「常識」值得被懷疑
「沙田 1000 米內檔著數」「跑 1600 排外檔蝕晒」——這類說法在馬迷圈流傳了幾十年。問題不是它們對不對，而是：引用的人幾乎從未親手驗證過。
排位偏差（draw bias）恰恰是賽馬數據分析裡最適合入門的題目：數據公開、變數單純、方法標準。本文示範一套任何人都能複現的驗證流程。我們不給結論——我們給方法，結論你自己算。
第一步：界定問題，愈窄愈好
「沙田有沒有排位偏差」是一個壞問題，因為它把太多不同條件混在一起。正確的做法是切片：
- 場地：沙田（草地）——不要混快活谷，更不要混全天候跑道
- 途程：1000m、1200m、1400m、1600m、1800m、2000m 分開算——起步點、彎道數目、直路長度完全不同
- 班次/讓賽：先不分，但記錄下來做敏感性檢查
- 時間範圍：至少三季，且標明是否橫跨跑道工程或欄位設置（A/B/C 欄）改變
一個合格的分析單元長這樣：「2023–24 至 2025–26 馬季，沙田草地，1000 米，全部賽事」。
第二步：定義「贏」的基線
假設無偏差：一場 14 匹的賽事，每個檔位的期望勝率 = 1/14 ≈ 7.1%。但要注意兩件事：
- 出賽馬數不同：把每場的「每檔期望勝率 = 1/該場出賽馬數」逐場計算再加總，而不是粗暴用平均場均馬數。
- 並非每個檔位都常滿：14 檔在 1000m 的出現頻率遠低於 1–5 檔。比較的應該是「該檔位實際勝率」對「該檔位在同等條件下的期望勝率」。
第三步：統計檢定——卡方只是起點
**卡方檢定（chi-square）**回答的是：「各檔位勝出次數的分佈，與無偏差假設下的期望，差異是否超出運氣範圍？」
但 p-value 達標（例如 < 0.05）只是入場券，還要看：
- 效應量（effect size）：統計顯著 ≠ 實際有用。某檔位勝率 8.5% 對期望 7.1%，即使顯著，幅度也未必有意義。
- 置信區間：每個檔位的勝率用二項分佈置信區間（如 Wilson interval）表達。樣本 200 場和 800 場，區間寬度差一倍。
- 樣本量預算：想檢出「7.1% vs 9%」這種幅度的偏差，粗略需要數百場同條件賽事——三季沙田 1000m 未必夠，這時應該老實寫「證據不足」，而不是硬下結論。
第四步：三個最常見的陷阱
陷阱一：多重比較
14 個檔位 × 6 個途程 × 2 個馬場 = 168 個假設。用 0.05 顯著性門檻，純運氣也會「中」約 8 個。必須做多重比較校正（如 Bonferroni 或 FDR），否則你找到的「偏差」只是噪音。
陷阱二：忽略混淆變數
好馬是否系統性地獲編好檔？在讓賽裡不會（檔位抽籤），但騎練選擇會——當抽籤結果公布後，練馬師可能按檔位決定跑法甚至退賽。更乾淨的做法是控制馬匹實力：用賠率隱含機率做分層，再看同實力層內的檔位效應。
陷阱三：用舊結論套新場地
跑道會變：保養方式、欄位設置（A/B/C 欄）、掛牌場地（好地/黏地）都會改變偏差形態。按場地狀況分層，並對最近兩季加權，比十年平均更有參考價值。
第五步：把結果變成可複現的表格
一份誠實的排位偏差報告只需四欄：
| 檔位 | 出賽次數 | 勝率（95% CI） | 期望勝率 | 比值 |
|---|
配上數據範圍、檢定方法、校正方法，任何人都能用同一批公開賽果重算一遍。這就是本站的標準：方法公開，結論可複現。
與模型的關係
在我們的系統裡，排位不是獨立「貼士」，而是進入模型的眾多特徵之一，其權重由歷史數據決定，並用 Brier 分數持續校準（見〈Brier 分數〉）。單一因素的「常識」值多少錢，校準曲線會老實告訴你。
本文僅供研究與教育用途，不構成任何投注建議。賽馬涉及風險，18+。數據來源：公開賽果；統計方法如上，歡迎複現。