VAR und Fußball-Prognosen: Wie der Videobeweis Ergebnisse verändert
Der Video Assistant Referee hat den Fußball verändert — das ist unbestritten. Umstritten ist, ob zum Besseren. Fans diskutieren über Spielfluss und Emotionen, Schiedsrichter über Autorität und Auslegung. Aber für Prognostiker stellt sich eine andere Frage: Wie beeinflusst VAR die statistischen Muster, auf denen Vorhersagen basieren?
Die Antwort ist nicht trivial. VAR greift in Schlüsselmomente ein: Elfmeter, Tore, Rote Karten. Diese Momente entscheiden Spiele und beeinflussen historische Daten. Wenn Heimteams vor VAR-Einführung von Schiedsrichterfehlern profitierten, verändert VAR den Heimvorteil. Wenn Elfmeter häufiger gegeben werden, steigt die erwartete Torzahl. Solche Verschiebungen müssen in Prognosemodelle einfließen.
Die Bundesliga führte VAR zur Saison 2017/18 ein, als eine der ersten großen europäischen Ligen. Die DFL investierte erheblich in Technologie und Schulung, um Fehlentscheidungen zu minimieren. Seitdem haben Forscher die Auswirkungen analysiert. Die Ergebnisse zeigen signifikante Veränderungen — in Bereichen, die für Prognosen direkt relevant sind. Der Heimvorteil ist gesunken, die Elfmeterverteilung hat sich verschoben, die Konversionsrate bei VAR-überprüften Elfmetern unterscheidet sich von regulären Strafstößen.
Die internationale Einführung erfolgte schrittweise. Die Premier League startete 2019/20, die Serie A und La Liga ebenfalls. Jede Liga hat eigene Implementierungsdetails, eigene Schwellenwerte für Eingriffe, eigene kulturelle Prägungen. Der VAR-Effekt ist deshalb nicht universell, sondern Liga-spezifisch zu analysieren.
Ein oft übersehener Aspekt: VAR verändert nicht nur Entscheidungen, sondern auch Erwartungen. Spieler, Trainer und Fans wissen, dass kritische Szenen überprüft werden. Das beeinflusst Verhalten — vielleicht vorsichtigere Tacklings im Strafraum, vielleicht mehr taktisches Foulspiel außerhalb des VAR-Bereichs. Diese Verhaltensänderungen sind schwerer zu messen als direkte Entscheidungsänderungen.
Für Analysten bedeutet das: Historische Daten aus der Vor-VAR-Ära sind mit Vorsicht zu verwenden. Modelle, die auf Spielen vor 2017 trainiert wurden, könnten systematische Verzerrungen enthalten. Der Videobeweis verändert das Spiel — und die Daten, die wir zur Analyse nutzen.
In den folgenden Abschnitten untersuchen wir, wie VAR den Heimvorteil beeinflusst, welche Veränderungen bei Elfmeter-Statistiken auftreten und welche praktischen Konsequenzen sich für Prognosen ergeben. Der Videobeweis verändert das Spiel — und die Daten, auf denen unsere Modelle basieren.
Der Einfluss auf Heimvorteil
Heimvorteil ist einer der stabilsten Faktoren in Fußball-Prognosen. Heimteams gewinnen häufiger, erzielen mehr Tore, erhalten weniger Karten. Die Ursachen sind vielfältig: Vertraute Umgebung, Fan-Unterstützung, kürzere Anreise, vielleicht auch unbewusste Schiedsrichterbeeinflussung. VAR greift in diesen letzten Faktor ein — mit messbaren Konsequenzen.
Wissenschaftliche Evidenz
Eine Studie in Psychology of Sport and Exercise untersuchte den VAR-Effekt in der Bundesliga. Das Ergebnis: Der Heimvorteil ist seit VAR-Einführung signifikant gesunken (p < 0,001). Die statistische Signifikanz ist hoch — es handelt sich nicht um Zufall oder Stichprobenrauschen.
Die Erklärung liegt in der Schiedsrichterpsychologie. Vor VAR standen Schiedsrichter unter enormem Druck von Heimfans. Studien zeigen, dass sie bei Zweifeln eher zugunsten der Heimmannschaft entschieden — unbewusst, aber messbar. VAR entlastet sie: Kritische Entscheidungen können überprüft werden, der Druck sinkt, und damit die Tendenz zur Heimteam-Bevorzugung.
Interessanterweise zeigen die Daten, dass nicht nur Elfmeter-Entscheidungen betroffen sind. Auch bei Freistößen, Gelben Karten und anderen Situationen zeigt sich eine Angleichung zwischen Heim- und Auswärtsteams. Der VAR-Effekt strahlt über die direkt überprüfbaren Situationen hinaus.
Ausmaß der Veränderung
Die Elfmeterverteilung ist ein guter Indikator. Eine Analyse in PLOS ONE zeigt, dass Heimteams vor VAR-Einführung 81 Prozent aller Elfmeter zugesprochen bekamen, während Gastteams nur 51 Prozent erhielten. Diese Asymmetrie war statistisch nicht durch Spielqualität erklärbar — sie deutete auf systematische Schiedsrichtertendenz hin.
Nach VAR-Einführung hat sich die Verteilung ausgeglichen. Die genauen Zahlen variieren nach Liga und Zeitraum, aber der Trend ist eindeutig: Auswärtsteams erhalten mehr Elfmeter als früher, Heimteams weniger. Für Prognosen bedeutet das eine Korrektur des historischen Heimvorteils nach unten.
Die Größenordnung der Veränderung ist bedeutsam. Ein Unterschied von 30 Prozentpunkten bei der Elfmeterverteilung (81% vs 51%) entspricht ungefähr einem zusätzlichen Elfmeter alle sechs Spiele. Das klingt nach wenig, aber über eine Saison summiert es sich. Für Modelle, die auf historischen Daten basieren, ist das ein systematischer Bias.
Implikationen für Modelle
Wenn Ihr Modell auf Daten vor 2017 trainiert wurde, überschätzt es vermutlich den Heimvorteil. Die Korrektur ist nicht trivial: Wie viel Heimvorteil war real (Fans, Vertrautheit) und wie viel war Schiedsrichterbias? Die Antwort hängt von Annahmen ab, die schwer zu verifizieren sind.
Ein pragmatischer Ansatz: Trainieren Sie Modelle nur auf Daten seit VAR-Einführung. Das reduziert die Datenmenge, erhöht aber die Relevanz. Oder fügen Sie ein VAR-Feature hinzu: eine binäre Variable, die angibt, ob das Spiel mit oder ohne Videobeweis stattfand. Das Modell lernt dann selbst, den Unterschied zu quantifizieren.
Unterschiede zwischen Ligen
Der VAR-Effekt ist nicht überall gleich. Die Bundesliga führte früh ein, Premier League und Serie A folgten später. Die technische Implementierung unterscheidet sich, ebenso die Eingriffschwellen. Manche Ligen wenden VAR restriktiver an als andere.
Für länderübergreifende Modelle ist das problematisch. Ein universeller Heimvorteil-Koeffizient funktioniert nicht mehr. Besser: Ligen-spezifische Parameter, die den jeweiligen VAR-Stand berücksichtigen. Das erhöht die Modellkomplexität, verbessert aber die Prognosequalität.
Psychologische Effekte
VAR beeinflusst nicht nur Entscheidungen, sondern auch Verhalten. Spieler wissen, dass ihre Aktionen überprüft werden können. Das könnte zu vorsichtigerem Zweikampfverhalten im Strafraum führen — weniger riskante Tacklings, weniger Elfmeter. Oder zum Gegenteil: Mehr Simulation in der Hoffnung, dass VAR einen Elfmeter findet.
Die Evidenz ist hier dünn. Psychologische Verhaltensänderungen sind schwer zu messen. Aber die Möglichkeit besteht, dass VAR das Spielerverhalten verändert hat, nicht nur die Schiedsrichterentscheidungen. Für Modelle wäre das ein zusätzlicher Faktor, der schwer zu quantifizieren ist.
Der COVID-Effekt als Kontrast
Die COVID-19-Pandemie bot eine natürliche Kontrollgruppe: Geisterspiele ohne Fans. Studien zeigen, dass der Heimvorteil während dieser Phase fast vollständig verschwand. Das deutet darauf hin, dass Fan-Einfluss — direkt oder über Schiedsrichterdruck — ein wesentlicher Faktor ist.
Für die VAR-Analyse ist das aufschlussreich. Wenn Fans den Heimvorteil treiben und VAR den Schiedsrichterdruck reduziert, sollte der VAR-Effekt stärker sein, wenn die Fans zurückkehren. Die Daten seit 2021 könnten hier Aufschluss geben, aber die Analysen sind noch nicht abgeschlossen.
Der COVID-Vergleich zeigt auch die Grenzen der VAR-Wirkung. Selbst mit VAR verschwindet der Heimvorteil nicht vollständig — Fans sind immer noch da, Anreise ist immer noch länger, Vertrautheit mit dem Platz bleibt. VAR reduziert einen Faktor (Schiedsrichterbias), aber nicht alle.
Für Modelle bedeutet das: Der Heimvorteil ist mehrfach determiniert. VAR adressiert einen Teil, COVID zeigte einen anderen. Ein vollständiges Modell müsste alle Faktoren berücksichtigen — was praktisch kaum möglich ist. Die pragmatische Lösung: Einen reduzierten, aber nicht null Heimvorteil annehmen.
VAR und Elfmeter-Statistiken
Elfmeter sind Hochrisiko-Ereignisse. Mit etwa 76 Prozent Konversionsrate können sie Spiele entscheiden. VAR hat die Elfmeter-Dynamik verändert — in Frequenz, Verteilung und Ausführung.
Mehr Elfmeter in manchen Ligen
Eine Studie im MDPI-Journal Applied Sciences vergleicht Elfmeterstatistiken vor und nach VAR in verschiedenen Ligen. Das Ergebnis ist überraschend uneinheitlich: In der Bundesliga stieg die Elfmeterzahl nach VAR-Einführung, in der Serie A sank sie. Die Gründe sind unklar — möglicherweise spielen kulturelle Unterschiede in der VAR-Anwendung eine Rolle.
Die Bundesliga zeigt eine klare Tendenz: Mehr strittige Szenen werden erkannt, mehr Elfmeter gegeben. Der DFB hat VAR als Werkzeug zur Fehlerkorrektur positioniert, und das scheint zu funktionieren. Situationen, die früher übersehen wurden — leichte Berührungen, versteckte Handspiele — werden jetzt erkannt.
In Italien ist die Entwicklung anders. Die Serie A war vor VAR bekannt für viele Elfmeter, oft kontrovers. VAR hat dort eher zu Zurückhaltung geführt: Schiedsrichter wissen, dass ihre Entscheidungen überprüft werden, und pfeifen vorsichtiger. Die Elfmeterzahl ist gesunken.
Für Prognosen bedeutet das: Pauschale Anpassungen funktionieren nicht. Sie müssen Liga-spezifisch analysieren, wie VAR die Elfmeterfrequenz beeinflusst. Die Bundesliga zeigt andere Muster als die Serie A, und beide unterscheiden sich von der Premier League.
Die Konversionsrate bei VAR-Elfmetern
Ein weniger bekanntes Phänomen: Elfmeter, die nach VAR-Intervention gegeben werden, haben eine signifikant niedrigere Konversionsrate als reguläre Elfmeter. Eine Studie in Taylor & Francis dokumentiert diesen Effekt.
Die möglichen Erklärungen sind psychologischer Natur. Die Wartezeit während der VAR-Überprüfung erhöht den Druck auf den Schützen. Die Situation ist ungewohnt, die Fans unruhig, der Moment verliert an Spontaneität. Torwarte haben mehr Zeit, sich vorzubereiten und den Schützen zu analysieren. All das könnte die Trefferquote senken.
Interessant ist auch der Effekt auf den Schützen selbst. Wer regulär zum Elfmeter antritt, hat meist die Situation verarbeitet: Foul, Pfiff, Anlauf. Bei VAR-Elfmetern ist der Ablauf gestört. Der Schütze muss warten, die Emotion verebbt, die Konzentration kann schwanken. Diese psychologische Dynamik ist schwer zu quantifizieren, aber sie manifestiert sich in den Daten.
Für Wetten auf Über/Unter-Märkte ist das relevant. Wenn VAR-Elfmeter seltener verwandelt werden, sinkt die erwartete Torzahl in Spielen mit vielen strittigen Szenen. Ob sich das quantifizieren und in Wettstrategien umsetzen lässt, ist eine offene Frage — aber die Richtung des Effekts ist klar.
Handspiel-Entscheidungen
Die kontroverseste VAR-Kategorie: Handspiele im Strafraum. Die Regelauslegung hat sich mehrfach geändert, und Schiedsrichter sind sich oft uneinig. Die Folge: Mehr Elfmeter für Handspiele, aber auch mehr Frustration bei Spielern und Fans.
Statistisch zeigt sich: Handspiel-Elfmeter sind volatiler als andere Elfmeter-Typen. Sie hängen stark von der Regelinterpretation des jeweiligen Schiedsrichters ab. Die Definition von „unnatürlicher Handhaltung“ variiert, und selbst VAR kann nicht alle Subjektivität eliminieren.
Für Prognosen ist das problematisch, weil der Zufall zunimmt. Ein Modell, das Elfmeter vorhersagen will, muss mit dieser zusätzlichen Unsicherheit umgehen. Die Lösung könnte sein, Handspiel-Elfmeter separat zu modellieren — mit höherer Varianz als reguläre Elfmeter.
Die Regeländerungen erschweren die Analyse zusätzlich. Was 2019 ein Handspiel war, ist 2026 vielleicht keines mehr. Modelle, die auf historischen Handspiel-Entscheidungen trainiert wurden, können systematisch falsch liegen, wenn sich die Regeln geändert haben.
Abseitsentscheidungen und Torannullierungen
VAR überprüft nicht nur Elfmeter. Tore werden auf Abseits geprüft, oft mit millimetergenauen Linien. Die Konsequenz: Mehr annullierte Tore als vor VAR. Für xG-basierte Modelle ist das relevant, weil xG den Schuss bewertet, nicht das Ergebnis. Ein Tor, das wegen Abseits nicht zählt, reduziert die tatsächliche Torzahl, aber nicht den xG-Wert.
Die Diskrepanz zwischen xG und Toren hat sich in der VAR-Ära vergrößert — zumindest für manche Teams. Mannschaften, die viel über schnelle Konter spielen und knapp im Abseits stehen, verlieren überproportional viele Tore durch VAR. Mannschaften mit kontrolliertem Ballbesitzspiel sind weniger betroffen.
Rote Karten und Spielverläufe
VAR überprüft auch Szenen, die zu Roten Karten führen könnten. Das hat zwei Effekte: Erstens werden mehr Vergehen erkannt, die der Schiedsrichter übersehen hat. Zweitens werden Fehlentscheidungen korrigiert — Spieler, die zu Unrecht des Feldes verwiesen wurden, bleiben auf dem Platz.
Die Nettoeffekt auf Rote Karten ist unklar. Manche Studien zeigen leichte Zunahmen, andere keine signifikante Veränderung. Für Prognosen ist das weniger kritisch als bei Elfmetern, weil Rote Karten seltener sind und ihr Einfluss schwerer zu modellieren ist.
Die Varianz nimmt zu
Ein unterschätzter Effekt: VAR erhöht die Varianz einzelner Spiele. Entscheidungen, die früher endgültig waren, können jetzt revidiert werden. Ein Tor in der 70. Minute kann drei Minuten später annulliert werden. Diese Unsicherheit betrifft nicht nur Fans, sondern auch Modelle, die Spielverläufe simulieren.
Für Live-Wetten ist das besonders relevant. Die Quoten schwanken stärker, weil VAR-Überprüfungen plötzliche Wendungen ermöglichen. Wer auf xG-Entwicklung im Spiel setzt, muss mit größerer Unsicherheit rechnen. Ein Tor, das nach xG-Logik „verdient“ war, kann trotzdem nicht zählen.
Die erhöhte Varianz hat auch psychologische Effekte auf die Spieler. Teams, die ein Tor feiern und dann sehen, wie es annulliert wird, reagieren unterschiedlich. Manche erholen sich schnell, andere verlieren den Faden. Diese Dynamik ist schwer zu modellieren, beeinflusst aber das Spielgeschehen.
Für Prognostiker bedeutet das: Seien Sie sich der zusätzlichen Unsicherheit bewusst. Modelle, die auf Vor-VAR-Daten kalibriert wurden, unterschätzen möglicherweise die Spielvarianz. Eine Anpassung der Konfidenzintervalle könnte angemessen sein.
Prognosen anpassen: Praktische Konsequenzen
Die statistischen Veränderungen durch VAR erfordern Anpassungen in Prognosemodellen. Hier sind die praktischen Schritte, die Analysten berücksichtigen sollten.
Heimvorteil neu kalibrieren
Der offensichtlichste Schritt: Reduzieren Sie den Heimvorteil-Koeffizienten in Ihrem Modell. Wie stark, hängt von der Liga ab. Für die Bundesliga deuten die Studien auf eine Reduktion von 10 bis 20 Prozent hin. Das bedeutet: Wenn Ihr Modell dem Heimteam bisher +0,5 erwartete Tore gab, sind es jetzt vielleicht +0,4 oder +0,45.
Die Kalibrierung erfordert Sorgfalt. Sie sollten nicht einfach einen Pauschalbetrag abziehen, sondern die tatsächlichen Daten analysieren. Wie hat sich der Heimvorteil in Ihrer Zielliga seit VAR-Einführung entwickelt? Gibt es Trends über die Saisons hinweg? Diese Fragen erfordern eigene Analysen.
Wissenschaftliche Untersuchungen zeigen, dass VAR die Schiedsrichter-Bias reduziert, aber nicht vollständig eliminiert. Eine Analyse dokumentiert, dass Heimteams auch unter VAR leichte Vorteile genießen — nur eben geringere als zuvor. Die vollständige Neutralität ist nicht erreicht.
Elfmeter-Erwartungen anpassen
Für Über/Unter-Märkte und exakte Ergebnisprognosen sind Elfmeter relevant. Integrieren Sie Liga-spezifische Elfmeter-Raten in Ihr Modell. Die Bundesliga zeigt höhere Raten als vor VAR, die Serie A niedrigere. Pauschale Annahmen führen zu systematischen Fehlern.
Berücksichtigen Sie auch die Konversionsrate. Wenn VAR-Elfmeter seltener verwandelt werden, sinkt die erwartete Torzahl pro Elfmeter. Das ist ein kleiner Effekt, aber über viele Spiele kumuliert er. Ein Modell, das jeden Elfmeter mit 0,76 erwarteten Toren bewertet, überschätzt VAR-Elfmeter.
Datenqualität prüfen
Wenn Ihre Datenquelle Elfmeter nicht nach VAR-Intervention differenziert, verlieren Sie Information. Idealerweise erfassen Sie, ob ein Elfmeter regulär gepfiffen oder nach VAR-Überprüfung gegeben wurde. Diese Unterscheidung ermöglicht präzisere Modelle.
Dr. Kevin Moore, Director des National Football Museum, beschreibt die Veränderung durch datengetriebene Analyse so: „Fascinating and convincing explanation and analysis of this complex subject. This book will revolutionise how fans understand the game.“ — Dr. Kevin Moore, Director, National Football Museum. Die Revolution betrifft nicht nur Fans, sondern auch Analysten, die ihre Methoden an neue Realitäten anpassen müssen.
Zeitliche Segmentierung
Die sauberste Lösung: Trennen Sie Ihre Daten in Vor-VAR und Nach-VAR. Trainieren Sie Modelle nur auf der relevanten Periode. Für aktuelle Prognosen sind Spiele aus 2010 weniger informativ als solche aus 2023. Die Spielregeln haben sich geändert, und damit die statistischen Muster.
Das kostet Datenmenge. Die Bundesliga hat seit VAR etwa sieben Saisons absolviert, das sind rund 2.100 Spiele. Für simple Modelle reicht das, für komplexe Machine-Learning-Ansätze wird es eng. Ein Kompromiss: Gewichten Sie ältere Daten niedriger, statt sie komplett auszuschließen.
Eine elegante Lösung ist exponentielles Gewichten: Jede Saison vor der aktuellen erhält einen reduzierten Einfluss. Spiele von vor fünf Jahren zählen dann etwa halb so viel wie aktuelle. Das bewahrt Datenmenge, während es die Relevanzverschiebung berücksichtigt.
Spielspezifische Faktoren
Manche Spiele sind VAR-anfälliger als andere. Intensive Derbys mit vielen Zweikämpfen produzieren mehr strittige Szenen. Spiele gegen tief stehende Gegner führen zu mehr Strafraum-Aktionen und damit mehr potenziellen VAR-Eingriffen. Diese Kontextfaktoren könnten als Features in Modelle einfließen.
Die Schiedsrichter-Besetzung ist ein weiterer Faktor. Manche Referees nutzen VAR häufiger als andere. Wenn Sie wissen, wer pfeift, können Sie Ihre Prognose anpassen. Allerdings sind solche Daten schwer systematisch zu erfassen.
Langfristige Trends beobachten
VAR ist noch relativ neu. Die Regeln werden angepasst, die Anwendung verfeinert, die Schiedsrichter erfahrener. Das bedeutet: Auch der VAR-Effekt selbst könnte sich über Zeit verändern. Was 2018 galt, gilt vielleicht 2026 nicht mehr.
Für Modelle bedeutet das: Regelmäßige Rekalibrierung ist nötig. Ein statischer Heimvorteil-Koeffizient, einmal berechnet und nie angepasst, wird obsolet. Die beste Praxis: Rollende Zeitfenster, die nur die letzten zwei bis drei Saisons berücksichtigen.
Die Grenzen der Quantifizierung
Nicht alles lässt sich in Zahlen fassen. VAR verändert die Spielatmosphäre, die Emotionen, die Spontaneität. Diese qualitativen Faktoren beeinflussen möglicherweise die Leistung von Spielern und Teams, sind aber schwer zu messen. Ein Modell, das nur quantitative Daten verarbeitet, erfasst diese Dimension nicht.
Die Konsequenz: Auch nach sorgfältiger VAR-Anpassung bleibt Restunsicherheit. Der Videobeweis hat den Fußball komplexer gemacht — nicht nur für Fans und Schiedsrichter, sondern auch für Analysten. Die zusätzliche Unsicherheit lässt sich nicht eliminieren, nur anerkennen.
Für praktische Wettstrategien bedeutet das: Seien Sie vorsichtiger mit Ihren Konfidenzintervallen. Wenn VAR zusätzliche Varianz einführt, sollten Sie weniger aggressive Einsätze wählen. Die Kelly-Kriterium-Empfehlung gilt umso mehr: Setzen Sie einen Bruchteil des mathematisch optimalen Einsatzes, um unvorhergesehene Schwankungen abzufedern.
VAR hat den Fußball verändert — nicht nur auf dem Platz, sondern auch in den Daten. Der Heimvorteil ist gesunken, Elfmeter-Statistiken haben sich verschoben, und historische Muster sind teilweise obsolet geworden. Für Prognostiker bedeutet das: Anpassung ist notwendig.
Die gute Nachricht: Die Veränderungen sind messbar und können in Modelle integriert werden. Wer seine Daten segmentiert, Liga-spezifisch analysiert und Heimvorteil-Koeffizienten aktualisiert, kann von den neuen Mustern profitieren. Der Videobeweis verändert das Spiel — wer die Daten versteht, kann darauf reagieren.
Die wichtigsten Erkenntnisse: Reduzieren Sie den Heimvorteil um 10 bis 20 Prozent. Berücksichtigen Sie Liga-spezifische Elfmeter-Raten. Trainieren Sie Modelle auf Post-VAR-Daten. Und beobachten Sie die Entwicklung, denn VAR selbst ist noch in Evolution.
Für den tieferen Einstieg empfiehlt sich die Kombination mit anderen Methoden: ELO-Ratings für Basisstärke, xG für Chancenqualität, und VAR-adjustierte Faktoren für den Heimvorteil. Ein gutes Modell integriert alle relevanten Informationen — auch die, die sich erst in den letzten Jahren verändert haben.
Der Videobeweis ist gekommen, um zu bleiben. Die Diskussion über seine Berechtigung wird weitergehen, aber für Analysten ist das irrelevant. Was zählt, sind die Daten — und die haben sich verändert. Passen Sie Ihre Modelle an, und Sie werden die neue Realität besser navigieren.