Identification of Performance Factors and Derivation of Prediction Regression for Tour Players Participating in the 2024 KLPGA

Kim, Tae-Hyeong; Park, He-Jeung; Kim, Su-Jin; Park, Ju-Hun; Lee, Su-Min; Kwak, Hyo-Bum; Kang, Ju-Hee; Park, Dong-Ho; 태형 김; 희정 박; 수진 김; 주훈 박; 수민 이; 효범 곽; 주희 강; 동호 박

doi:10.15857/ksep.2025.00360

Exerc Sci > Volume 34(4); 2025 > Article

2024년 KLPGA 투어에 참가한 투어 선수들의 경기력 요인 판별 및 예측 회귀식 도출

Original Article

Exerc Sci. 2025; 34(4): 436-445.

Published online: Sep 24, 2025

DOI: https://doi.org/10.15857/ksep.2025.00360

2024년 KLPGA 투어에 참가한 투어 선수들의 경기력 요인 판별 및 예측 회귀식 도출

김태형 BA^1,^†

, 박희정 MA^2,^†

, 김수진 PhD^2,³

, 박주훈 BA¹

, 이수민 BA¹

, 곽효범 PhD^1,²

, 강주희 MD/PhD^1,³

, 박동호 PhD^1,²

¹인하대학교 바이오메디컬사이언스•엔지니어링학과

²인하대학교 스포츠과학과

³인하대학교 의과대학 약리학교실 및 세포교신제어연구센터

Identification of Performance Factors and Derivation of Prediction Regression for Tour Players Participating in the 2024 KLPGA

Tae-Hyeong Kim BA^1,^†

, He-Jeung Park MA^2,^†

, Su-Jin Kim PhD^2,³

, Ju-Hun Park BA¹

, Su-Min Lee BA¹

, Hyo-Bum Kwak PhD^1,²

, Ju-Hee Kang MD/PhD^1,³

, Dong-Ho Park PhD^1,²

¹Department of Biomedical Science, Program in Biomedical Science & Engineering, Inha University, Incheon, Korea

²Department of Kinesiology, Inha University, Incheon, Korea

³Department of Pharmacology and Research Center for Controlling Intercellular Communication, College of Medicine, Inha University, Incheon, Korea

Corresponding author: Dong-Ho Park Tel +82-32-860-8182 Fax +82-32-860-8188 E-mail dparkosu@inha.ac.kr

†These authors contribut ed equally.

*본 연구는 인하대학교 연구비 지원을 받아 수행되었습니다.

Received Jun 5, 2025 Revised Aug 24, 2025 Accepted Sep 1, 2025

This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/4.0/) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

Abstract

PURPOSE

This study aimed to identify key performance indicators influencing average strokes among Korean Ladies Professional golfers participating in the 2024 KLPGA (Korea Ladies Professional Golf Association) Tour and to develop a regression model to predict performance outcomes based on multiple technical factors. In Korea, despite the growing global recognition of the KLPGA Tour, systematic research identifying key indicators of performance and developing predictive models remains scarce. Considering that women’s professional golf may involve different determinants of success compared to men’s golf, there is a pressing need for empirical research that reflects the specific characteristics of KLPGA players.

METHODS

Data from 119 players in the 2024 KLPGA Tour were analyzed. Fifteen performance variables were examined using Pearson’s correlation and stepwise multiple regression to identify predictors of average strokes. Group differences among the top 10, the top 11–60, and the top 61–119 players were assessed using One-way ANOVA.

RESULTS

Significant group differences were found in key performance variables such as Drive distance (yards), On green (%), Putting success on GIR (%), Sand save (%), Average birdie (%), and Par break (%). The final regression models included Par save (%), Par break (%), Fairway (%), and Recovery (%) with a high explanatory power (Adjusted r²=.990).

CONCLUSIONS

This study identified key performance factors associated with Average strokes (#) among KLPGA players. Although Drive distance showed a weak direct correlation with average strokes, its strong association with other core variables suggests its indirect relevance to performance. These performance factors constitute critical determinants of individual athletic performance enhancement and offer substantial value in formulating effective training strategies. Further studies using multi-season and environmental data are recommended to enhance generalizability.

색인어: 골프 수행력, 2024 KLPGA, 평균 타수, 경기력 요인, 회귀 방정식

Keywords: Golf performance, 2024 KLPGA, Average strokes, Performance factors, Regression equations

서 론

골프는 클럽과 공을 이용해 정해진 코스를 최소 타수로 완료하는 것을 목표로 하는 스포츠로, 기술적 숙련도, 신체적 능력, 심리적 안정성을 모두 요구하는 복합적인 종목이다[1]. 한국에서 골프는 인기 스포츠 중 하나이며, 한국여자프로골프협회(KLPGA)를 중심으로 매년 국제 대회에서 우수한 성과를 거두는 선수들이 꾸준히 배출되고 있다. 이에 따라 경기력 향상을 위한 생리학적, 역학적 분석 등 다양한 분야의 연구가 국내외에서 지속적으로 진행되고 있으며[2-5], 특히 선수들의 경기 기록을 이용하여 경기력 요인을 분석한 연구가 다수 진행된 바 있다[6-8].

골프에서는 그린 적중률, 페어웨이 안착률, 드라이버 비거리, 퍼팅 성공률 등 세부 데이터를 기반으로 분석이 이루어지고 있으며[9-11], 개별 선수의 강점과 약점을 파악하고, 이를 개선하기 위한 훈련 프로그램 및 경기 전략을 사용하여 경기력을 향상시키고 있다. 또한 현대 골프 경기에서는 장비의 발전과 체력 강화 프로그램의 도입으로 인해 선수들의 경기력이 과거에 비해 크게 향상되었으며[12], 이러한 변화로 인해 대회를 개최하는 골프장의 코스 길이와 난이도가 지속적으로 증가하는 경향이 나타나고 있다. 이에 따라 일부 연구에서는 드라이버의 비거리가 경기력을 결정짓는 주요한 요인이라고 제안되었으나[11,13,14], KLPGA 선수들을 대상으로 한 최근 연구에서는 경기력과의 낮은 연관성이 보고되었다[9]. 즉, 정확성을 대변하는 페어웨이 안착률과 그린 적중률에서 경기력과 높은 연관성이 나타나는 등 연구마다 상이한 결과가 보고되고 있다[15,16]. 하지만 골프의 특성상 다양한 요소들이 복합적으로 경기력에 영향을 미치기에 단순히 드라이버의 비거리 또는 샷의 정확성을 구분하여 평가하는 것은 무리가 있으며, 선수들의 경기력에 영향을 미치는 경기력의 주요 요인들에 대한 보다 면밀하고 종합적인 분석이 필요하다. 더욱이 선수들의 경기력 향상 및 경기 환경의 변화에 적합한 최신 동향이 반영된 연구가 필요하다.

현대 골프의 경기력 분석에는 선수 개인의 기술과 체력요인 뿐만 아니라, 각 투어의 환경 영향을 포괄적으로 반영한 접근이 요구되고 있다[17]. KLPGA 투어는 대체로 한국 내에서 열리는 대회로, 참가 선수들이 주로 동일한 환경 요인에 익숙하다는 특징이 있다. 하지만, LPGA 투어는 다양한 대륙과 국가에서 개최되기 때문에 선수들은 대회 장소마다 상이한 환경 요인에 신속히 적응해야 한다. 따라서 이러한 차이는 경기 준비 단계에서부터 경기 중 전략까지 다양한 측면에서 영향을 미칠 것으로 판단된다. 예를 들어, 잔디의 종류에 따른 볼 구름 특성 변화는 퍼팅 전략에 직접적으로 영향을 미치며, 고도가 높은 지역에서 열리는 대회는 공의 비거리가 증가하기 때문에 클럽 선택에 주의를 기울여야 한다. 이에 따라 각 투어마다 경기력 결정 요인의 차이가 발생할 수 있으며, 환경 요인의 변화에 의한 경기력 결정 요인의 분석은 향후 LPGA에 진출을 준비하는 선수들이 경쟁력을 갖추기 위한 전략을 수립하는 데 도움을 줄 수 있을 것으로 기대된다.

이를 바탕으로 현재 LPGA와 KLPGA의 경기력 요인의 차이를 비교한 연구가 다수 진행되어 있으나[14, 16, 18] 대부분 2022년 이전 데이터를 기반으로 하고 있기에 최신 데이터를 활용한 연구가 필요한 상황이다. 또한 KLPGA 선수들의 경기력 요인에 대한 연구는 LPGA와 비교했을 때 상대적으로 적으며, 최신 데이터를 반영한 분석은 거의 이루어지지 않았다. 이는 KLPGA 선수들이 LPGA에 진출할 때 겪는 환경 적응 문제뿐만 아니라 KLPGA 선수들의 경쟁력 강화 방안을 체계적으로 파악하고, 수립하는데 한계가 있다. 따라서KLPGA 선수들의 경기력 요인을 종합적으로 분석하고, 최신 경향을 반영한 연구가 필요하다는 점이 더욱 강조되는 실정이다.

따라서 본 연구의 목적은 2024년 대회에 참가한 KLPGA 선수의 랭킹과 경기력 요인 간의 상관관계 및 상·중·하위 집단 간 경기력 요인의 차이를 분석함으로써 Top 10 유지 또는 진입에 필요한 KLPGA 선수의 경기력 요인들을 도출하여 지도자 및 선수들이 훈련 목표를 구체적으로 세울 수 있는 정보를 제공하고, 다중 회귀 분석을 통해 선수의 경기력을 예측하는 회귀식을 제시하고자 한다.

연구 방법

1. 연구 대상

본 연구의 대상자는 2024년 KLPGA 정규 투어에 참여한 프로 여자 골프선수들로 구성되었으며, KLPGA 공식 홈페이지에서 제공된 정규 투어에 참가한 1위부터 154위까지의 선수 중 10회 미만의 투어 참여 선수 22명과 외국인 13명을 제외한 119명(1위부터 137위)을 대상으로 분석을 실시하였다. 본 연구에 활용된 대상자들의 신체적 특성 및 KLPGA 입회 년도에 대한 정보는 Table 1과 같다. 이 연구는 I 대학의 기관생명윤리위원회로부터 승인(241125-1A)을 받아 시행하였다.

2. 연구 내용 및 분석 항목

본 연구는 2024년 KLPGA 정규투어에 참여한 119명의 선수들을 대상으로 순위에 따라 세 집단(상=Top 10, 중 =Top11-60, 하 =Top 61-137)으로 구분하여 비교 분석하였다. 집단 구분의 기준은 KLPGA 투어 대상 선정기준으로, Top 10의 상위권 성적을 많이 올리며 안정적으로 활약했는가에 초점을 맞춘 상위권 집단인 Top 10, 그리고 2024년 정규투어 최종 전에 참가할 수 있는 참가 자격 기준인 중위권 Top 60, 마지막으로 하위권에 해당하는 Top 61-137의 세 집단으로 구분하였다. 경기력 요인은 평균 타수(Average stroke, #), 드라이버 비거리(Drive distance, yards), 페어웨이 안착률(Fairway, %), 온 그린율(On green, %), 쓰리퍼트율(3-Putt, %), 그린 적중 시 퍼팅 성공률(Putting success on GIR, %), 2-3야드 퍼팅 성공률(2-3 y Putting success, %), 3-4야드 퍼팅 성공률(3-4 y Putting success, %), 평균 퍼팅 수(Average putts, #), 평균 퍼팅 성공 거리(Average putting distance made, yards), 샌드 세이브율(Sand save, %)과 같은 단일 경기력 요인 그리고 평균 버디율(Average birdie, %), 파 세이브율(Par save, %), 파 브레이크율(Par break, %), 리커버리율(Recovery, %), 퍼팅 성공률(Putting success, %)을 복합 경기력 요인으로 구분하였다. 경기력 요인의 용어해설은 Table 2에 제시하였다. 모든 자료는 KLPGA 공식 홈페이지 (https://klpga.co.kr/web/main/index)에서 제공된 기록을 통해 수집되었다.

3. 자료처리 방법

본 연구를 위해 수집한 모든 자료는 IBM SPSS 26 프로그램을 이용하여 분석하였다. 선수들의 특성 및 경기력 관련 변인들은 집단별 자료의 정규성 만족 여부에 따라 평균(mean)과 표준편차(standard deviation, SD) 또는 중앙값(median)과 범위(range)로 제시하였다. 모든 자료는 자료의 정규성을 검정하기 위하여 Shapiro-Wilk방법을 이용하여 집단별(Top 10, Top11-60, Top 61-119) 정규성을 확인하였으며 등분산성 검정은 Levene’s test를 이용하였다.

상, 중, 하 집단 간(Top 10, Top11-60, Top 61-137)의 경기력 요인들의 차이는 일원변량분석(One-Way between Subjects ANOVA)을 이용하여 분석하였다. 이후 집단 간 유의한 결과에 대한 사후검정으로, 등분산을 만족한 경우Tukey HSD를 사용하였고, 등분산이 만족하지 않을 때는 Games Howell를 사용하여 검정하였다. 이 연구에서의 경기력은 선수의 순위(ranking)와 가장 밀접한 관련이 있는 평균 타수(Average strokes, #)로 설정하였다. 또한 전체 선수들(n=119)의 경기력 요인들의 자료를 이용하여 각 요인들 간의 상관관계를 알아보기 위하여 피어슨 상관분석(Pearson's correlation analysis)을 실시하였다. 마지막으로, 선수의 경기력(Average stroke, #)을 예측하기 위한 회귀식은 stepwise multiple regression을 이용하였으며, 이 모델의 변수 선택의 통계적 기준은 F 값이 2 이상일 때를 유효한 변수로 정의하여 경기력 요인을 도출하였다. 또한 회귀식의 적절성을 판단하기 위하여 투입변인들의 다중공선성(multicollinearity) 진단 기준으로, 투입변인 간 상관계수(r)가 ≥0.9일 때 투입 변인에서 제외하고, 공선성 통계량인 공차(tolerance)가 <0.1일 때 그리고 분산팽창지수(variance inflation factor, VIF)가 ≥10일 때 변인에서 제외하였다. 모든 통계적인 유의수준(α)은 .05로 설정하였다.

연구 결과

1. 랭킹 집단 간 단일 및 복합 경기력 요인 비교 분석

세 집단 간 경기력 요인 비교 분석 결과는 Table 3에서 제시된 것과 같다. 단일 경기력 요인으로 설정한, 드라이버 비거리, 페어웨이 안착률, 온 그린율, 쓰리퍼트율, 그린 적중 시 퍼팅 성공률, 평균 퍼팅 수, 샌드 세이브율, 리커버리율과 같은 단일 경기력 요인에서는 집단 간 유의한 차이가 있었으나, 2-3야드 퍼팅 성공률, 3-4야드 퍼팅 성공률, 평균 퍼팅 성공 거리에서는 집단 간 유의한 차이가 나타나지 않았다(Table 3).

특이한 점은 드라이버 비거리에서Top 10 집단이 Top 11-60, Top 61-137 집단에 비해 높은 비거리를 보였으나, Top 11-60 집단과 Top 61-119 집단 간에는 비거리의 유의미한 차이가 나타나지 않았다. 또한 페어웨이 안착률에서 Top 11-60 집단이 Top 61-119 집단에 비해 높은 안착률을 보였으며, Top 10 집단과 Top 61-119 집단 간에는 유의미한 차이가 나타나지 않았다. 샌드 세이브율에서는 Top 10 집단과 하위 두 집단 간에 유의미한 차이가 있었으나 Top 11-60 집단과 Top 61-119 집단 간에는 유의미한 차이가 나타나지 않았다(Table 3). 이들 단일 경기력 요인 중에서 특히 Top 10을 구분 짓는 즉, 중위권과 하위권 모두 Top 10에 비해 유의한 차이가 나타난 경기력 주요 요인은 평균 타수(상 vs. 중; p<.01, 상 vs. 하; p<.001)를 포함한 드라이버 비거리(상 vs. 중; p<.01, 상 vs. 하; p<.001), 온 그린율(상 vs. 중; p<.05, 상 vs. 하; p<.001), 그린 적중 시 퍼팅 성공률(상 vs. 중; p <.001, 상 vs. 하; p <.001), 샌드 세이브율(상 vs. 중; p<.05, 상 vs. 하; p<.05)이었다. 이들 요인들은 Top 10 유지 또는 진입을 위해 매우 중요한 경기력 지표로 판단된다.

복합 경기력 요인으로 설정한, 평균 버디율, 파 세이브율, 파 브레이크율과 퍼팅 성공률 요인 모두에서 집단 간 유의한 차이가 나타났다. 특히, Top 10 집단이 Top 11-60 집단뿐 아니라 Top 61-119 집단에 비해 평균 버디율(p<.001; p<.001)과 파 브레이크율(p<.001; p<.001)에서 각각 우수한 것으로 나타났다. 하지만 파 세이브율, 리커버리율과 퍼팅 성공률은 이들 두 집단 간 (상 vs. 중) 차이가 없었으나 Top 11-60 집단과 Top 61-119 집단 간에는 유의한 차이가 나타났다(Table 3). 따라서 복합 경기력 요인 중에서 Top 10을 구분 짓는 즉, 중위권과 하위권 모두 Top 10에 비해 유의한 차이가 나타나는 경기력 주요 요인은 평균 버디율과 파 브레이크율이었다. 이들 복합 요인들 역시 Top 10 유지 또는 진입을 위해 매우 중요한 경기력 지표로 판단된다.

2.평균 타수(Average Stroke, #)와 경기력 요인의 관련성

2024년 KLPGA 투어 선수 119명의 평균 타수와 경기력 요인의 상관관계는 Table 3에서 제시된 것과 같다. 평균 타수는 단일 경기력 요인인 리커버리율(r=-.758, p <.001), 그린 적중 시 퍼팅 성공률(r=-.729, p <.001), 쓰리퍼트율(%, r=.529, p <.001), 샌드 세이브율(r=-.414, p <.001), 페어웨이 안착률(r=-.406, p <.001), 평균 퍼팅 수(r=.381, p <.001), 드라이버 비거리(r=-.368, p <.001) 순으로 유의한 상관관계가 나타났다. 반면, 2-3야드 퍼팅 성공률(r=.018, p=.844), 3-4야드 퍼팅 성공률(r=-.071, p=.444), 평균 퍼팅 성공 거리(yds, r=-.012, p =.830)에서는 유의한 상관관계가 나타나지 않았다.

복합 경기력 요인과 평균 타수의 상관관계를 살펴보면, 파 세이브율(r=-.971, p<.001), 평균 버디율(r=-.889, p<.001), 파 브레이크율(r=-.889, p <.001), 그리고 퍼팅성공률(r=-.373, p =.009) 순으로 유의한 부적 상관관계가 나타났다.

3. 평균 타수(Average Stroke) 예측을 위한 회귀식의 도출

단계적 다중회귀분석(Stepwise multiple regression analysis)을 통해 경기력 요인으로 선정한 평균 타수에 영향을 미치는 주요 요인을 선정하였다. 예측 회귀식에 투입되는 변인은 Table 4에서 제시한 각 경기력 요인들 중 상관성이 존재하는 변인들을 모두 투입 변인으로 삽입한 결과, 이들 변인 중 파 세이브율(%), 파 브레이크율(%), 페어웨이 안착률(%), 리커버리율(%), 드라이버 비거리(yards)가 주요 변인으로 선정되었다. 이들 선정된 변인으로 총 5개의 회귀 모형이 도출되었고, KLPGA 투어 선수들의 경기력 예측 회귀분석 결과는 Table 5에서 제시된 것과 같다.

모형 5는 R²= 0.991 (adjusted R²= 0.991)로 가장 높은 설명력을 보였으나 드라이버 비거리가 투입 변인으로 들어갈 경우 페어웨이 안착률(%)이 통계적으로 유의하지 않은 변인으로 변경되는 모델의 과적합(overfitting)화 될 가능성으로 인하여 제외하였다. 반면에 5번 회귀 모형과 유사한 설명력(adjusted R²= 0.990)을 가진 모형 3번과 4번이 적합한 모형으로 판단된다.

논 의

본 연구는 2024년 KLPGA 정규투어에 참가한 119명의 국내 선수들을 대상으로, 경기력 수준에 따라 상(Top 10), 중(Top 11-60), 하(Top 61-137) 집단으로 구분하여 단일 및 복합 경기력 요인들이 평균 타수에 미치는 영향을 분석하여 Top 10 유지 또는 진입에 필요한 KLPGA 선수의 경기력 요인들을 도출하고자 하였다. 이를 통해 지도자 및 선수들이 훈련 목표를 구체적으로 세울 수 있는 정보를 제공하고, 또한 선수들의 경기력을 예측할 수 있는 평균 타수 회귀식 모형을 제공하고자 하였다.

평균 타수와 경기력 요인들의 상관관계 분석 결과, 변인에 포함된 15개의 경기력 요인 중 12개의 요인(Table 4)에서 상관 관계가 나타났다. 이는 골프의 경기력은 다양한 요인들이 복합적으로 영향을 미친다는 것을 의미한다. 본 연구에서의 주요 발견은 Top 10 집단과 Top 11-60위 집단뿐 아니라 Top 61-119위 집단 간의 차이를 나타내는 즉, 선수의 경기력 수준(평균 타수; 상, 중, 하)을 구분 짓는 단일 경기력 요인은 드라이버 비거리, 온그린율, 그린 적중 시 퍼팅 성공률과 샌드 세이브율이었고, 복합 경기력 요인은 평균 버디율과 파 브레이크율이었다.

한편, 평균 타수와 밀접한 상관관계를 보인 단일 경기력 요인들은 온 그린율(r=-.758), 리커버리율(r=-.758), 그린 적중 시 퍼팅 성공률(r=-.729), 쓰리퍼트율(r=.529), 샌드 세이브율(r=-.414), 페어웨이 안착률(r=-.406), 드라이버 비거리(r=-.368) 순이었고, 복합 경기력 요인들은 파 세이브율(r=-.971), 평균 버디율(r=-.889), 파 브레이크율(r=-.889), 퍼팅 성공률(r=-.373) 순이었다. 흥미로운 것은 평균 타수와 가장 낮은 상관관계를 보인 단일 경기력 요인인 드라이버 비거리가 평균 타수와 가장 높은 상관관계를 보인 단일 경기력 요인인 온 그린율과 가장 높은 상관관계(r=-.631)를 보인다는 점이다. 즉, Top 10을 유지하기 위해서는 평균 타수를 줄이는데 가장 중요한 온 그린율을 높이고, 이를 위해 드라이버 비거리를 멀리 보내야 한다는 의미로 해석될 수 있다. 더욱이, 드라이버 비거리는 온 그린율 뿐만 아니라 복합요인 중 경기력에 매우 중요한 그리고 Top 10을 유지하기 위해 가장 중요한 복합 요소인 평균 버디율(r=.551) 및 파 브레이크율(r=.559)과도 중상관을 보인다는 점에서 매우 중요한 경기력 요인이 될 수 있다. 또한 Top10 집단과 Top 11-60위 집단(p <.01)뿐 아니라 Top 60-119위 집단 간(p <.001)의 차이를 나타내는 단일 경기력 요인인 그린 적중 시 퍼팅 성공률은 평균 버디율(r=.913) 및 파 브레이크율(r=.911)과도 매우 높은 상관을 보였으며, 퍼팅 성공률(r=.631)과 평균 퍼팅 수(r=-.609)와는 높은 상관을 보였고 파 세이브율(r=.598)과 리커버리율(r=.439)과는 중상관을 보였다. 즉, 아이언의 정확성(핀 가까이 붙이는 능력)이 높을 때 그린 적중 시퍼팅 성공률이 증가할 수 있다는 점에서 정확한 아이언 샷의 능력을 키우는 것이 중요하다. 비록 드라이버 비거리와 그린 적중 시 퍼팅 성공률은 r=.385 (p<.001)으로 낮은 상관을 보이지만 드라이버 비거리가 길수록 짧은 아이언 샷의 가능성이 높아지기에 그린 적중률뿐만 아니라 핀에 가깝게 붙일 가능성이 증가하기에 그린 적중 시 퍼팅 성공률 역시 증가할 수 있다는 점에서 매우 중요한 경기력 요인이 될 수 있다. 한편, 샌드 세이브율과 중상관 이상을 나타낸 경기력 요인은 파 세이브율(r=.424)과 리커버리율(r=.419)이었다. 이 외에도 평균 타수와 상관성이 있는 쓰리 퍼트율(r=.529)을 줄이고 샌드 세이브율(r=-.414)과 페어웨이 안착률(r=-.406)을 높이는 것이 Top 10을 유지하는데 매우 중요하다고 할 수 있다.

종합적으로 살펴보면, 본 연구의 결과는 기존 연구에서 제시된 정확성과 관련된 경기력 요인의 중요성과 일치한다[15,19,20]. 정확성이라는 측면에서의 온 그린율 및 평균 버디율 향상[21,22]이 경기력 개선에 중요한 요소이지만, 드라이버 비거리는 온 그린율과 높은 상관성을 보인다는 점에서 그리고 복합 요인 중 경기력에 매우 중요한 그리고 Top 10을 유지하기 위해 가장 중요한 복합 요소인 평균 버디율 및 파 브레이크율과도 중상관을 보인다는 점에서 매우 중요한 경기력 요인이 될 수 있다. 또한 단일 경기력 요인인 그린 적중 시 퍼팅 성공률은 경기력을 결정짓는 주요 복합 요소인 평균 버디율 및 파 브레이크율과도 매우 높은 상관을 보일 뿐 아니라 퍼팅 성공률과 평균 퍼팅 수 와도 높은 상관을 보였고 파 세이브율과 리커버리율과도 중상관을 보인다는 점에서 매우 중요한 경기력 요인이다. 따라서 주요한 경기력 변인으로, 이들 요소는 경기력 향상을 위한 코칭 및 훈련 프로그램 개발에 있어 중요한 경기력 지표로 활용될 수 있을 것으로 판단된다.

2013-2022년 동안의 KLPGA 경기력 기술 요인을 분석한 정선희[14]의 연구에서는 평균 타수와 페어웨이 안착률 간의 상관관계가 2014년(r=-.290)과 2019년(r=-.397)에서만 유의하게 나타났으나, 나머지 연도에서는 유의한 관계가 관찰되지 않았다[15]. 이는 본 연구에서 나타난 평균 타수와 페어웨이 안착률 간의 상관관계 결과(r=-.406)와 유사한 결과이나 평균 타수를 결정짓는 요인에는 페어웨이 안착률 이외의 다른 요인들이 복합적으로 연관되어 있을 것으로 사료되며, 이에 대한 추가적인 연구가 필요할 것이다.

종합적으로, 본 연구결과에서 경기력 요인으로 설정한 평균 타수와 가장 높은 상관성이 있는 복합 경기력 요인은 파 세이브율(r=-.971, p<.001), 파 브레이크율(r=-.971, p <.001) 및 평균 버디율(r=-.889, p <.001)이었다. 이러한 결과는 2013-2022년도 사이에 KLPGA 선수의 자료[14]를 활용한 연구에서 제시된 결과와 일치하였다. 한편, 퍼팅 능력은 선수들의 주요 경기력 요인으로 간주되며, 짧은 거리에서의 퍼팅 성공률은 퍼팅 능력을 대변하는 주요 지표이다. 이에 따라 거리별 퍼팅 성공률과 평균 타수와의 상관관계를 분석하였으나 비교적 짧은 거리인 2-3야드, 3-4야드의 퍼팅 성공률은 평균 타수와 유의미한 상관관계가 나타나지 않았다. 이러한 결과는 퍼팅 성공률이 높아질수록 평균 타수가 낮아지기는 하지만 낮은 상관(r=-.373)을 보이며, 상위권과 중위권의 비교에서는 유의한 차이를 보이지 않은 반면 하위권과의 비교에서만 차이를 보인다는 측면에서 경기력 수준(상, 중, 하)을 변별하는 주요 지표는 아닌 것으로 보인다. 더욱이, 하위권과의 비교에서 조차도 상위권 및 중위군과 1% 내외의 차이를 보인다는 점에서 선수들의 퍼팅 능력은 상당 수준에서 상향 평준화되었음을 확인할 수 있었다.

앞서 분석한 경기력 요인들과 평균 타수의 상관관계 결과를 토대로 평균 타수를 예측하는 유의미한 회귀 모형을 도출하였으며, 회귀분석 결과, 평균 타수를 예측하는 데 있어 주요 변수로는 파 세이브율(%), 파브레이크율(%), 페어웨이 안착률(%), 리커버리율이 도출되었다. 일반적으로 회귀 모형의 유용성을 평가하는 지표는 기여율(adjusted R2), 잔차의 표준편차(standard error of the estimate, SEE), ANOVA에서의 유의성(p value), 다중 공선성(tolerance, VIF) 결과를 토대로 판단한다. 모형 3과 모형 4는 이들 모든 조건을 만족하며, 특히 조정 R²=.990로, 99%의 설명력을 가지며 파 세이브율(%), 페어웨이 안착률(%), 리커버리율(%)의 회귀계수가 모두 음수인 점은 이들 요소가 향상될수록 평균 타수가 낮아져 경기력이 개선됨을 의미한다. 한편, 이들 예측 회귀식에는 앞서 도출한 선수의 경기력 수준(평균 타수, 상, 중, 하)을 구분 짓는 여러 경기력 요인 중 파 브레이크율만 포함되었다는 점이 흥미롭다. 하지만 파 브레이크율은 버디 이상의 이글 등을 포함한다는 점 그리고 선수의 경기력 수준을 구분 짓는 평균 버디율을 반영한다는 점에서 회귀식의 주요 변인이 될 수 있다. 또한 회귀식에 포함된 파 세이브율의 경우, 리커버리율(r=.778), 온그린율(r=.739), 그린 적중시 퍼팅 성공률(r=.598), 3-퍼트율(r=.586), 샌드세이브율(r=.424), 평균 퍼팅 수(r=.358)와 중간에서 높은 상관관계를 보이며 선수들의 경기력 수준을 구분 짓는 단일 경기력 요인들과도 높은 상관을 보인다는 점에서 회귀식의 주요 변인이 될 수 있을 것으로 판단된다. 반면에 페어웨이 안착률은 리커버리율(r=.585), 파 세이브율(r=.470), 온그린율(r=.247) 간에만 상관성을 보이며 다른 주요 변인에 비해 그 영향력이 적다. 이것은 이들 2개의 주요 변인들의 영향력을 개선시키는 변인으로써 투입된 것으로 판단된다. 이러한 회귀식의 투입 변인들은 Top 10 유지나 진입을 위한 주요 경기력 요인이라기 보다는 선수들의 경기력을 예측하기 위한 모형으로써의 주요 변인으로 사용하는 것이 타당하다. 다만, 모델 3의 회귀식은 세개의 설명 변인이 포함된 반면 모델 4는 4개의 설명 변인이 포함되었음에도 수정된 R2의 값이 동일하다는 점 그리고 실제 타수와 예측 타수의 차이를 나타내는 잔차(Std. Error of the Estimate)가 유사하다는 점 그리고 설명변인 간의 상관계수가 높아 회귀식의 과적합(overfitting) 가능성을 배제할 수 없다. 따라서 선수들의 타수 예측 모형으로 모델 3을 추천하며, 추후 교차검증(cross-validation)을 통해 과적합의 가능성을 확인할 필요가 있다.

마지막으로, 프로선수들은 상금, 포인트 및 랭킹, 스폰서 가치 상승 등 다양한 이유에서 가능한 많은 대회를 참여하려고 한다. 본 연구에서도 비록 낮은 상관을 보이지만 대회 참여 횟수가 많아 질수록 랭킹(r=-.548)을 포함한 쓰리퍼트율(r=-.360), 평균타수(r=-.301)와 평균 퍼팅 수(r=-.229)가 줄어들고, 파 세이브율(r=.336), 리커버리율(r=.273), Top 10 진입률(r=.264), 퍼팅 성공률(r=.219), 평균 버디율(r=.208), 파브레이크율(r=.200)이 높아지거나 개선된다(Figure 1). 하지만 선수 개인의 체력관리나 컨디션 조절을 통한 부상방지 및 장기간의 선수 생명 유지라는 측면에서 출전 횟수를 조절하는 것도 매우 중요한 전략이라 판단된다.

본 연구의 한계점으로, 연구 대상이 2024년 한 시즌의 데이터에 국한되어 있으며, 연도별 경기력 변화나 환경적 요인(코스 특성, 날씨 등)의 영향을 충분히 반영하지 못하였다. 따라서, 향후 연구에서는 보다 다양한 변수와 장기간의 데이터를 포함하여 환경적 및 심리적 요인의 추가 변수를 고려한 종합적 경기력 분석 모형을 개발해야 할 것으로 판단된다.

결 론

Top 10 집단과 나머지 두 집단(Top 11-60 및 Top 61-119)을 구분 짓는 주요 경기력 요인은 드라이버 비거리, 온 그린율, 그린 적중 시 퍼팅 성공률, 샌드 세이브율, 평균 버디율과 파 브레이크율이었다. 상위권인 Top 10을 유지하기 위해서는 1) 드라이버 비거리는 평균 248.8±2.3 yards (226.1±2.1 meters, 95% CI, 222.1-230.2 meters), 2) 온 그린율은 76.0±0.8% (95% CI, 73.6-78.4%), 3) 그린 적중 시 퍼팅 성공률은 25.9± 0.5% (95% CI, 24.5-27.2%), 4) 샌드 세이브율은 51.8±3.2% (95% CI, 45.8-57.8%), 5) 평균 버디율은 20.4±0.5% (95% CI, 19.4-21.4%) 6) 버디 이상을 기록하는 파 브레이크율은 20.5±0.5% (95% CI ,19.5-21.6%=3.5-3.9개/18홀)를 유지해야 한다. 이들 6개의 주요 경기력 요인에 대한 정보는 향후 선수 맞춤형 훈련 전략 수립 및 경기력 향상을 위한 실질적인 기초 자료로 활용될 수 있을 것으로 판단된다.

또한 드라이버 비거리는 다른 변인들과 비교하여 상대적으로 낮은 평균 타수와의 상관관계(r=-.368)가 나타났으나, 이 연구에서 도출된 주요 경기력 요인인 온 그린율(r=-.758), 평균 버디율(r=.551), 파 브레이크율(r=.551)과는 중상관에서 높은 상관관계가 나타나기에 경기력 향상을 위한 중요한 요인이 될 수 있다. 즉, 드라이버 비거리가 길수록 짧은 아이언 샷의 가능성이 증가하기에 경기력의 주요 요인인 온 그린율뿐 아니라 핀 가까이에 붙일 수 있기에 평균 버디율을 포함한 파 브레이크율과 그린 적중 시 퍼팅 성공률을 높인다는 점에서 매우 중요한 경기력 요인이 될 수 있다.

마지막으로, 본 연구에서 선수의 경기력과 직결된 평균 타수 예측을 위해 도출된 적합한 예측 모형은 모형 3로―, Average Stroke (#)=94.965-0.229×(Par save, %) -0.170×(Par break, %) -0.010×(Fairway, %) 이며, 높은 예측력(Adjusted R2 = 0.990)을 보였다. 이 모형은 선수들의 경기력 즉, 평균 타수를 99% 정확하게 예측할 수 있다는 점에서 매우 유용할 것으로 판단된다.

Notes

CONFLICT OF INTEREST

이 논문 작성에 있어서 어떠한 조직으로부터 재정을 포함한 일체의 지원을 받지 않았으며, 논문에 영향을 미칠 수 있는 어떠한 관계도 없음을 밝힌다.

AUTHOR CONTRIBUTIONS

Conceptualization: DH Park; Data curation: T Kim, H Park, S Kim, J Park, S Lee, H Kwak; Formal analysis: T Kim, H Park, J Kang; Funding acquisition: DH Park; Methodology: H Park, S Kim, H Kwak, J Kang; Project administration: DH Park; Visualization: H Park, DH Park; Writing - original draft: T Kim; Writing - review & editing: DH Park.

Fig. 1.

Correlations between the number (#) of competition participations and performance Factors.

Table 1.

Subject Characteristics and Differences among Groups Classified by Rank

Measure	Total (N = 119)	Ranking groups			p
Measure	Total (N = 119)	Top 10 (n = 10)	Top 11-60 (n = 49)	Top 61-137 (n = 60)	p
^aAge	24.0 (19.0-37.0)	23.5 (20.0-29.0)	24.0 (20.0-37.0)	23.0 (19.0-35.0)	.284
Height (cm)	166.75 ± 4.19	165.9 ± 3.6	166.71 ± 4.33	166.91 ± 4.22	.778
^aKLPGA membership year	2019.0 (2005-2023)	2018.5 (2011-2022)	2018.0 (2005-2023)	2019.0 (2007-2023)	.290

Values are expressed as mean±SD. KLPGA, Korea Ladies Professional Golf Association. Depending on whether normality of data was satisfied or not, Oneway ANOVA or Kruskal-Wallis test was employed.

^a The Kruskal-Wallis test was presented with the median and range.

Table 2.

Golf Terminology Explanation

Variables	Terminology	Explanation
Single-factor performance	Drive distance, yds	The average distance a golfer hits the ball when using a driver for a tee shot.
	Fairway, %	Fairway hit percentage on all tee shots, including those with a driver.
	On green, %	The percentage of holes in which a player reaches the green in regulation (GIR). i.e., one stroke on a par 3, two strokes on a par 4, and three on a par 5.
	3-Putt, %	The percentage of holes in which a player takes three putts to complete the hole.
	Putting the success rate on GIR, %	The average number of putts a player takes to hole out after reaching the GIR.
	Putting success, % i.e., 2-3 and 3-4 yards, %	Putting the success rate from the distance.
	Recovery, %	The percentage of times a player makes par or better after missing the GIR.
	Sand save, %	The percentage of times a golfer successfully saves par or makes a birdie after hitting from a bunker.
Multi-factor performance	Average putts, #	The average number of putts a golfer takes per round (18 holes).
	Average birdie, %	The percentage of holes where a golfer records a birdie during a full 18-hole round.
	Par save, %	The percentage of times a golfer successfully records par, regardless of whether they hit the GIR.
	Par break, %	The percentage of holes where a golfer records a birdie or better (including an eagle or albatross).

Recovery (%)=(Par or Better after Missing the GIR÷Total Missed-GIR Holes)×100. Par save (%)=(Par Saves/Total Holes)×100. Par break (%)=(Number of Birdie-or-Better Holes/Total Holes)×100.

Table 3.

Differences in Performance Related Variables among Groups Classified by Rank

	Variables	N	Total
	Variables	N	Total	Top 10	Top 11-60	Top 61-137	p
Single-factor performance	^aAverage stroke (#)	119	72.48 ± 0.11	70.62 ± 0.15	71.8 ± 0.08^**	73.34 ± 0.11^***###	.000
	Drive distance (yds)	119	239.76 ± 0.71	248.75 ± 2.48	240.52 ± 1.13^**	237.65 ± 0.83^***	.000
	Fairway (%)	119	69.71 ± 0.57	70.7 ± 2.03	72.11 ± 0.75	67.59 ± 0.8^###	.000
	On green (%)	119	69.55 ± 0.44	76.01 ± 0.77	71.52 ± 0.49^*	66.87 ± 0.56^***###	.000
	^a3-Putt (%)	119	4.17 ± 0.12	3.01 ± 0.25	3.77 ± 0.12	4.69 ± 0.18^**##	.000
	Putting success on GIR (%)	119	21.66 ± 0.25	25.86 ± 0.51	22.62 ± 0.32^***	20.16 ± 0.28^***###	.000
	2-3 y Putting success (%)	119	55.43 ± 6.23	56.17 ± 4.74	56.57 ± 4.25	56.57 ± 4.25	.743
	^a3-4y Putting success (%)	119	38.59 ± 2.89	37.93 ± 4.33	38.47 ± 6.55	38.47 ± 6.55	.287
	^aAverage putts (#)	119	30.37 ± 0.06	29.95 ± 0.12	30.21 ± 0.08	30.58 ± 0.1^**##	.002
	Average putting distance made (yds)	119	1.37 ± 0.01	1.36 ± 0.02	1.36 ± 0.01	1.37 ± 0.01	.566
	Sand save (%)	119	42.03 ± 0.94	51.83 ± 3.15	43.84 ± 1.27^*	38.91 ± 1.3^*#	.000
	Recovery (%)	119	58.53 ± 0.47	63.46 ± 0.96	61.04 ± 0.55	55.65 ± 0.59^***###	.000
Multifactor performance	Average birdie (%)	119	15.85 ± 0.23	20.4 ± 0.46	17.02 ± 0.26^***	14.15 ± 0.2^***###	.000
	^aPar save (%)	119	83.55 ± 0.31	88.49 ± 0.42	85.51 ± 0.24	81.13 ± 0.34^***###	.000
	Par break (%)	119	15.95 ± 0.24	20.53 ± 0.46	17.11 ± 0.26^***	14.23 ± 0.21^***###	.000
	^aPutting success (%)	119	58.77 ± 0.12	59.66 ± 0.22	59.02 ± 0.15	58.41 ± 0.18^*#	.003

Values are expressed as mean±SD. GIR, green in regulation. These variables were identified using One-Way ANOVA with Tukey HSD as a post-hoc analysis.

However, when the homogeneity of variance was not satisfied,

^a Games-Howell test as a post-hoc analysis was conducted.

^* p<.05,

^** p<.01,

^*** p<.001 vs. Top 10; and

^# p<.05,

^## p<.01,

^### p<.001 vs. Top 11-60.

Table 4.

Pearson Correlation Matrix of Average stroke (#) and Performance Factors among KLPGA Tour Players in 2024.

Correlation		1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16
1.	Average stroke (#)	1
2.	Drive distance (yds)	-.368^***	1
3.	Fairway (%)	-.406^***	-.342^***	1
4.	On green (%)	-.758^***	.631^***	.247^**	1
5.	3-Putt (%)	.529^***	.158	-.173	-.038	1
6.	Putting success on GIR (%)	-.729^***	.385^***	.011	.383^***	-.512^***	1
7.	2-3 y Putting success (%)	.018	-.290^**	.050	-.303^**	-.365^**	.159	1
8.	3-4y Putting success (%)	-.071	-.289^**	.050	-.272^**	-.432^**	.223^*	.283^**	1
9.	Average putts (#)	.381^***	.266^**	-.124	.290^**	.771^***	-.609^***	-.423^**	-.490^**	1
10.	Average putting distance made (yds)	-.012	-.255^**	-.092	-.345^***	-.302^***	.358^***	.469^**	.477^**	-.528^***	1
11.	Sand save (%)	-.414^***	.268^**	.006	.264^**	-.238^**	.322^***	.029	.142	-.256^**	.050	1
12.	Recovery (%)	-.758^***	-.071	.585^***	.315^***	-.496^***	.439^***	.147	.218^*	-.583^***	.109	.419^***	1
13.	Average birdie (%)	-.889^***	.551^***	.123	.695^***	-.414^***	.913^***	-.031	.026	-.382^***	.113	.380^***	.509^***	1
14.	Par save (%)	-.971^***	.282^**	.470^***	.739^***	-.582^***	.598^***	.007	.100	-.358^***	-.041	.424^**	.806^***	.778^***	1
15.	Par break (%)	-.889^***	.559^***	.119	.698^***	-.406^***	.911^***	-.036	.025	-.378^***	.111	.386^***	.507^***	.999^***	.776^***	1
16.	Putting success (%)	-.373^***	-.267^**	.119	-.287^***	-.775^***	.631^***	.461^**	.500^**	-.987^***	.558^***	.248^**	.557^***	.385^***	.348^***	.379^***	1

GIR: green in regulation. The Pearson correlation coefficient method is applied.

^* p<.05,

^** p<.01,

^*** p<.001.

Table 5.

Stepwise Multiple Regression Analysis of Parameters and Model Estimates for Predicting Scoring Average in KLPGA Athletes

Model	R	R square	Adjusted R square	Std. error of the estimate	Change statistics
Model	R	R square	Adjusted R square	Std. error of the estimate	R square change	F change	df1	df2	Sig. F change
1	.971	.943	.942	.28190	.943	1924.400	1	117	.000
2	.994	.988	.988	.12697	.046	460.711	1	116	.000
3	.995	.990	.990	.11799	.002	19.323	1	115	.000
4	.995	.991	.990	.11605	.000	4.887	1	114	.029
5	.996	.991	.991	.11313	.001	6.958	1	113	.010
Model	Unstandardized coefficients		Standardized coefficients	t	Sig.	95.0% Confidence interval for B		Collinearity statistics
Model	B	Std. Error	B	t	Sig.	Lower Bound	Upper Bound	Tolerance	VIF
1. (Constant)	100.690	0.644		156.433	0.000	99.415	101.964
Par save (%)	-0.338	0.008	-0.971	-43.868	0.000	-0.353	-0.322	1.000	1.000
2. (Constant)	95.471	0.378		252.324	0.000	94.722	96.220
Par save (%)	-0.246	0.006	-0.706	-44.557	0.000	-0.257	-0.235	0.395	2.529
Par break (%)	-0.156	0.007	-0.340	-21.464	0.000	-0.170	-0.141	0.395	2.529
3. (Constant)	94.965	0.370		256.674	0.000	94.232	95.698
Par save (%)	-0.229	0.006	-0.658	-35.736	0.000	-0.241	-0.216	0.253	3.948
Par break (%)	-0.170	0.007	-0.372	-22.698	0.000	-0.185	-0.155	0.320	3.125
Fairway (%)	-0.010	0.002	-0.051	-4.396	0.000	-0.014	-0.005	0.631	1.585
4. (Constant)	95.577	0.457		209.057	0.000	94.671	96.482
Par save (%)	-0.236	0.007	-0.679	-33.087	0.000	-0.250	-0.222	0.197	5.076
Par break (%)	-0.168	0.007	-0.366	-22.462	0.000	-0.182	-0.153	0.312	3.201
Fairway (%)	-0.009	0.002	-0.046	-3.958	0.000	-0.013	-0.004	0.607	1.647
Recovery (%)	-0.023	0.010	-0.025	-2.211	0.029	-0.044	-0.002	0.633	1.580
5. (Constant)	94.626	0.573		165.092	0.000	93.491	95.762
Par save (%)	-0.243	0.007	-0.699	-32.690	0.000	-0.258	-0.228	0.172	5.797
Par break (%)	-0.176	0.008	-0.385	-22.164	0.000	-0.192	-0.160	0.262	3.815
Fairway (%)	-0.005	0.003	-0.025	-1.760	0.081	-0.010	0.001	0.401	2.495
Recovery (%)	-0.043	0.013	-0.047	-3.392	0.001	-0.068	-0.018	0.409	2.447
Drive distance (yards)	0.006	0.002	0.040	2.638	0.010	0.002	0.011	0.339	2.946

Model 1. Average Stroke (#)=100.690– -0.338×(Par save, %)

Model 2. Average Stroke (#)=95.471– -0.246×(Par save, %) -0.156×(Par break, %)

Model 3. Average Stroke (#)=94.965-0.229×(Par save, %) -0.170×(Par break, %) -0.010×(Fairway, %)

Model 4. Average Stroke (#)=95.577-0.236×(Par save, %)–0.168×(Par break, %) -0.009×(Fairway, %)-0.023 (Recovery, %)

Model 5. Average Stroke (#)=94.626– -0.243×(Par save, %) -0.176×(Par break, %) -0.005×(Fairway, %)-0.043(Recovery, %)+0.006 (Drive distance, yard).

REFERENCES

1. Smith MF. The role of physiology in the development of golf performance. Sports medicine. 2010;40(8):635-55.

2. Robertson S, Burnett AF, Gupta R. Two tests of approach-iron golf skill and their ability to predict tournament performance. Journal of Sports Sciences. 2014;32(14):1341-9.

3. Coughlan D, Tilley N, Mackey L, Scott F, Brearley S, Bishop C, et al. Physical preparation for golf. Aspetar Sports Med J. 2023;116-22.

4. Mumford PW, Tribby AC, Poole CN, Dalbo VJ, Scanlan AT, Moon JR, et al. Effect of caffeine on golf performance and fatigue during a competitive tournament. Medicine & Science in Sports & Exercise. 2016;48(1):132-8.

5. Ahn CS, Lee BK. The relationship between physiological physical fitness factors and performance of college golfers. The Korean Journal of Sport. 2022;20(4):393-400.

6. Chung S. Comparative analysis of performance factors between ladies professional golf association and korea ladies professional golf association golfers. Sports. 2022;10(5):72.

7. Bliss A. Modelling elite golf performance: predictors of hole score on the european tour from 2017-2019. International Journal of Golf Science. 2021;9(1).

8. Kim K. Analysis of golf performance differences between the kpga tour and PGA tour. The Korean Society of Sports Science. 2024;33(4):753-63.

9. Min DK. KLPGA performance analysis by year using records and ranking grades. The Korean Society of Sports Science. 2021;30(4):889-96.

10. Dorsel TN, Rotunda RJ. Low scores, top 10 finishes, and big money: an analysis of professional golf association tour statistics and how these relate to overall performance. Perceptual and motor skills. 2001;92(2):575-85.

11. Kim SH, Lee JW, Lee MS. Effectiveness of golf skills to average score in PGA. Journal of the Korean Data and Information Science Society. 2012;23(3):505-14.

12. Bliss A, Langdown B. Integration of golf practice and strength and conditioning in golf: insights from professional golf coaches. International Journal of Sports Science & Coaching. 2024;19(4):1469-78.

13. Wells GD, Elmi M, Thomas S. Physiological correlates of golf performance. The Journal of Strength & Conditioning Research. 2009;23(3):741-50.

14. Chung SH. Longitudinal analysis of performance technology factors of the KLPGA tour: 2013-2022. The Korean Society of Sports Science. 2023;32(6):1-13.

15. JI B, Chung DH. A statistical comparison of the KLPGA and LPGA tours. Journal of The Korean Data Analysis Society. 2021;23(6):2667-76.

16. Lim J, Lim Y, Song J. Prediction of golf scores on the pga tour using statistical models. The Korean Journal of Applied Statistics. 2017;30(1):41-55.

17. Chung S. Analysis of performance factors of KLPGA and LPGA players, and prediction of winners. J Korean Soc Wellness. 2020;15:157-72.

18. Pyung CS, Yeo LS, Chung SH. An Analysis on the tour performance determinants of KPGA players. The Korean Society of Sports Science. 2015;24(6):1-10.

19. Kim S. Analysis of skill factors of golf performance in LPGA tour (1993-2015). Korean Journal of Golf Studies. 2016;10(4):49-59.

20. Kim SH, Lee JW, Lee MS. Effectiveness of golf skills to average score in PGA. Journal of the Korean Data and Information Science Society. 2012;23(3):505-14.

21. Seo H, Kim E, Park I. Analysis of the performance of the prize ranking groups of Korean ladies professional golf association. Journal of Korean Society for Rhythmic Exercises (JKSRE). 2018;11(1):45-55.