76-vol. 38, núm. 2, julio-diciembre, 2023
Artículos

¿Cuál es el equipo más grande de la Liga MX? Un análisis dinámico

pdf

PDF (English)
pdf

XML (English)
  • Francisco Corona,
  • Nelson Muriel,
  • Jesús López-Pérez
Francisco Corona
Instituto Nacional de Estadística y Geografía
Nelson Muriel
Universidad Iberoamericana
Jesús López-Pérez
Instituto Nacional de Estadística y Geografía
DOI: https://doi.org/10.24201/ee.v38i2.442

Publicado 2023-07-20

Palabras clave

  • variables financieras,
  • fútbol,
  • grandeza,
  • popularidad,
  • análisis de componentes principales

Cómo citar

Corona, F., Muriel, N., & López-Pérez, J. (2023). ¿Cuál es el equipo más grande de la Liga MX? Un análisis dinámico. Estudios Económicos De El Colegio De México, 38(2), 225–260. https://doi.org/10.24201/ee.v38i2.442

Métrica

Resumen

En este trabajo presentamos un procedimiento estadístico para responder a un cuestionamiento frecuentemente realizado por el periodismo deportivo mexicano: ¿cuál es el equipo más grande de la Liga MX? Se realizan Análisis de Componentes Principales a diversos conjuntos de datos durante el periodo 2011-2019, que incluyen variables relacionadas con éxitos deportivos - tanto nacionales como internacionales - y otras como la popularidad y el valor de mercado de los equipos. Los resultados permiten analizar el concepto de “grandeza” en el tiempo, lo anterior a través de la variable latente estimada. Concluimos que el equipo más grande dentro del periodo analizado es el Club América, seguido del C.D. Guadalajara y del C.F. Cruz Azul. Adicionalmente, en la actualidad, el Club Tigres de la Universidad Autónoma de Nuevo León y el C.F. Monterrey desplazan a equipos como el Deportivo Toluca F.C. y el Club Universidad Nacional.

pdf

PDF (English)
pdf

XML (English)

Descargas

Los datos de descargas todavía no están disponibles.

Citas

  1. Ahn, S. and A. Horenstein. 2013. Eigenvalue ratio test for the number of factors, Econometrica, 81(3): 1203-1227. DOI: https://doi.org/10.3982/ECTA8968
  2. Bai, J. and S. Ng. 2004. A PANIC attack on unit roots and cointegration, Econometrica, 72(4): 1127-1177. DOI: https://doi.org/10.1111/j.1468-0262.2004.00528.x
  3. Bai, J. and S. Ng. 2013. Principal components estimation and identification of static factors, Journal of Econometrics, 176(1): 18-29. DOI: https://doi.org/10.1016/j.jeconom.2013.03.007
  4. Baker, R. and I. McHale. 2015. Time varying ratings in association football: The all-time greatest team is..., Journal of the Royal Statistical Society: Series A (Statistics in Society), 178(2): 481-492. DOI: https://doi.org/10.1111/rssa.12060
  5. Corona, F., N. Muriel, and G. González-Farías. 2021. Dynamic factor structure of team performances in Liga MX, Journal of Applied Statistics, 49(7): 1900-1912. DOI: https://doi.org/10.1080/02664763.2021.1881946
  6. Corona, F., J. Tena, and M. Wiper. 2017. On the importance of the probabilistic model in identifying the most decisive games in a tournament, Journal of Quantitative Analysis in Sports, 13: 11-23. DOI: https://doi.org/10.1515/jqas-2016-0013
  7. ESPN. 2019. Los cuatro 'grandes' de Liga MX fracasan en inferiores, https://www.espn.com.mx/futbol/mexico/nota/_/id/5296826/los-cuatro-grandes-de-liga-mx-fracasan-en-inferiores.
  8. Faitelson. 2017. "Animal" de liguilla, https://www.espn.com.mx/blogs/index?nombre=david_faitelson&entryID=3729412
  9. Georgievski, B. and L. Labadze. 2020. Success factors and revealed comparative advantage in the NBA, Journal of Physical Education and Sport, 20(6): 3420-3427.
  10. Georgievski, B., L. Labadze, and M.E. Aboelsoud. 2019. Comparative advantage as a success factor in football clubs: Evidence from the English Premier League (EPL), Journal of Human Sport and Exercise, 14(2): 292-314. DOI: https://doi.org/10.14198/jhse.2019.142.04
  11. Glickman, M. and H. Stern. 1998. A state-space model for national football league scores, Journal of the American Statistical Association, 43(441): 25-35. DOI: https://doi.org/10.1080/01621459.1998.10474084
  12. Jolliffe, I.M. 2010. Principal Component Analysis, New York, Springer. DOI: https://doi.org/10.1007/978-3-642-04898-2_455
  13. Maher, M.J. 1982. Modelling association football scores, Statistica Neerlandica, 36: 109-118. DOI: https://doi.org/10.1111/j.1467-9574.1982.tb00782.x
  14. Mikolajec, K., A. Maszczyk, and T. Zajkac. 2013. Game indicators determining sports performance in the NBA, Journal of Human Kinetics, 37(1): 145-151. DOI: https://doi.org/10.2478/hukin-2013-0035
  15. Onatski, A. 2010. Determining the number of factors from empirical distribution of eigenvalues, The Review of Economics and Statistics, 92(4): 1004-1016. DOI: https://doi.org/10.1162/REST_a_00043
  16. Stefani, R. and R. Pollard. 2007. Football rating systems for top-level competition: A critical survey, Journal of Quantitative Analysis in Sports, 3(3): 1-17. DOI: https://doi.org/10.2202/1559-0410.1071
  17. Stock, J.H. and M.W. Watson. 2011. Dynamic factor models, in M.P. Clements and D.F. Hendry (eds.), Oxford Handbook of Economic Forecasting, Oxford, Oxford University Press. DOI: https://doi.org/10.1093/oxfordhb/9780195398649.013.0003
  18. Velázquez-Guadarrama, C. and J.M. Hernández-Velázquez. 2022. Cambio de director técnico en el fútbol mexicano. Evidencia de 2009 a 2018, Estudios Económicos, 37(1): 149-170. DOI: https://doi.org/10.24201/ee.v37i1.428