CapstonePaper (7)

The Effect Of Income Inequality In The NFL On Team Performance   

Author: Michael Henderson ECON 4990 Senior Seminar in Economics 

TR 9:30­10:45 Georgia College & State University 

Dr. John Swinton March 12, 2015 

Abstract  

The NFL is the highest grossing professional sports league in the world today. This is 

primarily due to the increased competitiveness across the league and the entertainment it 

provides sports fans. In my research I examine the relationship between the unequal distribution 

of player salaries in the NFL and team performance from the years 2006 to 2009. In this study I 

analyze the salaries of the top 10 highest paid players per team for each season. Franchises that 

distribute the majority of their salary cap to highly talented players, known as the 

superstar­effect, leave little cap space to distribute the rest of the salaries to the remaining 53 

man roster. Though my research does not show a statistically significant correlation between 

player salaries and team performance, there were many significant findings that do in fact have 

an effect on a team's ability to win.   

Does Income Inequality In The NFL Affect Team Performance? 

I. Introduction 

The relationship between an individual’s pay and their performance has always been a 

major issue in economic research. When studying sports economics, specifically in the NFL, 

research tends to utilize wins as a measure of efficiency. For this reason, viable and accessible 

data sources measuring team performance were readily available. NFL player salary data is 

abundant but is bounded by the last five years. The most recent salary data attainable ends after 

the 2009 season.  

The relationship between player salaries and their performance on the field is a major 

issue when trying to organize a winning combination of players that agree to their wide variation 

in contracts. Superstar players such as, Peyton Manning or Tom Brady are extremely talented, 

and for this reason they sign multi­million dollar contracts way beyond that of their average 

teammate. Rosen (1981) finds that small differences in talent have a large effect on income 

inequality. He labels this phenomenon as the “superstar effect”. This occurs when team 

managers distribute player salaries in favor of a set number of highly talented players in hopes 

that they can utilize the abilities of the rest of the team in order to win the most games. The 

problem pertaining to the question at hand deals with the large differences in pay between 

players on the same team. Borghesi (2008) did a study and found that when player salary 

inequality is low, individual player proficiency tended to be higher. This implies that franchises 

that distribute more income to superstars, rather than evenly across the entire team, perform 

worse on average. This could be caused by dissatisfaction among lower paid teammates. Lazear 

(1989) in his work finds that when pay is distributed relatively evenly among employees in the 

1 

workforce, cooperation increases and firm efficiency improves. In the NFL, player pay is not 

distributed evenly, so how could this affect their efficiency?  

The NFL has the shortest season amongst all other major professional leagues in the 

United States. Regardless, all teams of the National Football League have a combined brand 

value of $9.1 billion with an average team profit of $53 million as of the 2013 season. Thats a 

brand value of over $4.7 billion more than the MLB and $6.3 billion more than the NBA. Refer 

to Figure 1. (pg.19). Over the past four years, the average player salary has held steady at around 

$2.1 million. The efficient allocation of player salaries is in question. Matt Ryan, quarterback for 

the Atlanta Falcons, is today’s highest paid player with a five year contract signed in June of 

2013 worth $103.75 million. That’s an average annual salary of $20.75 million, $18 million 

above the average player. Matthew Stafford, quarterback of the Detroit Lions, ranks second in 

earnings with a three year $53 million contract extension that included a $27.5 million rookie 

signing bonus. These are two of the highest paid players in the NFL today, both of which play 

for teams that fail to consistently have winning seasons. Team performance may start to suffer 

when income distribution is so unequally distributed. For example, Player X is only getting paid 

$400,000 each season. If his teammate, Player Y, is earning $25,000,000 each season, then 

Player X may feel he’s getting paid unfairly compared to his fellow teammate. If he feels as if 

he’s getting paid unfairly, this could affect his performance during a game. Because he is not 

performing at his expected level, his team may lose a game that should have been won, which 

causes team revenue to decrease. This is devastating to any team because football is a game that 

requires wins in order to continue to be a successful franchise. Every loss on the field is also a 

loss in profit for the franchise, let alone the entire league. In short, such dramatic pay inequality 

2 

could affect team performance as a whole and therefore affect a team’s ability to maximize 

profit.   

II. History of the Salary Cap 

Another key factor that greatly affects each team’s salary distribution is the salary cap. 

While other leagues, like the MLB and the NBA, have similar salary constraints, the NFL has a 

much more strict salary restriction. In the NFL, players are paid based on talent and how they use 

that talent to win games. After salaries are divided between the best talent, the remaining cap 

space is divvied up between the players that can assist superstars in winning.  

Beginning in 1994, the NFL implemented a hard salary cap that resulted from a collective 

bargaining agreement between the NFL and its players in 1993. This is a binding agreement that 

places a limit on the amount of money each team can spend on player salaries per season in order 

to level the playing field amongst teams across the league. Before a salary cap was ever put in 

place, franchises that were still developing, especially in less populated cities, didn’t have a 

substantial fan base. For this reason, certain teams couldn’t earn the kind of ‘deep pocket’ money 

needed to buy many highly talented players. Without equally distributed talent throughout the 

NFL, these teams were unable to compete with other wealthy teams. More established franchises 

had a bigger fan base and higher earnings. This gave them the capital that allowed them to 

purchase an arsenal of highly talented players that less popular teams simply could not afford. 

Whenever these two types of teams came to play, fans would experience more blowouts than you 

see today and this put a constraint on the level of profit the NFL could potentially earn. A salary 

cap was established specifically to prevent that small group of powerhouse teams from 

dominating the league year after year.  

3 

A salary cap is calculated by a Collective Bargaining Agreement (CBA) set by team 

owners based on the average projected amount of revenue earned for football related income and 

benefits for the upcoming season.  

SALARY CAP=(PROJECTED REV * CBA%) ­ LEAGUE­WIDE BENEFITS                    NUMBER OF NFL TEAMS (32) 

The CBA set the percentage of NFL revenue that can be used for player salaries at 48 percent, 

which would remain through the 2012­2014 seasons. For the 2013 season, the salary cap was set 

at $123 million per team. Each team is allotted 53 roster positions to distribute this cap, 

excluding coaches salaries. Therefore, on average, each player should make around $2.3 million 

if salaries are distributed equally. With a salary cap put in place, talent is distributed more evenly 

across all teams. This leads to more competitive games and more competitive seasons. With 

better competition comes closer and more entertaining games. This increases individual team 

popularity across the NFL and increases popularity for the league as a whole. When an entire 

league sees an enormous inflow of support from new fans, they see an enormous increase in 

profit. Profit is the only element that matters in the NFL, hence why this is a subject worth 

researching. The careful distribution of a team’s salary cap to its players is directly correlated 

with a team's ability to thrive as a franchise.   

A cap rollover is any extra money that can be added to a team’s salary cap that was not 

used in the previous year. The salary floor is the minimum amount of the salary cap teams must 

spend on players each season.  The required amount of the cap that each team must spend was 

lowered from 95 percent in 2012 to 89 percent in 2013. For strategic teams that want to allocate 

funds to the future, they can use this cap rollover to their advantage for the next season. The 

4 

question is whether or not using up a majority of the cap on only a few key players gives a team 

a better chance of winning than does splitting the cap more evenly amongst all the players.   

III. Literature Review 

The salary cap puts a restraint on how much teams can spend and forces managers to 

search for the best combination of players that will be most efficient, while also attempting to 

keep player salaries relatively fair amongst their players. Larsen, Fenn, and Spenner (2006) did a 

study showing this effect. They showed the salary caps effect on team spending and found that 

teams’ cap spending from the years 2000 to 2002 was negatively correlated with their spending 

from 2004 to 2005. This result shows that the salary cap truly is effective in reducing teams from 

constantly spending more than other teams year after year. Hence, the salary cap does make 

competition throughout the league more balanced due to a more even pay scale and a more even 

distribution of talent for all teams. 

The salary cap has been proven to work in making the NFL a more competitive league 

than in the past, but how has it affected decisions from a managerial standpoint? Kowalewski 

and Leeds (1999) performed a study using gini coefficients. Gini coefficients measure statistical 

dispersion, usually measuring income distribution. It’s measured on a scale from 0 to 1. The 

further away the gini coefficient is from 0, or perfect equality, the more inequality there is. They 

measure the variance in player salaries from 1992 to 1994. They used data from the season right 

before the salary cap as well as the first season the salary cap was implemented. They found that 

the salary cap created a less equal distribution of salaries per player. The Gini coefficient rose 

from 0.393 in 1992 to 0.479 in 1993. This shows a significant increase in the inequality of player 

contracts. They also found that superstar players were paid higher salaries on average after the 

5 

salary cap than before. This increase in pay for more talented players came at the expense of 

lower draft picks. Higher draft picks were signing bigger contracts while lower draft picks were 

signing smaller contracts than in previous years.  

When measuring talent in the NFL, there is only a minimal difference between the 

highest paid players and the lowest paid players. Each player has developed the skills needed to 

compete against the rest of the most renowned players across the country. Quinn, Geyer, and 

Berkovitz (2007) measured the relationship between income distribution and talent. In their 

study they analyzed every NFL franchise’s budget from the years 2000 to 2005. They found that 

small differences in talent resulted in large pay inequality because even small differences in 

talent can have a significant effect on a team’s ability to win. Furthermore, they found that teams 

that had a winning percentage above the league average had spent more of their cap space on 

players that were their 13th through 30th picks and had spent less on their 35th through 53rd 

picks than they had in the past. However, they were unable to significantly conclude that income 

distribution and winning percentage were correlated.  

IV. Data and Methodology 

The purpose of my study is to find if, and to what degree, the managerial allocation of a 

team’s salary cap could affect a team’s efficiency in regular season games. If teams choose to 

purchase more superstar players in order to be efficient, than the amount of cap space left for 

support players may start to be extremely skewed towards the top of the roster. This inequality in 

pay could result in lessened team cooperation with fellow teammates and coaches that could 

essentially alter their overall performance throughout a season. If teams choose to purchase less 

superstar players, they now have more cap space to distribute salaries more evenly across their 

6 

roster and are able to purchase slightly more talented support players. This more evenly 

distributed income in the NFL could have a significant affect on how that team performs in the 

coming season.  

For a franchise to be deemed efficient, player inputs (salaries) must be transformed into 

productive outputs (wins). The value of a player is shown through their effectiveness on the field 

and the revenue they bring in. Offensive player salaries and defensive player salaries are two 

different input costs. Output on offense is determined by their ability to score. This is a measure 

of points for (PF). Outputs on defense are determined by their ability to prevent scoring. This is a 

measure of points allowed (PA). The overall team output is a win or a loss, more precisely 

measured by margin of victory. This is the NFL’s measure of team performance. A team with a 

high PF and a low PA tends to win the most games. A team that is inefficient will produce less 

wins compared to a franchise that produces a higher PF and a lower PA on average using lower 

offensive and defensive salaries. 

I collected 1280 observations that measure player compensation, team productivity and 

team earnings. Player compensation is measured using player salaries compared to the overall 

team salary cap. Team productivity is measured using team performance statistics. These 

statistics include offensive points for and defensive points allowed for each team during the 

regular season. Other measures of performance include offensive and defensive quality based off 

each team’s total points for and points allowed compared to the league average.  

Using USA Today’s online database, I recorded player salaries for the top 10 highest paid 

players for each team for the 2006 to 2009 seasons. Because there was no other NFL salary 

database beyond 2009, I was forced to limit the number of observed seasons to four. From this 

7 

database I was able to collect every NFL team’s overall salary cap per season and their per 

player salary cap each season.  In my sample, each top 10 player made $4.78 million on average 

per season while each team as a whole had an average salary cap set at $97.37 million. I 

manually calculated the percent of each teams total salary cap spent on each of their top 10 

players to observe the significance of income inequality across players per team. Each of top 10 

players in this sample received 6.2% of their team’s total salary cap. That means each team was 

using 62% of their entire cap space on 10 players while only leaving 40% to distribute between 

43 other players. I used this measure to clearly see the significant pay inequality occurring in the 

NFL.   

My performance data was collected from www.pro­footballreference.com which 

originates from www.sports­reference.com and works with USA Today to provide the most 

accurate up­to­date statistical figures. From here I was able to collect my dependent variable of 

team performance measured by margin of victory. Average league­wide team performance 

appeared as ­0.004. This number is very close to zero because teams must lose by the same 

amount their opponent wins by so all teams have a combined average margin of victory equal to 

zero. This measure of performance differentiates itself from the normal measure used in recent 

studies. Many researchers in previous studies were using number of wins rather than how much 

teams were winning by. With a different measure of performance I was able to observe different 

results. Other variables I was able to collect through this database included each team’s number 

of wins per season, points for, points allowed, strength of schedule, and offensive and defensive 

quality. Because teams give up the same amount another team scores, the number of points for 

and points against across the entire league was the same at 343 points. Overall, teams had less 

8 

offensive quality points then the league average at ­0.054 and more defensive quality points at 

0.03. Strength of schedule is a key variable that I have not seen in past literature. This is 

measured using each team opponents offensive quality combined with their defensive quality. It 

is a measure of quality points rather than recorded points. Teams tended to face opponents that 

were ­0.013 quality points worse than the league average. With this measure I am able to account 

for a team win or loss due to how difficult their opponent is based on conference. I manually 

added each team’s conference specifically for this measure to differentiate between the strength 

of the American Football Conference (AFC) and the National Football Conference (NFC). The 

average conference was 0.5 because, of a 32 team league, there were 16 teams in each of the two 

conferences.   

Along with performance data and monetary data, I needed team valuations to capture the 

effect of a team’s overall profit gain on team performance. I used www.forbes.com to collect per 

team revenue, operating income, and the percent change in each teams total franchise value from 

one year to the next. Franchise value is the overall value of a team including all salaries, 

operating income and revenue. Each franchise for this sample size increased their value by 3.3% 

each season. Operating income consists of income received through channels such as advertising, 

merchandise sales and licensing agreements. The average income through operations was $26.79 

million per team. With these variables I was able to show how team performance could change 

due to change in team value. If teams are using a superstar approach, does their profit gain reflect 

this in a positive or negative way? It was important to account for other variables that could 

affect a team’s ability to win. I manually entered each team’s coach to control for differences in 

coaches throughout each season. The majority of team coaches were veterans for their team 

9 

throughout the 2006­2009 seasons while some teams did have newly hired coaches. Roach 

(2013) did a study showing how newly hired coaches affected team performance measured using 

wins. He found that firing a coach reduces a team’s expected performance for the next season 

and reduces their average performance for the next two seasons. Players gain a comfortability 

factor earned over years of being with a specific coach. They feel a sense of respect for their 

coach and confidence knowing that they have proven themselves. New coaches haven’t been 

around their players long enough to distinguish between different players’ abilities. New coaches 

put a player’s job security in question. Starters have to prove themselves once again which 

causes frustration and possible injuries. In addition, a new coach has to work hard to learn a new 

playbook and become familiar with the talent in front of him. It may take the course of an entire 

season to figure out the most efficient starting roster. With this variable I can account for that 

loss in confidence that could otherwise affect team performance. Refer to Table 1. (pg.17) for 

Summary Statistics.   

V. Model 

My study is done assuming team managers are working to allocate their resources across 

players as fairly and efficiently as possible in order to have the best possible season. In the NFL, 

because it is such a profitable and competitive sport, superstar players usually won’t accept a 

contract equal to that of their less talented teammate. Because the best possible season means to 

win every game by as many points as possible, I measure my dependent variable of team 

performance using each team’s average margin of victory. As stated above, this is the average 

amount of points each team wins by throughout a season. The purpose of this measure is to 

10 

determine which salary allocation approach will allow for the best possible outcome for each 

game throughout a season. 

I use an Ordinary Least Squares regression model below to express the relationship 

between team income distribution and team performance: 

TEAM_PERFit = β0+β1CAP_SPENTPPi + β2OVERALL_CAPi + β3PLAYER_CAPi + β4OP_INCOMEit +  β5REVENUEit + β6VAL_CHANGEit + β7TEAMi + β8YEARt + β9COACHi + β10CONFERENCEi + β11PLAYERi + β12POSITIONi + β13OFF_QUALITYit + β14DEF_QUALITYit + β15PFit + β16PAit + β17SCHED_STRENGTHit + β18WINSit + β19TIESit + eit   

The dependent variable TEAM_PERF is a measure of margin of victory calculated using average 

per team point differential. My key independent variable CAP_SPENTPP is the percent of a 

team’s total cap space spent per player for each team. This puts a percent measure on player 

salaries to show the precise value of each player compared to total team cap space. This helps to 

show the true significance of player income inequality. PLAYER_CAP is a team’s allotted dollar 

value from the total team cap that is pre­assigned to each player during the off season. This 

amount is not the true salary of each player because teams can choose to spend more or less than 

their pre­set salary limit based on circumstantial decisions once the season begins. Operating 

income is represented by OP_INCOME to measure profit before interest and taxes. The variable 

REVENUE measures each franchise’s total profit at the end of each season. VAL_CHANGE 

represents the percent of a team’s change in total franchise value from one year to the next. 

Using this variable I am able to see the percent increase or decrease of individual franchise 

values compared to other teams across the league and its relationship to team performance for 

that season.   

11 

I used multiple dummy variables that included COACH, CONFERENCE, and 

POSITION. Any first year coach for a team that season was labeled as 1 and for any coach that 

had been part of that team for at least one year or more was labeled as 0. Because there are only 

two conferences in the NFL, the AFC received a value of 1 while the NFC received a value of 0. 

Players were labeled based on what side of the ball they played on. Special teams players receive 

a value of 0, offensive players receive a value of 1, and defensive players receive a value of 2. If 

you refer to Table 1 (pg.17). you can see that the mean position is 1.68 signifying that a majority 

of the top 10 highest paid players were defensive players. With this dummy variable I was able 

to capture the effect playing on different sides of the ball had on team performance. 

The variable TEAM was given a value of 1 through 32 for the number of teams in the 

league while PLAYER was valued 1 through 1280 based on the number of player observations. 

There were four seasons recorded in this sample accounted for using the variable YEAR. 

OFF_QUALITY and DEF_QUALITY as well as PF and PA describe per­team offensive and 

defensive performance and their ability to score as well as prevent scoring. This is used in 

determining an accurate measure of the strength of a team’s opponent labeled as 

SCHED_STRENGTH. My last two variables, WINS and TIES are a more broad measure of 

performance. Including ties throughout a season shows what affect that gap between winning and 

losing would have on overall team performance. 

Though my data includes many observations and key variables, there were other lurking 

variables I was unable to account for. Race is a key variable that may have a small effect on team 

performance. Dufur and Feinberg (2008) through field research and semi­structured interviews 

found that minority players in the NFL experience discrimination during the hiring process. 

12 

While minority and white players described much of their labor experience as similar, minority 

athletes identify far more negative repercussions.  

VI. Results 

Refer to Table 2. (pg.18) for regression results. There was not a statistically significant 

correlation between the percent of a team’s total cap spent per player and team performance in 

my study. Overall, this study was effective in showing significant effects from other key 

variables on team performance. Nine variables showed to be significant at the 99% confidence 

level while three variables were significant at the 95% confidence level. My regression had an 

adjusted R2 of 0.99 meaning that my independent variables explain 99% of the variation in team 

performance.  

The overall team cap space (OVERALL_CAP) and operating income (OP_INCOME) 

were negatively correlated with team performance at the 99% confidence level. An additional 

$1,000,000 in total cap space is correlated with a 0.001 point reduction in team performance 

while an additional $1,000,000 earned in operating income was correlated with a 0.0003 point 

reduction in team performance that season. This seems strange at first, but teams that have more 

cap space may purchase more offensive or defensive players that year which could weaken the 

overall ability of the opposite side of the ball. Moreover, teams that forecast a bad season may 

put that excess cap space aside to use for the next season which would hurt them in the current 

season. Operating income consists of advertising and merchandise sales, so if certain superstar 

players are being heavily advertised before a game or throughout a season, that may cause them 

to attempt perform at a level unattainable for them in order to please the fans. This may in turn 

cause them to make irrational decisions that could potentially lose them a game that should 

13 

otherwise have been won. Year (YEAR) was also significant at the 99% confidence level. For 

every new season, team performance increased by 0.008 points. New talent is constantly being 

cycled through the NFL. Weaker teams draft younger more talented players than previous years 

in order to stay competitive. As weaker teams become stronger, overall competitiveness 

increases and team performance goes up. Offensive quality (OFF_QUALITY), defensive quality 

(DEF_QUALITY), points for (PF), points against (PA), and strength of schedule 

(SCHED_STRENGTH) were all significant at the 99% confidence level. This is most likely due 

to the fact that team performance is based on margin of victory derived points for and points 

against. For every one point increase in offensive and defensive quality, team performance 

increased by 0.89 points. These numbers are very close to the same because, as stated earlier, 

these are calculated based on points for and points against compared to the league average and a 

team must give up as many points as another team scores. Similarly, for every 1 point increase in 

points scored, team performance increased by 0.007 points and for every 1 point decrease in 

points allowed, team performance went down by 0.007 points. Strength of schedule was 

measured using each team opponent’s average offensive quality plus defensive quality. For every 

1 point increase in a team's schedule strength, overall team performance decreased by 0.89 

points. These variables are highly correlated because they are calculated based off of overall 

team performance rather than just offensive or just defensive performance.  

The percent change in a team’s overall value from one season to the next 

(VAL_CHANGE) was significant at the 95% confidence level. As team value increased by 1%, 

team performance also increased by 0.0007 points. Team value may increase due to gained 

popularity for a franchise. This newly gained popularity may help motivate players to perform 

14 

slightly better than in recent seasons. Whether or not you were a new coach for a team (COACH) 

was inversely related to team performance. If a team gained a newly hired coach that season, 

team performance decreased by 0.008 points. New coaches may need a season or two to adjust to 

new players and a new staff, so this makes sense that a team’s performance would suffer. 

Position (POSITION) was not significantly correlated with team performance. This was 

surprising, because my summary statistics showed that out of the top 10 highest paid players, 

teams hired a majority of defensive players. I would have expected this overcompensation on 

defense to have a significant effect on team performance.  

VII. Conclusion 

The salary cap puts a constraint on manager choices for player employment. I attempt to 

find how these different compensation strategies affect team performance. Through my research, 

I found that team performance is not significantly affected by the percent of a team’s cap space 

spent on the top 10 highest paid players. This shows that the superstar approach may be an 

effective strategy in the NFL. Although my main question was insignificant, I found that teams 

who gain substantial amounts of cap space tend to perform worse than in previous seasons. With 

new money, teams either go after fresh players out of college, or veterans in free agency. The 

Associated Press from New York Times wrote, “there are always reasons these players are 

available in the first place, be it consistency, character, chemistry or simply cost”. Teams recruit 

past superstars that may be too old or arrogant to work well with a new team.  

After coaches are fired, my study shows that teams with newly hired coaches tend to be 

less effective. Lack of communication, understanding, and mutual respect between veteran 

players and new coaches can inhibit a team’s ability to consistently play well together. Teams 

15 

may be more efficient when hiring coaches that are currently and have been part of the franchise, 

such as an offensive or defensive coordinator, in order to prevent coaches from having to enter a 

completely new team environment.  

With a greater sample size and additional variables, future research may show to be 

significant when relating player salaries to team performance. Variables such as race, weather, 

and number of years in the league are key variables I was unable to collect. Later studies may 

gather all needed variables to arrive at a more accurate conclusion. The perfect allocation of team 

resources is still in question, but further analysis may help determine the best possible approach 

when hiring players for the upcoming seasons.   

16 

                       Table 1. Summary Statistics                                      (Obs 1280) 

Variable  Mean  Std. Dev.  Min  Max TEAM_PERF CAP_SPENTPP OVERALL_CAP PLAYER_CAP OP_INCOME REVENUE VAL_CHANGE TEAM YEAR COACH* CONFERENCE* PLAYER* POSITION OFF_QUALITY DEF_QUALITY PF PA SCHED_STRENGTH WINS TIES 

­0.0039062 0.0624342 97.37266 4.780329 26.78906 228.5938 3.328125 16.5 2007.5 0.265625 0.5 640.5 1.89438 0.0539062 0.0304688 342.7188 343.0391 ­0.0125 8 0.015625 

6.737284 0.0348437 12.10949 2.717834 21.66751 35.30132 6.40454 9.236701 1.118471 0.4418381 0.5001954 369.6485 0.571289 4.617706 3.595683 73.50426 56.71864 1.799965 3.151132 0.1240681 

­16.3 0.01889 70.7 0.8 ­19.1 182 ­16 1 2006 0 0 1 0 ­11.7 ­9.2 168 201 ­4.6 0 0 

19.7 0.036869 135.1 21.20572 143.3 420 28 32 2009 1 1 1280 2 15.9 8.2 589 517 4.1 16 1 

                      *Dummy Variable    

17 

                      Table 2. Regression Results 

TEAM_PERF  Coef.  t­stat  p­value CAP_SPENTPP OVERALL_CAP*** PLAYER_CAP OP_INCOME*** REVENUE VAL_CHANGE** TEAM YEAR*** COACH** CONFERENCE PLAYER POSITION OFF_QUALITY*** DEF_QUALITY*** PF*** PA*** SCHED_STRENGTH*** WINS** TIES*** 

0.0367314 ­0.0008016 ­0.0003901 ­0.0002899 ­0.0000343 0.0006969 0.0000807 0.0076902 ­0.0081262 0.0029468 0.000079 ­0.0041378 0.8856808 0.8945963 0.0074019 ­0.0066212 ­0.8897069 ­0.002903 ­0.0435585 

0.62 ­4.15 ­0.60 ­2.57 ­0.45 2.06 0.46 2.71 ­2.13 0.84 0.29 ­1.30 88.62 89.40 11.81 ­10.47 ­89.48 ­2.25 ­3.41 

0.538 0.000 0.545 0.010 0.654 0.040 0.654 0.007 0.033 0.400 0.772 0.193 0.000 0.000 0.000 0.000 0.000 0.024 0.001 

* Significant at the 90% Confidence Level **Significant at the 95% Confidence Level ***Significant at the 99% Confidence Level 

18 

Figure 1. Top American League Brand Valuations (in million U.S. dollars) 

NBA 1999-lockout mid-way through season

NHL 2005-lockout led to cancellation of season

19 

Bibliography 

 Borghesi, Richard. 2008. Insight from the nfl salary cap. Journal of Economics and Business 

60(6): 536­550. 

 Forbes.com. 2006­2009. NFL Team Valuations. 

http://www.forbes.com/lists/2010/30/football­valuations­10_NFL­Team­Valuations_MetroArea.html. (Accessed February 7, 2015.) 

 Larsen, Andrew, Aju J. Fenn, and Erin Leanne Spenner 2006. The impact of free agency and the 

salary cap on competitive balance in the national football league. Journal of Sports Economics 7(4): 374­390. 

 Lazear, Edward P. 1989. Pay equality and industrial politics. Journal of Political Economy 

97(3): 561­580.  Leeds, Michael A., and Sandra Kowalewski 2001. Winner take all in the nfl: the effect of the 

salary cap and free agency on the compensation of skill position players. Journal of Sports Economics 2(3): 244­256. 

 The New York Times. 2015. More Money Available as NFL Teams Dive Into Free Agency. 

http://www.nytimes.com/aponline/2015/03/09/sports/football/ap­fbn­free­agency­approaches.html?_r=0. (Accessed March 2, 2015.) 

   Pro­Football­Reference. 2014. NFL Season By Season Scoring Summary. 

http://www.pro­football­reference.com/years/NFL/team_stats.htm. (Accessed October 10, 2014.) 

 Quinn, Kevin G., Melissa Geier, and Anne Berkovitz 2007. Superstars and journeymen: an 

analysis of national football team’s allocation of the salary cap across rosters, 2000­2005. North American Association of Sports Economics No. 07­22. 

 Roach, M.A. 2013. The effect of nfl  coaching changes on team performance in the salary cap 

era. Applied Economics Letters 20(17): 1553­1556. Rosen, Sherwin. 1981. The economics of superstars. The American Economic Review 71(5): 

845­858.  

20 

USA Today. 2014. Salaries Database. http://content.usatoday.com/sportsdata/football/nfl/salaries/team. (Accessed November 1, 2014.) 

21