xGA防守数据完全指南：用预期失球衡量球队防线真实水平
FYT预测模型指南系列：Elo评分（30%） → xG进攻（25%） → xGA防守（20%） → 大赛经验（15%） → 模型输出
意大利只丢3球却出了局：xGA揭示的防守真相
2024年欧洲杯小组赛，意大利仅丢3球——从表面数据看，这是一条相当稳固的防线。但如果你查看他们的xGA（预期失球），数字会告诉你一个完全不同的故事：意大利三场小组赛的累计xGA高达5.2，意味着根据对手获得的射门机会质量，他们"应该"丢5个球以上。
少丢的那2个球是什么？运气、门将超常发挥、对手临门一脚失准——这些因素不可持续复制。果然，淘汰赛阶段，意大利的运气耗尽，被瑞士2-0淘汰。
这就是xGA的核心价值：它不看你实际丢了几球，而是看你给了对手多少高质量射门机会。
xGA是什么？与xG的对称关系
定义
xGA（Expected Goals Against，预期失球）衡量的是一支球队在防守端允许对手创造的射门机会质量。
如果你熟悉xG（预期进球），理解xGA就很简单——它们是同一枚硬币的两面：
| 指标 | 视角 | 衡量对象 | 越高意味着 |
|---|---|---|---|
| xG | 进攻端 | 我方射门机会质量 | 进攻越强 |
| xGA | 防守端 | 对手射门机会质量 | 防守越差 |
一支球队的xGA，恰好等于对手在这场比赛中的xG。所以xGA并不是一个独立的计算，而是从防守视角重新解读对手的进攻数据。
xGA/90：标准化为每90分钟
为了跨球队、跨赛事比较，我们使用xGA/90（每90分钟预期失球）：
xGA/90 = 总xGA / (总比赛分钟数 / 90)
一支xGA/90为0.8的球队，平均每场比赛只给对手制造0.8个预期进球的机会——这是世界顶级防线的水平。而xGA/90超过1.5的球队，防线漏洞较大。
xGA如何计算：从每次射门说起
xGA的计算基础与xG完全相同——每次对手射门都会被赋予一个0到1之间的进球概率，所有射门概率累加即为xGA。
影响单次射门xG值的关键因素：
| 因素 | 影响方向 | 示例 |
|---|---|---|
| 射门距离 | 越近概率越高 | 禁区内射门 vs 30米远射 |
| 射门角度 | 正面角度概率更高 | 正对球门 vs 零角度 |
| 射门方式 | 头球通常低于脚射 | 头球xG约0.05-0.15 |
| 前序动作 | 直塞、横传提升概率 | 反击中的1v1 |
| 身体部位 | 强脚 vs 弱脚 | 右脚球员的左脚射门 |
| 门将位置 | 模型中可能包含或不包含 | 因数据提供商而异 |
重要提示：不同数据提供商（Opta、StatsBomb、FBref）的xG/xGA模型略有差异。FYT体育世界杯预测模型统一使用FBref的数据源以确保一致性。
实际丢球 vs xGA：三种典型情况
情况一：实际丢球 < xGA（“防守过度表现”）
球队丢球比预期少。可能原因：
- 门将超常发挥（多次关键扑救）
- 对手射术差（临门一脚失准）
- 运气成分（射中门框等）
风险：这种"过度表现"通常不可持续，下一阶段丢球数往往会回归到xGA水平。
情况二：实际丢球 > xGA（“防守表现不佳”）
球队丢球比预期多。可能原因：
- 门将状态低迷
- 定位球防守薄弱（角球、任意球在xG模型中权重较低但实际威胁大）
- 个人失误导致的低xG但高概率进球
情况三：实际丢球 ≈ xGA（“真实水平”）
数据样本足够大时（通常15场以上），实际丢球会趋近xGA。这是该指标最有预测价值的状态。
2026世界杯参赛队xGA/90排名
以下数据来自FYT体育世界杯预测模型的输入数据（截至2026年1月）：
防守最强（xGA/90最低）
| 排名 | 球队 | xGA/90 | 赛区 | 点评 |
|---|---|---|---|---|
| 1 | 法国 | 0.7 | UEFA | 全欧洲最佳防线，世界杯夺冠热门 |
| 2 | 阿根廷 | 0.8 | CONMEBOL | 卫冕冠军，中后场经验丰富 |
| 3 | 西班牙 | 0.8 | UEFA | 控球体系限制对手射门次数 |
| 4 | 英格兰 | 0.8 | UEFA | 多名英超顶级中卫组合 |
| 5 | 摩洛哥 | 0.9 | CAF | 2022世界杯四强防守延续至今 |
防守最弱（xGA/90最高）
| 排名 | 球队 | xGA/90 | 赛区 | 点评 |
|---|---|---|---|---|
| 44 | 洪都拉斯 | 1.5 | CONCACAF | 预选赛中频繁暴露后防 |
| 45 | 新西兰 | 1.5 | OFC | 大洋洲数据样本偏少 |
| 46 | 牙买加 | 1.5 | CONCACAF | CONCACAF竞争激烈 |
| 47 | 南非 | 1.4 | CAF | 非洲区防守强度不均 |
| 48 | 伊拉克 | 1.4 | AFC | 亚洲区淘汰赛暴露弱点 |
xGA在世界杯预测模型中的角色
在FYT体育的世界杯夺冠概率模型中，xGA/90占据20%的权重，是第三大因子。
为什么是反向计分？
与其他因子不同，xGA越低代表防守越好。因此模型中xGA是反向归一化的：
normalized_xga = 1 - (xga_per90 - 0.3) / (3.5 - 0.3)
法国的xGA/90为0.7，反向归一化后得分约为0.875（高分）；伊拉克的xGA/90为1.4，归一化后得分约为0.656（低分）。
为什么xGA权重低于xG？
模型中xG权重为25%，xGA为20%。这反映了一个足球统计学共识：进攻端的数据预测力略强于防守端。原因包括：
- 进攻是主动行为，更能体现球队意图和能力
- 防守表现受对手水平影响更大（强队打弱队时xGA自然很低）
- 门将的随机性在防守端引入了更多噪声
xGA的局限性
1. 不含定位球的完整建模
角球、任意球的xG值在大多数模型中被系统性低估。一支定位球防守薄弱的球队，其xGA可能看起来不错，但实际比赛中频繁在定位球环节丢球。
2. 对手质量偏差
一支球队在预选赛中面对弱队时的xGA/90数据，与世界杯正赛中面对强队时的表现可能截然不同。这就是为什么FYT模型同时使用Elo评分（反映对手强度）作为修正。
3. 战术选择影响解读
主动高位逼抢的球队（如西班牙）可能制造更多对手射门但射门质量低（低xGA），而回收防守的球队（如摩洛哥2022）射门次数少但每次都是高质量机会。xGA/90无法完全区分这两种战术风格。
4. 数据样本量
国家队比赛每年只有10-15场，远少于俱乐部赛季的50+场。样本量不足时，xGA的波动性较大，单场比赛（如0-5惨败）可能严重扭曲赛季平均值。
xGA vs 实际丢球数：谁更适合预测？
| 指标 | 预测能力 | 稳定性 | 可获取性 |
|---|---|---|---|
| 实际丢球数 | 中等（含运气成分） | 波动大 | 所有来源 |
| xGA/90 | 较高（过滤运气） | 较稳定 | 需专业数据源 |
| 实际丢球 - xGA | 不可预测（纯随机） | 趋向零 | 需计算 |
答案明确：xGA/90是比实际丢球数更好的防守预测指标。这正是FYT模型选择xGA而非实际丢球数作为输入因子的原因。
如何自己查看xGA数据
免费来源
- FBref (fbref.com) — FYT模型的数据来源。路径：National Teams → 选择球队 → Standard Stats → xGA列
- Understat (understat.com) — 覆盖五大联赛，界面直观
快速判断标准
| xGA/90 | 防守水平 |
|---|---|
| < 0.8 | 世界顶级防线 |
| 0.8 - 1.0 | 优秀 |
| 1.0 - 1.2 | 中上 |
| 1.2 - 1.5 | 中等偏下 |
| > 1.5 | 防守薄弱 |
延伸阅读
- xG预期进球完全指南 — xGA的对称指标
- Elo评分系统完全指南 — 理解模型的第一大因子
- 世界杯经验如何量化 — 理解模型的第四大因子
- 2026世界杯夺冠概率排名 — 查看模型输出
- 预测方法论 — 完整模型说明
常见问题
xGA和"clean sheet"（零封场次）有什么区别？
零封是二元结果（丢球或不丢球），无法区分"差点丢球但运气好"和"完全封锁对手"。xGA是连续指标，即使零封也可能xGA很高（说明对手创造了很多机会），更能反映真实防守质量。
为什么同一支球队在不同数据网站的xGA不同？
不同数据提供商（Opta、StatsBomb、FBref）使用的xG/xGA模型参数略有差异。例如StatsBomb的模型包含更多射门前的传球信息，可能与Opta的结果偏差0.1-0.3。FYT统一使用FBref数据以确保一致性。
世界杯上xGA/90多少算"够用"？
历史数据显示，最近五届世界杯冠军的赛事期间xGA/90均低于1.0。2022年阿根廷决赛圈xGA/90约0.85，2018年法国约0.78。想夺冠，防线xGA/90至少要在0.9以下。
一支球队能在短期内改善xGA吗？
可以。更换战术体系（如从高位逼抢改为中低位回收）可以在几场比赛内显著降低xGA/90。但这通常以牺牲进攻产出（xG降低）为代价。世界杯上的成功球队往往是在xG和xGA之间找到最优平衡。