不必為了排出名次，硬把資料不足的兩套組合分出高下。

五、常見問題

五人組合淨效率第一，就是最強陣容嗎？

只能先說它在指定資料範圍內排第一。若沒有一起列出分鐘、回合、篩選條件與對手情境，「最強」的結論就超過資料能回答的範圍。

同樣五個人，先發或替補身分會另算一套嗎？

判讀五人組合時，重點是五人名單與共同在場區段，不是球員名義上的先發或替補身分。若你另外套用節次或日期條件，才會改變這套組合被納入的樣本。

可以把不同陣容的NetRtg直接平均嗎？

不宜把每一列當成同樣大的樣本。要合併時，應先加總各組得分與進攻回合、失分與防守回合，再重新計算兩端效率與差值；沒有分母，就別把簡單平均當成精確的整體結果。

改看調整後正負值，就能確定個人貢獻嗎？

APM是調整後正負值，會透過迴歸模型納入隊友與對手；RAPM再使用正則化，降低模型過度貼合樣本的問題。Sill於2010年的研究強調用未參與建模的資料驗證效果，因此模型結果仍需看資料範圍、設定與驗證，不能當成毫無誤差的個人答案。

六、把結論寫成可核對的一句話

看完NBA陣容數據，可以用這個句型整理：「在指定賽季與日期內，這套五人共同上場多少分鐘，淨效率多少；與另一套比較時，隊友、對手或比賽時段還有哪些差別。」

On-Off則補上兩邊各自的樣本量與效率，避免只留下最醒目的差值。能說清楚條件與限制，比替球員貼上好壞標籤更有用；觀賽與娛樂也請先安排時間與預算，不把歷史數據當成下一場結果的保證。