偏移模型是对每场比赛的目标进行建模，如下所示：

log(goals/games) = a+bx

相当于

log(goals) -log(games) = a+bx

相当于

log(goals)= a+bx +log(games)   <-this is an offset model, assumes coef on the last term =1

请参阅此处的幻灯片 35： http ://www.ed.uiuc.edu/courses/EdPsy490AT/lectures/4glm3-ha-online.pdf

如果您认为 a+bx 与进球数与比赛的对数比率（比率）有关，请使用偏移量。如果你觉得有更复杂的游戏效果，也许是积累经验，不要。有关更多讨论，请参阅：http ://ezinearticles.com/?The-Exposure-and-Offset-Variables-in-Poisson-Regression-Models&id=2155811

一些简单的点不能直接解决您关于偏移量的问题：

• 我会看看比赛次数是否与平均进球数相关。在我能想到的许多精英进球运动（例如足球、澳式足球等）中，我会预测职业生涯的寿命与职业生涯的成功有关。至少对于担任进球角色的球员来说，成功与进球数有关。如果这是真的，那么游戏数量将捕获两种效果。一个是关于更多的比赛意味着更多的进球机会这一事实。另一个将捕获与技能相关的效果。您可以检查比赛次数和平均进球数（例如，进球数/比赛次数）之间的关系来探索这一点。我认为这对你所做的任何建模都有实质性的影响。
• 我的直觉是将因变量转换为每场比赛的平均进球数。我意识到对于那些玩更多游戏的人来说，你会更精确地衡量一个玩家的技能，所以这可能是个问题。根据您想要的模型精度，以及由此产生的玩家均值分布，您也许可以依赖标准线性建模技术。但也许这有点过于适用于您的目的，也许您有理由想要对总进球数进行建模。