为了提前预估马拉松的完成时间和平均配速，跑者在跑步训练时往往会根据训练指标来预测马拉松成绩，如马拉松次数、每周训练天数、每天平均训练距离、每周最大训练距离、每周平均训练距离、平均训练配速等。跑步者似乎期望距离越长，平均训练速度越快，马拉松成绩就越好。 　　

　　

　　Tanda (2011)记录了22名28-54岁的马拉松运动员在为期8周的马拉松训练中的日常运动训练数据。这项研究还记录了受试者的46场马拉松比赛，成绩从167分钟到216分钟不等。在记录的训练指标中，发现马拉松跑成绩主要受训练期间每周平均跑的距离(K)和平均训练步速(P)的影响(如下两图)。结果表明，8周训练过程的训练指数可以用来预测马拉松跑的平均配速。PM(秒/公里)=17.1 140.0exp [-0.0053k(公里/周)] 0.55p(秒/公里)，预测公式的估计标准误差为4分钟。本研究发现，马拉松次数的训练指针数据和每次训练的平均距离与马拉松成绩并不相关。 　　

　　

　　 　　

　　

　　 　　

　　

　　马拉松成绩与平均每周跑步距离(K)和平均训练速度(P)之间的关系图(Tanda，2011) 　　

　　

　　通过训练指针数据对马拉松跑成绩的预测方程有很多，但对于不同能力的跑者，没有单一的预测方程。基奥等(2019)收集了36篇研究论文中114个预测方程的数据，其中61个预测方程是通过训练指标和人体测量变量预测的，另外53个预测方程是通过添加实验室测试变量预测的；只有68个预测方程提供了R2值(R2=.10-.99)，只有19个预测方程提供了估计的标准误差数据(见0.27-27.4分钟)。这项研究质疑预测方程的实际应用。显然，不存在适用于所有马拉松跑者的成绩预测方程，训练指标变量的影响因素，如坡度、性别、天气条件等通常不包含在预测方程中，大部分预测方程也没有显示R2值。 　　

　　

　　Doherty等人(2020)收集了85轮研究，共收集了137组马拉松运动员(25%为女性)进行荟萃分析。平均每周跑步距离、每周跑步次数、单翼完成的最大跑步距离 　　

ek)、跑步≥32公里的次数 (number of runs ≥32 km completed in the pre-marathon training block)、平均跑步训练速度 (average running pace during training)、最长跑步距离 (distance of the longest run)、以及每周跑步小时数 (hours of running per week) 等训练指标变项，被用来预测马拉松的跑步时间。研究结果发现这些训练指标变项与马拉松跑步时间呈现负相关，R2值介于0.38-0.81之间 (p<0.001)。也就是说，所有的变项都呈现可以用来预测马拉松表现。研究结果呈现马拉松跑者、跑步教练可以依据预期完成的马拉松成绩，进行训练指标的规划与训练。

　　有关训练指标变项预测马拉松表现的相关研究，呈现出相当不一致的研究结果。只要研究数量增加、受试人数提高的情况下，训练过程的变项资料就容易达到统计上的预测效果。但是，实际上跑步训练的状况，可能还受到气候条件、性别、跑步路线坡度变化的影响，而且训练采用的强度与实际跑步能力并没有完全一致的关连，特别是经常采用间歇训练的马拉松爱好者。由此可见，训练指针变项的数据，或许是跑步者能力的重要参考数据，但是要直接用来预测马拉松表现，仍然有相当程度的限制。

　　比较科学的马拉松成绩预测方式，则是以跑者的有氧阈值 (aerobic threshold)、无氧阈值 (anaerobic threshold) 对应的速度进行预测。Esteve-Lanao等 (2019) 以16名 (8男、8女) 休闲跑者为对象，在16周的训练过程中，每四周 (共五个分析时间) 分析跑者的有氧阈值、无氧阈值、跑步经济性等变项。研究发现随着训练时间的增加，无氧阈值、无氧阈值会随着训练时间的增加逐渐提升，跑步经济性则只有在训练最后阶段显著提升。马拉松成绩与五个时间点有氧阈值、无氧阈值对应速度皆有显著相关 (r = 0.81 - 0.94)，当训练时间越久时，马拉松成绩与有氧阈值的相关越高。由此可见，透过跑者跑步生理能力的评量，可以更科学的预测马拉松成绩。

　　训练指标变项进行马拉松表现的预测，虽然受到部分研究的证实，但是很难有一个预测方程式适用全部的马拉松跑者。透过跑步生理变项的分析，进行马拉松表现预测，可能是更正确有效的方式，值得马拉松爱好者、跑步教练们参考与应用。