PROYEK_K2_KEL7
Kelompok 7
2025-09-16
Prosedur
- Data scrapping dari website trivago.com yaitu data hotel yang punya setidaknya satu kamar tersedia pada tanggal 4-5 September 2025.
- Data management yang dilakukan agar data
siap diolah lebih lanjut untuk dianalisis. Berikut adalah langkah
manajemen data yang diterapkan:
Mengisi nilai kosong (NA) pada kolom
Ratingdengan rata-rata rating dari hotel yang tidak memiliki keterangan fasilitas.Mengisi nilai kosong (NA) pada kolom
Jenis Ratingdengan ketentuan sebagai berikut:Rating < 7.5→ Bad7.5 ≤ Rating ≤ 8.0→ Good8.0 < Rating ≤ 8.9→ Very goodRating ≥ 9.0→ Excellent
Mengisi nilai kosong (NA) pada kolom
Jumlah Ulasandengan 0.Standardisasi kolom
Fasilitasdengan ketentuan sebagai berikut:Hotel tanpa fasilitas → “Tidak Ada Fasilitas”
Hotel dengan fasilitas dikategorikan ke dalam:
Rekreasi & Relaksasi: Mewakili fasilitas yang berhubungan dengan hiburan, olahraga, dan relaksasi tamu, seperti pool, jacuzzi, spa, fitness, rooftop view.
Makanan & Minuman : Menandakan adanya layanan F&B (food & beverage), seperti restoran dan cafe.
Kamar & Kenyamanan: - Mewakili kenyamanan kamar, pemandangan, dan fasilitas premium di dalam kamar.
Transportasi & Akses: Menunjukkan kemudahan akses transportasi dan lokasi strategis, seperti ke bandara, tempat wisata, dsb.
Pelayanan & Staf: - Pelayanan & Staf : Mewakili kualitas pelayanan dan keramahan staf hotel.
- Data Exploration & Visualization
- Regresi
Import Library & Data
library(readxl)
data_hotel_jakarta <- read_excel("C:\\Users\\ASUS R3\\Downloads\\trivago_1 (2).xlsx")Data Management
Mengisi nilai kosong (NA) pada kolom
Ratingdengan rata-rata rating dari hotel yang tidak memiliki keterangan fasilitaslibrary(dplyr)## ## Attaching package: 'dplyr'## The following objects are masked from 'package:stats': ## ## filter, lag## The following objects are masked from 'package:base': ## ## intersect, setdiff, setequal, uniondata_hotel_jakarta$Rating <- as.numeric(data_hotel_jakarta$Rating) rata2 <- round(mean(data_hotel_jakarta$Rating[is.na(data_hotel_jakarta$Fasilitas)], na.rm = TRUE),2) data_hotel_jakarta$Rating[is.na(data_hotel_jakarta$Rating)] <- rata2Mengisi nilai kosong (NA) pada kolom
Jenis Ratingberdasarkan nilai rating yang berasal dari rata-rata rating dari hotel yang tidak memiliki keterangan fasilitasdata_hotel_jakarta <- data_hotel_jakarta %>% mutate(`Jenis rating` = ifelse(Rating == 7.87 & `Jenis rating` == "Bad", "Good", `Jenis rating`))Standardisasi kolom
Fasilitaslibrary(stringr) get_kategori <- function(x) { kategori <- c() if (x == "" | is.na(x)) { return("Tidak Ada Fasilitas") } if (str_detect(x, regex("pool|jacuzzi|spa|fitness|relaxing|Massage|Sauna", ignore_case = TRUE))) { kategori <- c(kategori, "Rekreasi & Relaksasi") } if (str_detect(x, regex("restaurant|café|food|lounge|Breakfast", ignore_case = TRUE))) { kategori <- c(kategori, "Makanan & Minuman") } if (str_detect(x, regex("room|view|amenities|shopping|cozy|Fresh", ignore_case = TRUE))) { kategori <- c(kategori, "Kamar & Kenyamanan") } if (str_detect(x, regex("transport|location|access|Proximity|Strategic| Budget-Friendly|Minutes", ignore_case = TRUE))) { kategori <- c(kategori, "Transportasi & Akses") } if (str_detect(x, regex("staff|reception|Assistance|Housekeeping", ignore_case = TRUE))) { kategori <- c(kategori, "Pelayanan & Staf") } if (length(kategori) == 0) { return("Lainnya") } else { return(paste(kategori, collapse = ", ")) } } # apply ke dataframe data_hotel_jakarta$Kategori <- sapply(data_hotel_jakarta$Fasilitas, get_kategori) print(data_hotel_jakarta)## # A tibble: 1,033 × 8 ## `Nama Hotel` Fasilitas `Jarak ke pusat Kota` Rating `Jenis rating` ## <chr> <chr> <chr> <dbl> <chr> ## 1 Holiday Inn Express Ja… Relaxing… 3.5 km to City center 8.7 Excellent ## 2 eL Hotel Jakarta Refreshi… 8.4 km to City center 8.6 Excellent ## 3 Pejaten Valley Residen… Refreshi… 7.8 km to City center 8.3 Very good ## 4 Capital O 3300 Nadjara… Rooftop … 8.6 km to City center 6.2 Bad ## 5 Intercontinental Hotel… Upscale … 9.3 km to City center 9.6 Excellent ## 6 Holiday Inn Express Ja… Relaxing… 3.5 km to City center 8.7 Excellent ## 7 Oak Tree Urban Jacuzzi … 6.9 km to City center 7.7 Good ## 8 Ichiza Room RedPartner <NA> 7.2 km to City center 7.2 Bad ## 9 Juno Jatinegara Jakarta Convenie… 2.2 km to City center 9.1 Excellent ## 10 Urbanview Hotel Pasar … Convenie… 5.6 km to City center 7.5 Good ## # ℹ 1,023 more rows ## # ℹ 3 more variables: `Jumlah Rating` <chr>, Harga <chr>, Kategori <chr>Merapihkan Kolom dan menyesuaikan struktur data agar tidak salah terbaca oleh R
which(data_hotel_jakarta$Kategori == "Lainnya")## Budget-Friendly Jakarta Stay, Family-Friendly Perks
## 221
## Budget-friendly Jakarta Stay, Garden for Relaxation
## 237
## Well-equipped gym open 24/7, Versatile Event Venues
## 314
## Budget-Friendly Accommodation Option, On-Site Convenience Stores
## 469
## Budget-friendly option in central Jakarta, Family-Friendly Stay for Young Guests
## 586data_hotel_jakarta$Kategori[c(221, 237, 469, 586)] <- "Transportasi & Akses"
data_hotel_jakarta$Kategori[314] <- "Rekreasi & Relaksasi"
data_hotel_jakarta[c(221, 237, 314, 469, 586), c("Kategori")]## # A tibble: 5 × 1
## Kategori
## <chr>
## 1 Transportasi & Akses
## 2 Transportasi & Akses
## 3 Rekreasi & Relaksasi
## 4 Transportasi & Akses
## 5 Transportasi & Aksesdata_hotel_jakarta_bersih <- data_hotel_jakarta %>%
mutate(
Harga = str_replace_all(Harga, "[^0-9]", ""), # hapus semua selain angka
Harga = as.numeric(Harga) # ubah ke numerik
)
versi2 <- data_hotel_jakarta_bersih %>%
mutate(
# Membersihkan Jarak ke pusat Kota → numeric
`Jarak ke pusat Kota` = str_replace(`Jarak ke pusat Kota`, " km to City center", ""),
`Jarak ke pusat Kota` = as.numeric(`Jarak ke pusat Kota`),
# Membersihkan Jumlah Rating → numeric
`Jumlah Rating` = str_replace_all(`Jumlah Rating`, "[()a-zA-Z]", ""), # menghapus ( ) dan 'ratings'
`Jumlah Rating` = as.numeric(`Jumlah Rating`),
)## Warning: There was 1 warning in `mutate()`.
## ℹ In argument: `Jarak ke pusat Kota = as.numeric(`Jarak ke pusat Kota`)`.
## Caused by warning:
## ! NAs introduced by coercionversi2 <- versi2 %>% select(-2)
versi2## # A tibble: 1,033 × 7
## `Nama Hotel` `Jarak ke pusat Kota` Rating `Jenis rating` `Jumlah Rating`
## <chr> <dbl> <dbl> <chr> <dbl>
## 1 Holiday Inn Expr… 3.5 8.7 Excellent 6175
## 2 eL Hotel Jakarta 8.4 8.6 Excellent 11562
## 3 Pejaten Valley R… 7.8 8.3 Very good 572
## 4 Capital O 3300 N… 8.6 6.2 Bad 2169
## 5 Intercontinental… 9.3 9.6 Excellent 11944
## 6 Holiday Inn Expr… 3.5 8.7 Excellent 6175
## 7 Oak Tree Urban 6.9 7.7 Good 3321
## 8 Ichiza Room RedP… 7.2 7.2 Bad 33
## 9 Juno Jatinegara … 2.2 9.1 Excellent 4083
## 10 Urbanview Hotel … 5.6 7.5 Good 59
## # ℹ 1,023 more rows
## # ℹ 2 more variables: Harga <dbl>, Kategori <chr>Hasil Manajemen Data :
Missing value pada
Ratingtelah ditangani dengan imputasi rata-rata.Jenis rating dikategorikan menjadi “Bad” dan “Good/Excellent” untuk mempermudah analisis deskriptif dan visualisasi.
Fasilitas yang awalnya berupa teks bebas sekarang sudah dikelompokkan ke dalam beberapa kategori (rekreasi, makanan, kenyamanan, transportasi, staf), sehingga lebih mudah dilihat hubungannya dengan harga maupun rating.
Hasil Data Management (Tabel Siap Olah)
library(dplyr)
library(readxl)
library(writexl)## Warning: package 'writexl' was built under R version 4.4.3versi2 <- versi2 %>%
slice(-c(38, 430)) %>% # Akan dihapus karena untuk jarak nya berbeda satuan seharusnya ke pusat kota namun mengukur jarak ke pantai
rename(`Jumlah Ulasan` = `Jumlah Rating`)
versi2## # A tibble: 1,031 × 7
## `Nama Hotel` `Jarak ke pusat Kota` Rating `Jenis rating` `Jumlah Ulasan`
## <chr> <dbl> <dbl> <chr> <dbl>
## 1 Holiday Inn Expr… 3.5 8.7 Excellent 6175
## 2 eL Hotel Jakarta 8.4 8.6 Excellent 11562
## 3 Pejaten Valley R… 7.8 8.3 Very good 572
## 4 Capital O 3300 N… 8.6 6.2 Bad 2169
## 5 Intercontinental… 9.3 9.6 Excellent 11944
## 6 Holiday Inn Expr… 3.5 8.7 Excellent 6175
## 7 Oak Tree Urban 6.9 7.7 Good 3321
## 8 Ichiza Room RedP… 7.2 7.2 Bad 33
## 9 Juno Jatinegara … 2.2 9.1 Excellent 4083
## 10 Urbanview Hotel … 5.6 7.5 Good 59
## # ℹ 1,021 more rows
## # ℹ 2 more variables: Harga <dbl>, Kategori <chr>anyNA(versi2)## [1] FALSEData Exploration & Visualization
Setelah melakukan manajemen data hingga siap diolah, langkah selanjutnya adalah eksplorasi data dan visualisasi awal. Eksplorasi data bertujuan untuk memahami karakteristik umum dari dataset, seperti distribusi variabel, nilai maksimum dan minimum, serta potensi adanya data pencilan. Melalui eksplorasi ini dapat diperoleh gambaran awal pola yang muncul dari data, sehingga dapat mempermudah dalam menentukan langkah analisis berikutnya.
1. Cek Tipe data
Tahap awal eksplorasi dilakukan dengan mengecek tipe
data pada setiap variabel. Hal ini penting karena terkadang
data yang tampak numerik justru masih terbaca sebagai karakter atau
faktor di R. Untuk menghindari kesalahan dalam analisis, dilakukan
pengecekan tipe data menggunakan fungsi str().
str(versi2)## tibble [1,031 × 7] (S3: tbl_df/tbl/data.frame)
## $ Nama Hotel : chr [1:1031] "Holiday Inn Express Jakarta Wahid Hasyim By Ihg" "eL Hotel Jakarta" "Pejaten Valley Residence" "Capital O 3300 Nadjara Residence Syariah" ...
## $ Jarak ke pusat Kota: num [1:1031] 3.5 8.4 7.8 8.6 9.3 3.5 6.9 7.2 2.2 5.6 ...
## $ Rating : num [1:1031] 8.7 8.6 8.3 6.2 9.6 8.7 7.7 7.2 9.1 7.5 ...
## $ Jenis rating : chr [1:1031] "Excellent" "Excellent" "Very good" "Bad" ...
## $ Jumlah Ulasan : num [1:1031] 6175 11562 572 2169 11944 ...
## $ Harga : num [1:1031] 1088292 586131 368691 137271 3179023 ...
## $ Kategori : Named chr [1:1031] "Rekreasi & Relaksasi" "Rekreasi & Relaksasi, Makanan & Minuman, Kamar & Kenyamanan" "Rekreasi & Relaksasi, Makanan & Minuman, Kamar & Kenyamanan" "Rekreasi & Relaksasi, Kamar & Kenyamanan" ...
## ..- attr(*, "names")= chr [1:1031] "Relaxing Massage and Spa Services, On-Site Fitness Center" "Refreshing swimming pool for all ages, Tasty food at Sapphire Restaurant" "Refreshing Outdoor Swimming Pool, On-Site Restaurant and Café" "Rooftop with Scenic Views, Refreshing Swimming Pool" ...2. Analisis Statistika Deskriptif
Fungsi summary() digunakan untuk menampilkan ringkasan
statistik awal, seperti nilai minimum, maksimum, rata-rata, median, dan
kuartil.
summary(versi2)## Nama Hotel Jarak ke pusat Kota Rating Jenis rating
## Length:1031 Min. : 0.000 Min. :1.000 Length:1031
## Class :character 1st Qu.: 3.600 1st Qu.:7.870 Class :character
## Mode :character Median : 6.000 Median :8.000 Mode :character
## Mean : 6.297 Mean :8.073
## 3rd Qu.: 7.900 3rd Qu.:8.600
## Max. :39.400 Max. :9.800
## Jumlah Ulasan Harga Kategori
## Min. : 0 Min. : 95457 Length:1031
## 1st Qu.: 8 1st Qu.: 226180 Class :character
## Median : 408 Median : 378000 Mode :character
## Mean : 2424 Mean : 594303
## 3rd Qu.: 2404 3rd Qu.: 670001
## Max. :36274 Max. :5505500Berdasarkan hasil pengecekan struktur data, R telah membaca tipe variabel pada dataset dengan benar sehingga data aman untuk diolah pada tahap selanjutnya. Dataset ini memuat informasi mengenai 1032 hotel dengan beberapa variabel utama:
- Jarak ke pusat kota: berkisar antara 0 hingga 39.4 km, dengan rata-rata 6.297 km.
- Rating hotel: berada pada rentang 1.0 hingga 9.8, dengan median 8.0 dan rata-rata 8.07.
- Jumlah ulasan: sangat bervariasi, mulai dari 0 hingga 36274 ulasan, dengan median 408 dan rata-rata 2424 ulasan.
- Harga kamar: tercatat antara Rp95.457 hingga Rp5.505.500, dengan median Rp378.000 dan rata-rata Rp594.303.
3. Matriks Korelasi antar Peubah Numerik
library(dplyr)
library(ggplot2)## Warning: package 'ggplot2' was built under R version 4.4.3library(reshape2)## Warning: package 'reshape2' was built under R version 4.4.3library(corrplot)## Warning: package 'corrplot' was built under R version 4.4.3## corrplot 0.95 loaded#Pilih kolom numerik
data_corr <- versi2%>%
select(Harga, Rating, `Jarak ke pusat Kota`, `Jumlah Ulasan`)
# Buat matriks korelasi
cor_matrix <- cor(data_corr, use = "complete.obs")
#Visualisasi korelasi dengan corrplot
corrplot(cor_matrix, method = "color", type = "upper",
addCoef.col = "red", tl.col = "blue", tl.srt = 45)
# Scatterplot matrix untuk numerik
pairs(data_corr %>% select(Harga, Rating, `Jarak ke pusat Kota`, `Jumlah Ulasan`),
main = "Scatterplot Matrix Numerik")
Berdasarkan matriks korelasi tersebut, dapat dilihat bahwa
Rating, Jarak ke Pusat Kota dan
Jumlah Ulasan memiliki korelasi positif namun tidak kuat
karena kurang dari 0.5. Korelasi positif bermakna bila nilai peubah
Rating, Jarak ke Pusat Kota dan
Jumlah Ulasan naik maka nilai Harga akan
meningkat.
Berdasarkan scatterplot matrix, terlihat bahwa harga hotel cenderung meningkat seiring dengan rating yang lebih tinggi, meskipun terdapat variasi harga yang cukup besar pada rating yang sama. Jumlah ulasan juga menunjukkan kecenderungan meningkat pada hotel dengan rating tinggi, sementara hotel dengan rating rendah umumnya memiliki ulasan lebih sedikit. Lokasi hotel relatif dekat dengan pusat kota tampak lebih sering memiliki harga tinggi dan jumlah ulasan yang banyak, meskipun rating tidak sepenuhnya bergantung pada jarak. Secara keseluruhan, pola ini menunjukkan bahwa secara visual popularitas hotel (jumlah ulasan) lebih dipengaruhi oleh kualitas (rating) dan lokasi strategis, sedangkan harga dipengaruhi oleh kombinasi faktor rating, serta kedekatan dengan pusat kota.
4.Deteksi pencilan pada Y (Harga) dengan IQR
Q1 <- quantile(versi2$Harga, 0.25, na.rm = TRUE)
Q3 <- quantile(versi2$Harga, 0.75, na.rm = TRUE)
IQR <- Q3 - Q1
batas_bawah <- Q1 - 1.5 * IQR
batas_atas <- Q3 + 1.5 * IQR
outlier_harga <- versi2 %>%
filter(Harga < batas_bawah | Harga > batas_atas)
outlier_harga## # A tibble: 87 × 7
## `Nama Hotel` `Jarak ke pusat Kota` Rating `Jenis rating` `Jumlah Ulasan`
## <chr> <dbl> <dbl> <chr> <dbl>
## 1 Intercontinental… 9.3 9.6 Excellent 11944
## 2 DoubleTree by Hi… 1.1 9 Excellent 18216
## 3 Sari Pacific Jak… 3.6 8.6 Excellent 13416
## 4 Somerset Berlian… 7.3 8.6 Excellent 7106
## 5 Luxurious Pentho… 1.7 9.6 Excellent 316
## 6 The Sultan Hotel… 4.1 8.8 Excellent 21373
## 7 Mövenpick Hotel … 5.2 9 Excellent 6311
## 8 JS Luwansa Hotel… 2.1 8.9 Excellent 12957
## 9 Luxurious 2br Ap… 1.5 9.8 Excellent 100
## 10 Ancol Mansion 1-… 9.3 9.7 Excellent 42
## # ℹ 77 more rows
## # ℹ 2 more variables: Harga <dbl>, Kategori <chr>Terdapat 87 pencilan pada peubah Harga.Untuk saat ini
data akan tetap dipertahankan agar informasi data tidak hlang begitu
saja.
5. Visualisasi Data
Setelah melakukan pengecekan struktur data serta ringkasan statistik awal, langkah selanjutnya adalah melakukan visualisasi data. Visualisasi ini bertujuan untuk menampilkan pola dan karakteristik data secara lebih jelas, sehingga mempermudah dalam memahami distribusi maupun hubungan antarvariabel.
a. Sebaran Rating (Histogram)
library(ggplot2)
library(dplyr)
ggplot(versi2, aes(x = Rating)) +
geom_histogram(binwidth = 0.5, fill = "#1f77b4", color = "white") +
labs(title = "Histogram Rating Hotel", x = "Rating", y = "Jumlah") +
theme_minimal()
Histogram rating hotel menunjukkan bahwa sebagian besar hotel
dalam data memiliki nilai rating yang tinggi, terutama pada rentang 7
hingga 9. Puncak distribusi terlihat jelas di sekitar nilai 7,5 dengan
jumlah hotel yang mendominasi, mencapai sekitar 400 hotel. Hal ini
mengindikasikan bahwa mayoritas hotel dinilai baik hingga sangat baik
oleh konsumen. Sebaliknya, hanya sedikit hotel yang memiliki rating
rendah, misalnya pada kisaran 1 hingga 2 maupun sekitar 4 hingga 5, yang
dapat dianggap sebagai outlier. Pola ini menggambarkan distribusi yang
condong ke kiri (left-skewed), karena lebih banyak hotel dengan
rating tinggi dibandingkan rendah. Secara umum, distribusi rating yang
cenderung mengelompok pada kategori baik hingga sangat baik
memperlihatkan bahwa kualitas hotel-hotel di Jakarta relatif tinggi.
Kondisi ini juga menjelaskan mengapa variabel rating dalam analisis
regresi berpotensi berperan penting, meskipun keberadaan beberapa nilai
ekstrem tetap perlu diperhatikan karena dapat memengaruhi hasil uji
asumsi, khususnya normalitas residual.
b. Sebaran Harga (Density Plot)
ggplot(versi2, aes(x = Harga)) +
geom_density(fill = "#ff7f0e", alpha = 0.3) +
labs(title = "Sebaran Harga Hotel", x = "Harga", y = "Density") +
theme_minimal()
Grafik kepadatan harga hotel menunjukkan bahwa distribusi harga sangat right-skewed atau condong ke kanan. Sebagian besar hotel memiliki harga yang relatif rendah dan terkonsentrasi pada rentang awal, yang terlihat dari puncak kepadatan tinggi di dekat harga mendekati nol. Namun, terdapat ekor panjang ke arah kanan yang menandakan keberadaan sejumlah hotel dengan harga jauh lebih mahal, meskipun jumlahnya sedikit. Pola ini mengindikasikan adanya ketimpangan harga di pasar hotel, di mana mayoritas hotel menawarkan harga yang terjangkau, tetapi ada segmen kecil hotel premium dengan tarif yang jauh lebih tinggi.
c. Hubungan Rating dan Harga (Scatter
Plot)
ggplot(versi2, aes(x = Rating, y = Harga)) +
geom_point(color = "#2ca02c", alpha = 0.7, size = 3) +
geom_smooth(method = "lm", color = "red", se = TRUE) +
labs(title = "Scatterplot Rating vs Harga", x = "Rating", y = "Harga") +
theme_minimal()## `geom_smooth()` using formula = 'y ~ x'
Scatterplot antara rating dan harga hotel menunjukkan adanya kecenderungan hubungan positif, di mana semakin tinggi rating sebuah hotel, harga cenderung ikut meningkat. Garis regresi merah menegaskan pola linier ini, meskipun sebaran titik data menunjukkan variasi yang cukup besar. Pada rating menengah ke bawah (sekitar 1–5), harga hotel masih relatif rendah dengan sebaran yang tidak terlalu lebar. Namun, mulai dari rating 7 hingga 10, terlihat bahwa harga hotel bervariasi lebih besar, bahkan terdapat beberapa hotel dengan harga yang sangat tinggi meskipun memiliki rating yang sama. Hal ini mengindikasikan bahwa rating memang menjadi salah satu faktor penentu harga, tetapi bukan satu-satunya, karena faktor lain seperti lokasi, fasilitas, atau brand hotel juga kemungkinan besar memengaruhi variasi harga tersebut.
d. Hubungan Harga dan Jarak ke Pusat Kota
(Scatter Plot)
ggplot(versi2, aes(x = `Jarak ke pusat Kota`, y = Harga)) +
geom_point(aes(color = Harga), alpha = 0.7, size = 3) +
scale_color_gradient(low = "#1f77b4", high = "#ff7f0e") +
geom_smooth(method = "lm", color = "darkred", se = TRUE) +
labs(title = "Scatterplot Harga vs Jarak ke Pusat Kota",
x = "Jarak ke Pusat Kota (km)",
y = "Harga") +
theme_minimal()## `geom_smooth()` using formula = 'y ~ x'
Scatterplot harga hotel terhadap jarak ke pusat kota menunjukkan adanya kecenderungan negatif, di mana semakin jauh lokasi hotel dari pusat kota, harga hotel cenderung menurun. Garis regresi berwarna merah menegaskan pola tersebut dengan kemiringan negatif, menandakan adanya hubungan terbalik antara jarak dan harga. Titik-titik yang berwarna lebih gelap hingga oranye menunjukkan variasi harga yang cukup tinggi, terutama pada hotel yang berlokasi dekat dengan pusat kota. Hal ini mengindikasikan bahwa hotel di pusat kota memiliki harga lebih bervariasi dan cenderung lebih mahal, karena faktor strategis dan aksesibilitas. Sebaliknya, hotel yang berlokasi lebih jauh umumnya memiliki harga lebih rendah, meskipun ada beberapa pengecualian berupa outlier yang menunjukkan hotel mahal meski berlokasi di pinggiran. Secara keseluruhan, plot ini mendukung pemahaman bahwa kedekatan dengan pusat kota menjadi salah satu faktor penting yang memengaruhi harga hotel.
e. Sebaran Harga Berdasarkan Jenis Rating
(Boxplot)
ggplot(versi2, aes(x = `Jenis rating`, y = Harga, fill = `Jenis rating`)) +
geom_boxplot(alpha = 0.7) +
scale_fill_brewer(palette = "Set2") +
labs(title = "Boxplot Harga berdasarkan Tingkat Rating",
x = "Tingkat Rating", y = "Harga") +
theme_minimal() +
theme(legend.position = "none")
Boxplot harga berdasarkan tingkat rating pada gambar menunjukkan adanya variasi harga yang cukup besar di setiap kategori rating, namun dengan pola yang menarik. Produk dengan rating Excellent memiliki median harga paling tinggi dengan sebaran harga paling luas, terlihat dari panjangnya rentang interkuartil dan banyaknya outlier dengan harga sangat tinggi. Hal ini mengindikasikan bahwa meskipun banyak produk dengan rating tinggi memiliki harga sedang, terdapat pula produk premium dengan harga jauh lebih mahal. Sebaliknya, produk dengan rating Bad cenderung memiliki harga rendah dan sebarannya relatif sempit, menandakan bahwa produk dengan kualitas buruk jarang dihargai mahal. Untuk kategori Good dan Very good, distribusi harga berada di level menengah dengan variasi lebih kecil dibandingkan kategori Excellent. Secara umum, dapat disimpulkan bahwa produk dengan rating lebih tinggi tidak selalu identik dengan harga yang lebih tinggi secara konsisten, namun kategori Excellent memiliki kecenderungan menampung produk dengan harga yang jauh lebih bervariasi, termasuk produk mahal.
f. Hubungan Harga dan Jumlah Ulasan
(Scatter Plot)
ggplot(versi2, aes(x = `Jumlah Ulasan`, y = Harga)) +
geom_point(aes(color = Harga), alpha = 0.7, size = 3) +
scale_color_gradient(low = "#1f77b4", high = "#ff7f0e") +
geom_smooth(method = "lm", color = "darkred", se = TRUE) +
labs(title = "Scatterplot Harga vs jumlah ulasan",
x = "Jumlah Ulasan",
y = "Harga") +
theme_minimal()## `geom_smooth()` using formula = 'y ~ x'
Scatter plot antara harga dan jumlah ulasan menunjukkan adanya kecenderungan bahwa produk dengan jumlah ulasan yang lebih banyak cenderung memiliki harga yang juga lebih tinggi. Hal ini terlihat dari garis regresi yang menanjak positif, menandakan hubungan searah antara kedua variabel. Namun, distribusi titik data cukup menyebar luas, terutama pada jumlah ulasan yang rendah, di mana terdapat produk dengan harga sangat tinggi maupun sangat rendah. Sementara itu, pada jumlah ulasan yang semakin besar, harga produk cenderung lebih terkonsentrasi di level menengah hingga tinggi. Warna titik yang merepresentasikan harga juga memperkuat pola ini, dengan warna oranye (harga tinggi) lebih sering muncul pada area dengan jumlah ulasan yang banyak. Secara keseluruhan, meskipun hubungan positif dapat diamati, masih terdapat variasi besar sehingga faktor lain selain jumlah ulasan kemungkinan juga berperan dalam menentukan harga produk.
g. Perbandingan Jumlah Hotel Berdasarkan Jenis Rating (Bar Chart)
# Menghitung jumlah hotel per jenis rating
rating_summary <- versi2 %>%
group_by(`Jenis rating`) %>%
summarise(Jumlah_Hotel = n()) %>%
mutate(Persentase = Jumlah_Hotel / sum(Jumlah_Hotel) * 100)
# Memvisualisasikan perbandingan persentase dengan bar chart horizontal
ggplot(rating_summary, aes(x = `Jenis rating`, y = Persentase, fill = Persentase)) +
geom_col() +
coord_flip() + # buat horizontal supaya lebih rapi
scale_fill_gradient(low = "lightblue", high = "steelblue") +
labs(title = "Persentase Hotel per Jenis Rating",
x = "Jenis Rating",
y = "% Hotel") +
theme_minimal()
Diagram batang horizontal tentang persentase jumlah hotel berdasarkan jenis rating menunjukkan distribusi yang tidak merata antar kategori. Hotel dengan rating Good mendominasi dengan proporsi terbesar, sekitar sepertiga dari total hotel, diikuti oleh hotel dengan rating Excellent yang jumlahnya juga cukup signifikan. Sementara itu, kategori Very good menempati porsi yang lebih kecil, dan kategori Bad memiliki proporsi paling sedikit. Pola ini menggambarkan bahwa sebagian besar hotel cenderung berada di level menengah hingga tinggi, dengan sedikit hotel yang benar-benar buruk. Hal ini dapat mengindikasikan bahwa kualitas layanan dan fasilitas hotel secara umum sudah cukup baik, meskipun masih ada variasi yang membuat tidak semua hotel mencapai level Excellent.
Analisis Regresi
1. Pengujian Asumsi
Dilakukan uji asumsi untuk melihat apakah semua asumsi sudah
terpenuhi atau belum. Pengujian asumsi harus dilakukan agar model yang
didapatkan valid. Sebelum melakukan uji asumsi akan dilakukan pembuatan
kolom dummy untuk kategori Fasilitas dan
Jenis Rating, sehingga tabel siap untuk dilakukan regresi.
Untuk kategori fasilitas yang akan menjadi referensi adalah kategori
‘Tidak ada Fasilitas’ sedangkan untuk jenis rating yang menjadi refrensi
adalah kategori ‘Bad’. Berikut merupakan pengolahan data siap untuk
regresi.
library(dplyr)
versi2 <- versi2 %>%
mutate(`Jenis rating` = ifelse(is.na(`Jenis rating`) & Rating < 7.5, "Bad",
ifelse(is.na(`Jenis rating`) & Rating <= 8.0, "Good",
ifelse(is.na(`Jenis rating`) & Rating <= 8.9, "Very good",
ifelse(is.na(`Jenis rating`) & Rating >= 9, "Excellent", `Jenis rating`)))))
versi2fix <- versi2 %>%
# Dummy untuk Kategori Fasilitas
mutate(
F_Rekreasi = ifelse(grepl("Rekreasi & Relaksasi", Kategori), 1, 0),
F_Makanan = ifelse(grepl("Makanan & Minuman", Kategori), 1, 0),
F_Kamar = ifelse(grepl("Kamar & Kenyamanan", Kategori), 1, 0),
F_Transportasi = ifelse(grepl("Transportasi & Akses", Kategori), 1, 0),
F_Pelayanan = ifelse(grepl("Pelayanan & Staf", Kategori), 1, 0)
) %>%
select(-Kategori) %>% # hapus kolom asli fasilitas
# Dummy untuk Jenis Rating
mutate(
Rating_Excellent = ifelse(`Jenis rating` == "Excellent", 1, 0),
Rating_VeryGood = ifelse(`Jenis rating` == "Very good", 1, 0),
Rating_Good = ifelse(`Jenis rating` == "Good", 1, 0),
) %>%
select(-`Jenis rating`)
versi2fix## # A tibble: 1,031 × 13
## `Nama Hotel` `Jarak ke pusat Kota` Rating `Jumlah Ulasan` Harga F_Rekreasi
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Holiday Inn E… 3.5 8.7 6175 1.09e6 1
## 2 eL Hotel Jaka… 8.4 8.6 11562 5.86e5 1
## 3 Pejaten Valle… 7.8 8.3 572 3.69e5 1
## 4 Capital O 330… 8.6 6.2 2169 1.37e5 1
## 5 Intercontinen… 9.3 9.6 11944 3.18e6 0
## 6 Holiday Inn E… 3.5 8.7 6175 1.09e6 1
## 7 Oak Tree Urban 6.9 7.7 3321 4.32e5 1
## 8 Ichiza Room R… 7.2 7.2 33 1.38e5 0
## 9 Juno Jatinega… 2.2 9.1 4083 4.09e5 0
## 10 Urbanview Hot… 5.6 7.5 59 1.59e5 0
## # ℹ 1,021 more rows
## # ℹ 7 more variables: F_Makanan <dbl>, F_Kamar <dbl>, F_Transportasi <dbl>,
## # F_Pelayanan <dbl>, Rating_Excellent <dbl>, Rating_VeryGood <dbl>,
## # Rating_Good <dbl>Cek korelasi spearman untuk jenis rating dan fasilitas
library(dplyr)
library(ggcorrplot)## Warning: package 'ggcorrplot' was built under R version 4.4.3# 1️ Ubah Jenis rating menjadi ordered factor dan numeric
versi2$`Jenis rating` <- factor(
versi2$`Jenis rating`,
levels = c("Bad", "Good", "Very good", "Excellent"),
ordered = TRUE
)
rating_num <- as.numeric(versi2$`Jenis rating`)
# 2⃣ Pilih kolom dummy fasilitas dari versi2fix
nama_fasilitas <- c("F_Rekreasi", "F_Makanan", "F_Kamar", "F_Transportasi", "F_Pelayanan")
fasilitas_dummy <- versi2fix %>% select(all_of(nama_fasilitas))
# 3️ Gabungkan Harga, rating_num, dan fasilitas
df_all <- cbind(Harga = versi2$Harga, rating_num, fasilitas_dummy)
# 4️ Korelasi Harga vs Rating
corr_harga_rating <- cor(df_all$Harga, df_all$rating_num, method = "spearman")
print(paste("Spearman correlation Harga vs Rating:", round(corr_harga_rating, 3)))## [1] "Spearman correlation Harga vs Rating: 0.468"# 5️ Korelasi Harga vs Fasilitas (hasil per fasilitas)
corr_harga_fasilitas <- cor(df_all$Harga, df_all %>% select(all_of(nama_fasilitas)), method = "spearman")
print("Spearman correlation Harga vs Fasilitas:")## [1] "Spearman correlation Harga vs Fasilitas:"print(round(corr_harga_fasilitas, 3))## F_Rekreasi F_Makanan F_Kamar F_Transportasi F_Pelayanan
## [1,] 0.391 0.123 0.209 -0.102 -0.043# Buat vektor untuk simpan hasil
var_names <- colnames(df_all)[-1] # semua kolom kecuali Harga
results <- data.frame(
Variable = var_names,
Spearman_rho = NA,
p_value = NA
)
# Loop untuk tiap variabel terhadap Harga
for (i in seq_along(var_names)) {
test <- cor.test(df_all$Harga, df_all[[var_names[i]]], method = "spearman")
results$Spearman_rho[i] <- test$estimate
results$p_value[i] <- test$p.value
}## Warning in cor.test.default(df_all$Harga, df_all[[var_names[i]]], method =
## "spearman"): Cannot compute exact p-value with ties
## Warning in cor.test.default(df_all$Harga, df_all[[var_names[i]]], method =
## "spearman"): Cannot compute exact p-value with ties
## Warning in cor.test.default(df_all$Harga, df_all[[var_names[i]]], method =
## "spearman"): Cannot compute exact p-value with ties
## Warning in cor.test.default(df_all$Harga, df_all[[var_names[i]]], method =
## "spearman"): Cannot compute exact p-value with ties
## Warning in cor.test.default(df_all$Harga, df_all[[var_names[i]]], method =
## "spearman"): Cannot compute exact p-value with ties
## Warning in cor.test.default(df_all$Harga, df_all[[var_names[i]]], method =
## "spearman"): Cannot compute exact p-value with ties# Tampilkan hasil
results## Variable Spearman_rho p_value
## 1 rating_num 0.46797025 3.118712e-57
## 2 F_Rekreasi 0.39061214 6.440602e-39
## 3 F_Makanan 0.12301416 7.490492e-05
## 4 F_Kamar 0.20923502 1.157175e-11
## 5 F_Transportasi -0.10205041 1.033111e-03
## 6 F_Pelayanan -0.04341154 1.636576e-01Variabel akan tetap dipertahankan semua meskipun kontribusi masing-masing dalam hal korelasi tidak terllau besar.Karena tidak tahu kontribsuinya bila digabungkan dengan peubah lain, bisa saja justru lebih baik ketika bersama-sama.
Uji multikolinieritas dan asumsi ### a. Multikolinearitas uji multikolinieritas
library(car)## Loading required package: carData##
## Attaching package: 'car'## The following object is masked from 'package:dplyr':
##
## recodemodelversi2 <- lm(Harga ~ Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan`+ `Rating_Excellent` + `Rating_VeryGood`+ `Rating_Good`+F_Rekreasi + F_Makanan + F_Kamar + F_Transportasi + F_Pelayanan,
data = versi2fix)
summary(modelversi2)##
## Call:
## lm(formula = Harga ~ Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` +
## Rating_Excellent + Rating_VeryGood + Rating_Good + F_Rekreasi +
## F_Makanan + F_Kamar + F_Transportasi + F_Pelayanan, data = versi2fix)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1673426 -260799 -111318 116258 3836066
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -4.487e+05 2.178e+05 -2.060 0.03961 *
## Rating 1.333e+05 3.222e+04 4.138 3.79e-05 ***
## `Jarak ke pusat Kota` -2.055e+04 4.491e+03 -4.575 5.34e-06 ***
## `Jumlah Ulasan` 4.840e+01 4.736e+00 10.219 < 2e-16 ***
## Rating_Excellent 1.110e+05 9.679e+04 1.147 0.25168
## Rating_VeryGood -1.825e+05 8.107e+04 -2.251 0.02459 *
## Rating_Good -3.103e+04 6.800e+04 -0.456 0.64823
## F_Rekreasi 9.003e+04 5.283e+04 1.704 0.08863 .
## F_Makanan -1.139e+05 5.734e+04 -1.986 0.04726 *
## F_Kamar 3.157e+04 4.814e+04 0.656 0.51211
## F_Transportasi -1.759e+05 5.357e+04 -3.283 0.00106 **
## F_Pelayanan -2.247e+05 1.112e+05 -2.020 0.04365 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 543700 on 1019 degrees of freedom
## Multiple R-squared: 0.3383, Adjusted R-squared: 0.3312
## F-statistic: 47.37 on 11 and 1019 DF, p-value: < 2.2e-16vif(modelversi2)## Rating `Jarak ke pusat Kota` `Jumlah Ulasan`
## 3.256435 1.015353 1.762452
## Rating_Excellent Rating_VeryGood Rating_Good
## 7.054433 3.625318 3.650848
## F_Rekreasi F_Makanan F_Kamar
## 1.807400 1.128048 1.418615
## F_Transportasi F_Pelayanan
## 1.044540 1.020910Berdasarkan summary model tersebut diperoleh hasil intercept, peubah
Rating, Jarak ke Pusat Kota,
Jumlah Ulasan, Rating_VeryGood,
F_Makanan, F_Transportasi dan
F_Pelayanan berpengaruh signifikan pada taraf 10%. Kemudian
untuk hasil VIF masih dalam batas aman karena nilai VIF<10 untuk tiap
peubah. Hasil ringkasan model belum dapat dikatakan valid sebab perlu
mengecek terlebih dahulu asumsi-asumsi lain terpenuhi atau tidak.
b. Asumsi Gauss-Markov
Uji Heteroskedastisitas (Breusch–Pagan Test)
\(H_0\) : Varian residual homogen (homoskedastisitas).
\(H_1\) : Varian residual tidak homogen (heteroskedastisita).
library(lmtest)## Warning: package 'lmtest' was built under R version 4.4.3## Loading required package: zoo## ## Attaching package: 'zoo'## The following objects are masked from 'package:base': ## ## as.Date, as.Date.numericbptest(modelversi2)## ## studentized Breusch-Pagan test ## ## data: modelversi2 ## BP = 99.417, df = 11, p-value = 2.329e-16Interpretasi: Varian error tidak konstan. Artinya model OLS tidak lagi efisien (meski tetap tidak bias).
Uji Normalitas Residual (Shapiro–Wilk Test)
\(H_0\) : Residual berdistribusi normal.
\(H_1\) : Residual tidak berdistribusi normal.
shapiro.test(modelversi2$residuals)## ## Shapiro-Wilk normality test ## ## data: modelversi2$residuals ## W = 0.76112, p-value < 2.2e-16Interpretasi: Distribusi residual jauh dari normal. Hal ini bisa memengaruhi validitas uji-t dan uji-F.
Uji Autokorelasi (Durbin–Watson Test)
\(H_0\) : Tidak ada autokorelasi positif.
\(H_1\) : Ada autokorelasi positif.
dwtest(modelversi2)## ## Durbin-Watson test ## ## data: modelversi2 ## DW = 1.7207, p-value = 3.256e-06 ## alternative hypothesis: true autocorrelation is greater than 0Interpretasi: Error saling berkorelasi (misalnya antarobservasi berurutan). Ini melanggar asumsi independensi residual.
Uji Rata-rata Residual = 0 (One Sample t-test)
\(H_0\) : Rata-rata residual = 0.
\(H_1\) : Rata-rata residual ≠ 0.
t.test(modelversi2$residuals)##
## One Sample t-test
##
## data: modelversi2$residuals
## t = 1.2406e-15, df = 1030, p-value = 1
## alternative hypothesis: true mean is not equal to 0
## 95 percent confidence interval:
## -33046.27 33046.27
## sample estimates:
## mean of x
## 2.089191e-112. Deteksi amatan berpengaruh, titik leverage dan pencilan berdasarkan model regresi
AMATAN BERPENGARUH
library(olsrr)## Warning: package 'olsrr' was built under R version 4.4.3##
## Attaching package: 'olsrr'## The following object is masked from 'package:datasets':
##
## riverslibrary(MASS)## Warning: package 'MASS' was built under R version 4.4.3##
## Attaching package: 'MASS'## The following object is masked from 'package:olsrr':
##
## cement## The following object is masked from 'package:dplyr':
##
## selectindex <- c(1:1031)
ri <- studres (modelversi2)
ci <- cooks.distance(modelversi2)
DFITS <- dffits(modelversi2)
hi <- ols_hadi(modelversi2)
hii <- hatvalues(modelversi2)
hasil <- data.frame(index,ri,ci,DFITS,hi,hii);round(hasil,4)## index ri ci DFITS hadi potential residual hii
## 1 1 -0.0939 0.0000 -0.0086 0.0085 0.0084 0.0001 0.0083
## 2 2 -1.1433 0.0014 -0.1316 0.0287 0.0133 0.0154 0.0131
## 3 3 0.0338 0.0000 0.0046 0.0189 0.0189 0.0000 0.0185
## 4 4 -0.5385 0.0004 -0.0690 0.0198 0.0164 0.0034 0.0162
## 5 5 3.3928 0.0176 0.4613 0.1542 0.0185 0.1357 0.0182
## 6 6 -0.0939 0.0000 -0.0086 0.0085 0.0084 0.0001 0.0083
## 7 7 -0.1478 0.0000 -0.0208 0.0201 0.0198 0.0003 0.0194
## 8 8 -0.4198 0.0001 -0.0398 0.0111 0.0090 0.0021 0.0089
## 9 9 -0.4109 0.0007 -0.0935 0.0537 0.0517 0.0020 0.0492
## 10 10 -0.1356 0.0000 -0.0148 0.0121 0.0119 0.0002 0.0117
## 11 11 0.6244 0.0018 0.1456 0.0590 0.0544 0.0046 0.0516
## 12 12 -0.0304 0.0000 -0.0026 0.0071 0.0071 0.0000 0.0071
## 13 13 -0.4166 0.0001 -0.0348 0.0090 0.0070 0.0020 0.0069
## 14 14 -0.3529 0.0001 -0.0291 0.0083 0.0068 0.0015 0.0068
## 15 15 -0.2271 0.0001 -0.0292 0.0171 0.0165 0.0006 0.0163
## 16 16 -0.3472 0.0002 -0.0470 0.0198 0.0183 0.0014 0.0180
## 17 17 -0.3314 0.0001 -0.0267 0.0078 0.0065 0.0013 0.0064
## 18 18 -0.5406 0.0001 -0.0300 0.0065 0.0031 0.0034 0.0031
## 19 19 -0.5133 0.0004 -0.0672 0.0203 0.0171 0.0031 0.0169
## 20 20 0.5787 0.0026 0.1756 0.0961 0.0921 0.0039 0.0843
## 21 21 -0.9671 0.0004 -0.0730 0.0167 0.0057 0.0110 0.0057
## 22 22 -0.1391 0.0000 -0.0154 0.0125 0.0123 0.0002 0.0121
## 23 23 -0.1548 0.0000 -0.0136 0.0080 0.0077 0.0003 0.0076
## 24 24 -0.1643 0.0000 -0.0146 0.0082 0.0079 0.0003 0.0078
## 25 25 -0.6018 0.0004 -0.0701 0.0178 0.0136 0.0043 0.0134
## 26 26 -0.4052 0.0003 -0.0558 0.0209 0.0190 0.0019 0.0186
## 27 27 -0.1948 0.0000 -0.0174 0.0084 0.0080 0.0004 0.0079
## 28 28 -0.0928 0.0000 -0.0213 0.0527 0.0526 0.0001 0.0499
## 29 29 -0.4113 0.0002 -0.0519 0.0179 0.0160 0.0020 0.0157
## 30 30 0.2132 0.0001 0.0249 0.0141 0.0136 0.0005 0.0134
## 31 31 1.0606 0.0061 0.2713 0.0787 0.0654 0.0133 0.0614
## 32 32 -0.3002 0.0002 -0.0441 0.0226 0.0216 0.0011 0.0211
## 33 33 1.0194 0.0009 0.1062 0.0231 0.0108 0.0123 0.0107
## 34 34 -0.5198 0.0003 -0.0627 0.0177 0.0145 0.0032 0.0143
## 35 35 -0.6960 0.0004 -0.0712 0.0162 0.0105 0.0057 0.0103
## 36 36 -0.4216 0.0001 -0.0392 0.0107 0.0087 0.0021 0.0086
## 37 37 -0.1492 0.0000 -0.0160 0.0117 0.0115 0.0003 0.0113
## 38 38 -0.4917 0.0003 -0.0613 0.0184 0.0155 0.0028 0.0153
## 39 39 -0.4921 0.0002 -0.0424 0.0103 0.0074 0.0029 0.0074
## 40 40 -0.1515 0.0001 -0.0342 0.0514 0.0511 0.0003 0.0486
## 41 41 -0.1799 0.0001 -0.0250 0.0196 0.0193 0.0004 0.0189
## 42 42 -0.0729 0.0000 -0.0096 0.0174 0.0173 0.0001 0.0170
## 43 43 0.2769 0.0001 0.0422 0.0242 0.0232 0.0009 0.0227
## 44 44 -0.4977 0.0001 -0.0280 0.0061 0.0032 0.0029 0.0031
## 45 45 -0.8692 0.0013 -0.1242 0.0293 0.0204 0.0089 0.0200
## 46 46 0.6876 0.0003 0.0626 0.0138 0.0083 0.0056 0.0082
## 47 47 -1.0704 0.0006 -0.0849 0.0198 0.0063 0.0135 0.0062
## 48 48 -1.0154 0.0017 -0.1425 0.0319 0.0197 0.0122 0.0193
## 49 49 -0.8187 0.0008 -0.0996 0.0227 0.0148 0.0079 0.0146
## 50 50 -0.6439 0.0003 -0.0624 0.0143 0.0094 0.0049 0.0093
## 51 51 -0.0733 0.0000 -0.0091 0.0153 0.0153 0.0001 0.0150
## 52 52 -1.0232 0.0005 -0.0744 0.0176 0.0053 0.0123 0.0053
## 53 53 -0.0233 0.0000 -0.0054 0.0541 0.0541 0.0000 0.0513
## 54 54 -0.3976 0.0001 -0.0354 0.0098 0.0079 0.0019 0.0079
## 55 55 -0.1774 0.0000 -0.0146 0.0071 0.0068 0.0004 0.0067
## 56 56 -0.1408 0.0000 -0.0126 0.0082 0.0079 0.0002 0.0079
## 57 57 -0.3397 0.0001 -0.0346 0.0118 0.0104 0.0014 0.0103
## 58 58 -0.5617 0.0003 -0.0574 0.0142 0.0105 0.0037 0.0104
## 59 59 -0.6059 0.0007 -0.0885 0.0257 0.0213 0.0043 0.0209
## 60 60 -0.9558 0.0004 -0.0699 0.0161 0.0053 0.0108 0.0053
## 61 61 -0.1223 0.0000 -0.0137 0.0127 0.0125 0.0002 0.0124
## 62 62 0.3666 0.0001 0.0320 0.0092 0.0076 0.0016 0.0076
## 63 63 -0.5493 0.0001 -0.0320 0.0069 0.0034 0.0036 0.0034
## 64 64 -0.8455 0.0007 -0.0899 0.0197 0.0113 0.0084 0.0112
## 65 65 -0.9037 0.0004 -0.0657 0.0149 0.0053 0.0096 0.0053
## 66 66 -0.3494 0.0001 -0.0359 0.0120 0.0105 0.0014 0.0104
## 67 67 -0.3823 0.0000 -0.0218 0.0050 0.0033 0.0017 0.0033
## 68 68 -1.4917 0.0023 -0.1648 0.0384 0.0122 0.0262 0.0121
## 69 69 -0.3049 0.0001 -0.0268 0.0088 0.0077 0.0011 0.0077
## 70 70 -0.0131 0.0000 -0.0013 0.0099 0.0099 0.0000 0.0098
## 71 71 0.3532 0.0003 0.0561 0.0267 0.0252 0.0015 0.0246
## 72 72 0.3676 0.0003 0.0579 0.0264 0.0248 0.0016 0.0242
## 73 73 0.0067 0.0000 0.0008 0.0146 0.0146 0.0000 0.0143
## 74 74 -0.3159 0.0001 -0.0292 0.0097 0.0085 0.0012 0.0085
## 75 75 -0.5381 0.0003 -0.0596 0.0157 0.0123 0.0034 0.0121
## 76 76 -0.2726 0.0001 -0.0351 0.0174 0.0165 0.0009 0.0163
## 77 77 -0.3258 0.0001 -0.0295 0.0094 0.0082 0.0013 0.0081
## 78 78 -1.8780 0.0079 -0.3091 0.0687 0.0271 0.0416 0.0264
## 79 79 -0.3957 0.0000 -0.0226 0.0051 0.0033 0.0018 0.0033
## 80 80 -0.3929 0.0000 -0.0224 0.0051 0.0032 0.0018 0.0032
## 81 81 -0.4481 0.0002 -0.0435 0.0118 0.0094 0.0024 0.0093
## 82 82 -0.1832 0.0001 -0.0255 0.0198 0.0194 0.0004 0.0190
## 83 83 0.2624 0.0001 0.0423 0.0268 0.0260 0.0008 0.0254
## 84 84 -0.3321 0.0000 -0.0202 0.0050 0.0037 0.0013 0.0037
## 85 85 -0.0767 0.0000 -0.0111 0.0211 0.0210 0.0001 0.0206
## 86 86 1.2598 0.0012 0.1178 0.0275 0.0087 0.0187 0.0087
## 87 87 -0.2907 0.0001 -0.0311 0.0124 0.0115 0.0010 0.0113
## 88 88 -0.0738 0.0000 -0.0090 0.0150 0.0149 0.0001 0.0147
## 89 89 0.4015 0.0004 0.0697 0.0320 0.0301 0.0019 0.0292
## 90 90 -0.2109 0.0001 -0.0274 0.0174 0.0169 0.0005 0.0166
## 91 91 -1.6131 0.0017 -0.1421 0.0384 0.0078 0.0307 0.0077
## 92 92 -0.2766 0.0001 -0.0357 0.0176 0.0167 0.0009 0.0164
## 93 93 -0.0662 0.0000 -0.0058 0.0076 0.0076 0.0001 0.0075
## 94 94 -0.0241 0.0000 -0.0055 0.0515 0.0515 0.0000 0.0489
## 95 95 -0.2126 0.0001 -0.0286 0.0186 0.0181 0.0005 0.0178
## 96 96 -0.0756 0.0000 -0.0063 0.0070 0.0070 0.0001 0.0069
## 97 97 -0.0427 0.0000 -0.0052 0.0151 0.0151 0.0000 0.0148
## 98 98 -0.2065 0.0000 -0.0238 0.0138 0.0133 0.0005 0.0131
## 99 99 -0.6664 0.0008 -0.0985 0.0271 0.0218 0.0052 0.0214
## 100 100 0.0586 0.0000 0.0077 0.0173 0.0172 0.0000 0.0169
## 101 101 -0.4731 0.0003 -0.0636 0.0207 0.0181 0.0026 0.0178
## 102 102 0.6085 0.0002 0.0537 0.0122 0.0078 0.0044 0.0077
## 103 103 0.3052 0.0001 0.0375 0.0162 0.0151 0.0011 0.0148
## 104 104 -0.6068 0.0001 -0.0395 0.0086 0.0042 0.0043 0.0042
## 105 105 -0.3162 0.0001 -0.0276 0.0088 0.0076 0.0012 0.0076
## 106 106 -0.3232 0.0001 -0.0288 0.0092 0.0080 0.0012 0.0079
## 107 107 -0.5807 0.0005 -0.0738 0.0201 0.0161 0.0040 0.0159
## 108 108 -0.1858 0.0000 -0.0150 0.0069 0.0065 0.0004 0.0065
## 109 109 -0.4186 0.0001 -0.0296 0.0071 0.0050 0.0021 0.0050
## 110 110 0.1923 0.0000 0.0221 0.0136 0.0132 0.0004 0.0130
## 111 111 -0.2292 0.0000 -0.0200 0.0082 0.0076 0.0006 0.0076
## 112 112 -0.6180 0.0001 -0.0394 0.0086 0.0041 0.0045 0.0040
## 113 113 0.2286 0.0001 0.0333 0.0219 0.0213 0.0006 0.0208
## 114 114 -0.3561 0.0000 -0.0228 0.0056 0.0041 0.0015 0.0041
## 115 115 -0.3201 0.0001 -0.0257 0.0077 0.0064 0.0012 0.0064
## 116 116 0.0321 0.0000 0.0029 0.0083 0.0083 0.0000 0.0082
## 117 117 -0.1157 0.0000 -0.0212 0.0337 0.0336 0.0002 0.0325
## 118 118 -0.3393 0.0001 -0.0347 0.0118 0.0105 0.0014 0.0104
## 119 119 0.0838 0.0000 0.0127 0.0229 0.0228 0.0001 0.0223
## 120 120 0.1248 0.0000 0.0165 0.0176 0.0174 0.0002 0.0171
## 121 121 -0.6383 0.0005 -0.0783 0.0198 0.0150 0.0048 0.0148
## 122 122 0.1798 0.0000 0.0241 0.0183 0.0179 0.0004 0.0176
## 123 123 -1.1116 0.0025 -0.1724 0.0386 0.0241 0.0146 0.0235
## 124 124 -0.1929 0.0000 -0.0181 0.0093 0.0088 0.0004 0.0088
## 125 125 -0.4687 0.0003 -0.0589 0.0184 0.0158 0.0026 0.0156
## 126 126 -1.0360 0.0006 -0.0851 0.0194 0.0067 0.0127 0.0067
## 127 127 0.0397 0.0000 0.0050 0.0157 0.0156 0.0000 0.0154
## 128 128 0.1719 0.0001 0.0247 0.0210 0.0207 0.0003 0.0202
## 129 129 0.9983 0.0008 0.1003 0.0218 0.0101 0.0117 0.0100
## 130 130 0.4904 0.0004 0.0662 0.0210 0.0182 0.0028 0.0179
## 131 131 -0.3391 0.0000 -0.0189 0.0045 0.0031 0.0014 0.0031
## 132 132 -0.2779 0.0001 -0.0296 0.0122 0.0113 0.0009 0.0112
## 133 133 -1.1088 0.0006 -0.0878 0.0208 0.0063 0.0145 0.0062
## 134 134 -0.2626 0.0000 -0.0176 0.0053 0.0045 0.0008 0.0045
## 135 135 -0.3752 0.0000 -0.0203 0.0046 0.0029 0.0017 0.0029
## 136 136 -1.0303 0.0005 -0.0776 0.0182 0.0057 0.0125 0.0056
## 137 137 1.4316 0.0014 0.1315 0.0326 0.0084 0.0242 0.0084
## 138 138 -0.0509 0.0000 -0.0071 0.0197 0.0197 0.0000 0.0193
## 139 139 -0.3208 0.0001 -0.0285 0.0091 0.0079 0.0012 0.0078
## 140 140 0.8816 0.0040 0.2203 0.0716 0.0624 0.0092 0.0588
## 141 141 0.3338 0.0002 0.0484 0.0224 0.0211 0.0013 0.0206
## 142 142 -0.6086 0.0014 -0.1309 0.0506 0.0463 0.0044 0.0442
## 143 143 2.2884 0.0049 0.2427 0.0730 0.0112 0.0617 0.0111
## 144 144 -0.2006 0.0000 -0.0162 0.0070 0.0065 0.0005 0.0065
## 145 145 -0.1786 0.0000 -0.0159 0.0083 0.0079 0.0004 0.0078
## 146 146 0.0642 0.0000 0.0058 0.0081 0.0081 0.0000 0.0080
## 147 147 -0.0533 0.0000 -0.0043 0.0065 0.0065 0.0000 0.0064
## 148 148 -0.0296 0.0000 -0.0017 0.0033 0.0033 0.0000 0.0033
## 149 149 -0.0914 0.0000 -0.0076 0.0070 0.0069 0.0001 0.0069
## 150 150 -0.6705 0.0005 -0.0780 0.0188 0.0135 0.0053 0.0134
## 151 151 -0.1632 0.0000 -0.0136 0.0072 0.0069 0.0003 0.0069
## 152 152 -1.2347 0.0019 -0.1516 0.0331 0.0151 0.0180 0.0149
## 153 153 -0.3826 0.0001 -0.0353 0.0102 0.0085 0.0017 0.0084
## 154 154 -0.1599 0.0000 -0.0139 0.0079 0.0076 0.0003 0.0076
## 155 155 -0.3372 0.0002 -0.0457 0.0197 0.0183 0.0013 0.0180
## 156 156 -1.0896 0.0006 -0.0882 0.0205 0.0066 0.0140 0.0065
## 157 157 -0.4700 0.0005 -0.0762 0.0289 0.0263 0.0026 0.0256
## 158 158 0.2930 0.0000 0.0165 0.0042 0.0032 0.0010 0.0031
## 159 159 -0.6658 0.0002 -0.0530 0.0116 0.0063 0.0052 0.0063
## 160 160 0.5479 0.0005 0.0738 0.0217 0.0181 0.0035 0.0178
## 161 161 -0.7237 0.0006 -0.0855 0.0201 0.0140 0.0062 0.0138
## 162 162 -0.3973 0.0000 -0.0221 0.0050 0.0031 0.0019 0.0031
## 163 163 -0.4378 0.0001 -0.0401 0.0106 0.0084 0.0023 0.0083
## 164 164 -0.3416 0.0000 -0.0185 0.0043 0.0029 0.0014 0.0029
## 165 165 -0.4520 0.0002 -0.0512 0.0152 0.0128 0.0024 0.0126
## 166 166 -0.3427 0.0001 -0.0321 0.0101 0.0088 0.0014 0.0087
## 167 167 -1.9074 0.0091 -0.3317 0.0731 0.0302 0.0429 0.0293
## 168 168 -0.1062 0.0000 -0.0141 0.0178 0.0177 0.0001 0.0174
## 169 169 -0.4210 0.0001 -0.0397 0.0110 0.0089 0.0021 0.0088
## 170 170 1.5764 0.0020 0.1546 0.0389 0.0096 0.0293 0.0095
## 171 171 -0.3692 0.0001 -0.0349 0.0106 0.0090 0.0016 0.0089
## 172 172 -0.1823 0.0000 -0.0161 0.0082 0.0078 0.0004 0.0077
## 173 173 1.2890 0.0022 0.1607 0.0351 0.0155 0.0196 0.0153
## 174 174 0.4158 0.0002 0.0528 0.0182 0.0161 0.0020 0.0159
## 175 175 -0.0233 0.0000 -0.0028 0.0143 0.0143 0.0000 0.0141
## 176 176 0.2726 0.0000 0.0162 0.0044 0.0035 0.0009 0.0035
## 177 177 -0.0539 0.0000 -0.0049 0.0084 0.0083 0.0000 0.0083
## 178 178 -0.2624 0.0000 -0.0240 0.0092 0.0084 0.0008 0.0083
## 179 179 -0.5298 0.0004 -0.0724 0.0220 0.0187 0.0033 0.0183
## 180 180 -0.4305 0.0000 -0.0234 0.0051 0.0029 0.0022 0.0029
## 181 181 -0.0560 0.0000 -0.0081 0.0211 0.0211 0.0000 0.0206
## 182 182 0.2193 0.0000 0.0211 0.0098 0.0092 0.0006 0.0091
## 183 183 -0.8426 0.0011 -0.1137 0.0266 0.0182 0.0084 0.0179
## 184 184 0.2456 0.0001 0.0288 0.0145 0.0138 0.0007 0.0136
## 185 185 -1.1230 0.0009 -0.1025 0.0232 0.0083 0.0149 0.0083
## 186 186 -0.8961 0.0004 -0.0679 0.0152 0.0057 0.0095 0.0057
## 187 187 -0.1828 0.0000 -0.0184 0.0105 0.0102 0.0004 0.0100
## 188 188 0.0668 0.0000 0.0070 0.0110 0.0110 0.0001 0.0109
## 189 189 -0.0565 0.0000 -0.0074 0.0171 0.0170 0.0000 0.0167
## 190 190 -0.4437 0.0001 -0.0357 0.0088 0.0065 0.0023 0.0064
## 191 191 -1.1537 0.0006 -0.0872 0.0214 0.0057 0.0157 0.0057
## 192 192 -0.9221 0.0005 -0.0763 0.0169 0.0069 0.0100 0.0068
## 193 193 -0.2910 0.0001 -0.0255 0.0087 0.0077 0.0010 0.0076
## 194 194 -0.3489 0.0002 -0.0477 0.0201 0.0187 0.0014 0.0183
## 195 195 -0.2930 0.0001 -0.0416 0.0212 0.0202 0.0010 0.0198
## 196 196 -0.4363 0.0001 -0.0277 0.0063 0.0040 0.0022 0.0040
## 197 197 -0.2137 0.0000 -0.0210 0.0102 0.0096 0.0005 0.0095
## 198 198 0.1155 0.0000 0.0179 0.0242 0.0240 0.0002 0.0234
## 199 199 -0.0240 0.0000 -0.0022 0.0084 0.0084 0.0000 0.0084
## 200 200 -1.0084 0.0008 -0.0991 0.0217 0.0097 0.0120 0.0096
## 201 201 -3.1973 0.0585 -0.8414 0.1897 0.0693 0.1204 0.0648
## 202 202 -0.6530 0.0002 -0.0525 0.0115 0.0065 0.0050 0.0064
## 203 203 -0.4430 0.0003 -0.0613 0.0214 0.0191 0.0023 0.0188
## 204 204 -1.2282 0.0021 -0.1604 0.0348 0.0170 0.0178 0.0168
## 205 205 -0.5650 0.0001 -0.0328 0.0071 0.0034 0.0038 0.0034
## 206 206 -0.8165 0.0003 -0.0612 0.0135 0.0056 0.0079 0.0056
## 207 207 -0.2687 0.0000 -0.0238 0.0087 0.0078 0.0009 0.0078
## 208 208 -0.5622 0.0003 -0.0562 0.0137 0.0100 0.0037 0.0099
## 209 209 -0.4822 0.0002 -0.0494 0.0132 0.0105 0.0027 0.0104
## 210 210 -0.5144 0.0004 -0.0707 0.0220 0.0189 0.0031 0.0185
## 211 211 -0.4107 0.0000 -0.0222 0.0049 0.0029 0.0020 0.0029
## 212 212 -0.4394 0.0004 -0.0715 0.0287 0.0265 0.0023 0.0258
## 213 213 -0.3639 0.0001 -0.0364 0.0115 0.0100 0.0016 0.0099
## 214 214 -0.1683 0.0000 -0.0148 0.0081 0.0077 0.0003 0.0077
## 215 215 2.5458 0.0047 0.2389 0.0852 0.0088 0.0764 0.0087
## 216 216 0.2501 0.0001 0.0360 0.0215 0.0208 0.0007 0.0204
## 217 217 -0.5711 0.0005 -0.0763 0.0217 0.0179 0.0038 0.0176
## 218 218 0.0178 0.0000 0.0024 0.0174 0.0174 0.0000 0.0171
## 219 219 -0.1619 0.0000 -0.0182 0.0129 0.0126 0.0003 0.0125
## 220 220 -0.2811 0.0001 -0.0324 0.0142 0.0133 0.0009 0.0131
## 221 221 0.3309 0.0002 0.0545 0.0284 0.0271 0.0013 0.0264
## 222 222 0.3348 0.0002 0.0488 0.0225 0.0212 0.0013 0.0208
## 223 223 0.1346 0.0000 0.0215 0.0258 0.0256 0.0002 0.0250
## 224 224 -0.4215 0.0000 -0.0233 0.0052 0.0031 0.0021 0.0030
## 225 225 -0.7742 0.0003 -0.0634 0.0138 0.0067 0.0071 0.0067
## 226 226 0.1234 0.0000 0.0208 0.0285 0.0283 0.0002 0.0275
## 227 227 -0.5733 0.0001 -0.0339 0.0074 0.0035 0.0039 0.0035
## 228 228 -0.5665 0.0003 -0.0584 0.0144 0.0106 0.0038 0.0105
## 229 229 -0.3419 0.0000 -0.0186 0.0044 0.0030 0.0014 0.0030
## 230 230 -0.1058 0.0000 -0.0090 0.0073 0.0072 0.0001 0.0071
## 231 231 -0.3365 0.0001 -0.0308 0.0097 0.0084 0.0013 0.0083
## 232 232 0.0921 0.0000 0.0085 0.0086 0.0085 0.0001 0.0085
## 233 233 -0.9646 0.0009 -0.1018 0.0221 0.0111 0.0110 0.0110
## 234 234 -0.4449 0.0000 -0.0244 0.0054 0.0030 0.0023 0.0030
## 235 235 -0.2771 0.0001 -0.0359 0.0177 0.0168 0.0009 0.0165
## 236 236 0.4525 0.0004 0.0660 0.0237 0.0212 0.0024 0.0208
## 237 237 -0.1770 0.0001 -0.0261 0.0221 0.0218 0.0004 0.0213
## 238 238 -0.0956 0.0000 -0.0228 0.0567 0.0566 0.0001 0.0536
## 239 239 0.1633 0.0000 0.0177 0.0121 0.0118 0.0003 0.0116
## 240 240 -0.1616 0.0000 -0.0230 0.0205 0.0202 0.0003 0.0198
## 241 241 1.8280 0.0032 0.1958 0.0509 0.0115 0.0394 0.0113
## 242 242 -0.4156 0.0000 -0.0231 0.0051 0.0031 0.0020 0.0031
## 243 243 -0.3801 0.0001 -0.0405 0.0131 0.0114 0.0017 0.0112
## 244 244 -0.5726 0.0003 -0.0578 0.0141 0.0102 0.0039 0.0101
## 245 245 -0.5593 0.0001 -0.0366 0.0080 0.0043 0.0037 0.0043
## 246 246 0.1278 0.0000 0.0110 0.0075 0.0073 0.0002 0.0073
## 247 247 -0.6431 0.0002 -0.0494 0.0108 0.0059 0.0049 0.0059
## 248 248 -0.1815 0.0000 -0.0107 0.0039 0.0035 0.0004 0.0035
## 249 249 0.4507 0.0003 0.0555 0.0176 0.0152 0.0024 0.0150
## 250 250 -0.1275 0.0000 -0.0086 0.0047 0.0045 0.0002 0.0045
## 251 251 -0.6740 0.0002 -0.0527 0.0115 0.0061 0.0054 0.0061
## 252 252 -0.1034 0.0000 -0.0096 0.0088 0.0087 0.0001 0.0086
## 253 253 -0.0389 0.0000 -0.0050 0.0167 0.0167 0.0000 0.0164
## 254 254 -2.4543 0.0431 -0.7213 0.1574 0.0864 0.0710 0.0795
## 255 255 -0.3783 0.0000 -0.0205 0.0046 0.0029 0.0017 0.0029
## 256 256 0.1459 0.0000 0.0133 0.0086 0.0084 0.0003 0.0083
## 257 257 0.2517 0.0000 0.0217 0.0082 0.0075 0.0007 0.0074
## 258 258 0.1839 0.0002 0.0430 0.0550 0.0546 0.0004 0.0518
## 259 259 -0.4471 0.0001 -0.0363 0.0089 0.0066 0.0024 0.0065
## 260 260 -0.1247 0.0000 -0.0129 0.0109 0.0108 0.0002 0.0106
## 261 261 -0.0373 0.0000 -0.0053 0.0202 0.0202 0.0000 0.0198
## 262 262 -0.4805 0.0001 -0.0261 0.0057 0.0030 0.0027 0.0029
## 263 263 2.1110 0.0037 0.2113 0.0625 0.0100 0.0525 0.0099
## 264 264 -0.1206 0.0000 -0.0130 0.0118 0.0116 0.0002 0.0115
## 265 265 -0.3747 0.0002 -0.0466 0.0171 0.0154 0.0017 0.0152
## 266 266 0.2071 0.0001 0.0255 0.0157 0.0152 0.0005 0.0150
## 267 267 -1.0712 0.0006 -0.0863 0.0200 0.0065 0.0135 0.0065
## 268 268 -0.3907 0.0001 -0.0401 0.0123 0.0105 0.0018 0.0104
## 269 269 -0.0758 0.0000 -0.0105 0.0194 0.0193 0.0001 0.0189
## 270 270 -0.2386 0.0000 -0.0143 0.0043 0.0036 0.0007 0.0036
## 271 271 -0.6744 0.0005 -0.0762 0.0181 0.0128 0.0054 0.0126
## 272 272 -1.8694 0.0054 -0.2538 0.0596 0.0184 0.0412 0.0181
## 273 273 -1.6810 0.0044 -0.2289 0.0518 0.0185 0.0333 0.0182
## 274 274 -1.0480 0.0005 -0.0798 0.0187 0.0058 0.0129 0.0058
## 275 275 -0.4056 0.0001 -0.0355 0.0096 0.0077 0.0019 0.0076
## 276 276 -0.0257 0.0000 -0.0025 0.0098 0.0097 0.0000 0.0097
## 277 277 0.0943 0.0000 0.0106 0.0126 0.0125 0.0001 0.0124
## 278 278 -0.0021 0.0000 -0.0002 0.0085 0.0085 0.0000 0.0084
## 279 279 -0.3128 0.0001 -0.0282 0.0093 0.0081 0.0012 0.0081
## 280 280 0.3176 0.0002 0.0428 0.0194 0.0182 0.0012 0.0179
## 281 281 -0.9428 0.0007 -0.0909 0.0198 0.0093 0.0105 0.0092
## 282 282 0.5644 0.0003 0.0643 0.0167 0.0130 0.0038 0.0128
## 283 283 -1.8825 0.0038 -0.2149 0.0548 0.0130 0.0418 0.0129
## 284 284 -0.4262 0.0004 -0.0685 0.0280 0.0258 0.0021 0.0252
## 285 285 -0.1817 0.0000 -0.0146 0.0069 0.0065 0.0004 0.0065
## 286 286 -0.0464 0.0000 -0.0041 0.0077 0.0077 0.0000 0.0076
## 287 287 -0.2624 0.0001 -0.0362 0.0199 0.0191 0.0008 0.0187
## 288 288 -2.6996 0.0407 -0.7014 0.1534 0.0675 0.0859 0.0632
## 289 289 0.5658 0.0008 0.0977 0.0336 0.0298 0.0038 0.0290
## 290 290 -0.4007 0.0001 -0.0363 0.0101 0.0082 0.0019 0.0081
## 291 291 -0.6371 0.0004 -0.0651 0.0152 0.0104 0.0048 0.0103
## 292 292 -0.1472 0.0000 -0.0200 0.0187 0.0184 0.0003 0.0181
## 293 293 0.3623 0.0002 0.0441 0.0164 0.0148 0.0015 0.0146
## 294 294 0.1164 0.0000 0.0147 0.0162 0.0161 0.0002 0.0158
## 295 295 0.0734 0.0000 0.0094 0.0166 0.0165 0.0001 0.0163
## 296 296 -0.0263 0.0000 -0.0029 0.0120 0.0120 0.0000 0.0119
## 297 297 -0.2403 0.0000 -0.0226 0.0095 0.0088 0.0007 0.0088
## 298 298 -0.8393 0.0009 -0.1050 0.0240 0.0157 0.0083 0.0154
## 299 299 -0.3921 0.0001 -0.0366 0.0105 0.0087 0.0018 0.0086
## 300 300 -0.4864 0.0001 -0.0366 0.0084 0.0057 0.0028 0.0056
## 301 301 -0.0971 0.0000 -0.0079 0.0067 0.0066 0.0001 0.0066
## 302 302 -0.6222 0.0002 -0.0498 0.0110 0.0064 0.0046 0.0064
## 303 303 -0.3997 0.0002 -0.0492 0.0171 0.0152 0.0019 0.0149
## 304 304 -0.8010 0.0008 -0.0952 0.0217 0.0141 0.0076 0.0139
## 305 305 1.1570 0.0010 0.1095 0.0247 0.0090 0.0158 0.0089
## 306 306 0.0120 0.0000 0.0012 0.0108 0.0108 0.0000 0.0106
## 307 307 -0.3763 0.0000 -0.0204 0.0046 0.0029 0.0017 0.0029
## 308 308 -0.8818 0.0016 -0.1389 0.0340 0.0248 0.0092 0.0242
## 309 309 -0.5012 0.0004 -0.0667 0.0206 0.0177 0.0030 0.0174
## 310 310 2.0671 0.0040 0.2192 0.0616 0.0112 0.0504 0.0111
## 311 311 0.6115 0.0003 0.0645 0.0155 0.0111 0.0044 0.0110
## 312 312 -0.2744 0.0000 -0.0219 0.0073 0.0064 0.0009 0.0063
## 313 313 0.7395 0.0004 0.0692 0.0152 0.0088 0.0064 0.0087
## 314 314 -0.5407 0.0004 -0.0733 0.0218 0.0184 0.0034 0.0180
## 315 315 -0.4329 0.0000 -0.0239 0.0053 0.0030 0.0022 0.0030
## 316 316 -0.4398 0.0004 -0.0659 0.0247 0.0224 0.0023 0.0219
## 317 317 -0.6055 0.0004 -0.0668 0.0165 0.0122 0.0043 0.0120
## 318 318 -0.7575 0.0006 -0.0819 0.0185 0.0117 0.0068 0.0116
## 319 319 1.2406 0.0024 0.1693 0.0368 0.0186 0.0181 0.0183
## 320 320 -1.4220 0.0015 -0.1358 0.0330 0.0091 0.0238 0.0090
## 321 321 0.1104 0.0000 0.0090 0.0067 0.0066 0.0001 0.0065
## 322 322 1.6796 0.0130 0.3949 0.0885 0.0553 0.0332 0.0524
## 323 323 1.0172 0.0018 0.1482 0.0334 0.0212 0.0122 0.0208
## 324 324 -0.6183 0.0006 -0.0854 0.0236 0.0191 0.0045 0.0187
## 325 325 -0.6316 0.0002 -0.0498 0.0109 0.0062 0.0047 0.0062
## 326 326 -0.8803 0.0008 -0.0983 0.0216 0.0125 0.0091 0.0123
## 327 327 -0.4387 0.0002 -0.0463 0.0134 0.0111 0.0023 0.0110
## 328 328 -0.9223 0.0007 -0.0928 0.0201 0.0101 0.0100 0.0100
## 329 329 -0.8585 0.0004 -0.0702 0.0154 0.0067 0.0087 0.0066
## 330 330 -0.6159 0.0004 -0.0678 0.0166 0.0121 0.0045 0.0120
## 331 331 -1.0650 0.0005 -0.0792 0.0189 0.0055 0.0134 0.0055
## 332 332 0.3240 0.0001 0.0278 0.0086 0.0073 0.0012 0.0073
## 333 333 0.1622 0.0000 0.0133 0.0071 0.0067 0.0003 0.0067
## 334 334 -0.1042 0.0000 -0.0097 0.0089 0.0087 0.0001 0.0087
## 335 335 -0.8726 0.0006 -0.0881 0.0192 0.0102 0.0090 0.0101
## 336 336 -0.5773 0.0002 -0.0504 0.0115 0.0076 0.0039 0.0076
## 337 337 -0.4989 0.0003 -0.0632 0.0190 0.0160 0.0029 0.0158
## 338 338 -0.0361 0.0000 -0.0041 0.0128 0.0128 0.0000 0.0127
## 339 339 0.6077 0.0005 0.0806 0.0220 0.0176 0.0044 0.0173
## 340 340 -0.2887 0.0000 -0.0166 0.0043 0.0033 0.0010 0.0033
## 341 341 -0.0264 0.0000 -0.0034 0.0166 0.0166 0.0000 0.0163
## 342 342 0.5512 0.0013 0.1256 0.0555 0.0519 0.0036 0.0493
## 343 343 -0.0320 0.0000 -0.0035 0.0117 0.0116 0.0000 0.0115
## 344 344 -0.5954 0.0006 -0.0820 0.0231 0.0190 0.0042 0.0186
## 345 345 -0.5511 0.0002 -0.0498 0.0117 0.0082 0.0036 0.0081
## 346 346 -0.4194 0.0002 -0.0443 0.0132 0.0111 0.0021 0.0110
## 347 347 0.0418 0.0000 0.0053 0.0159 0.0159 0.0000 0.0156
## 348 348 -0.6369 0.0004 -0.0695 0.0167 0.0119 0.0048 0.0118
## 349 349 -0.3019 0.0001 -0.0412 0.0197 0.0186 0.0011 0.0183
## 350 350 -0.0269 0.0000 -0.0027 0.0099 0.0099 0.0000 0.0098
## 351 351 -0.3609 0.0002 -0.0467 0.0183 0.0168 0.0015 0.0165
## 352 352 -0.0787 0.0000 -0.0081 0.0106 0.0105 0.0001 0.0104
## 353 353 -0.3247 0.0001 -0.0250 0.0072 0.0060 0.0012 0.0059
## 354 354 -1.2586 0.0015 -0.1342 0.0300 0.0114 0.0187 0.0112
## 355 355 -0.5520 0.0002 -0.0494 0.0116 0.0080 0.0036 0.0079
## 356 356 0.4175 0.0004 0.0654 0.0266 0.0245 0.0021 0.0239
## 357 357 0.1864 0.0000 0.0233 0.0161 0.0157 0.0004 0.0154
## 358 358 -0.6172 0.0002 -0.0464 0.0101 0.0057 0.0045 0.0056
## 359 359 1.9243 0.0054 0.2551 0.0612 0.0176 0.0436 0.0173
## 360 360 2.1939 0.0034 0.2017 0.0652 0.0085 0.0567 0.0084
## 361 361 0.5699 0.0005 0.0781 0.0226 0.0188 0.0038 0.0184
## 362 362 -0.0293 0.0000 -0.0026 0.0081 0.0081 0.0000 0.0080
## 363 363 0.6047 0.0003 0.0580 0.0135 0.0092 0.0043 0.0091
## 364 364 0.2745 0.0003 0.0642 0.0556 0.0547 0.0009 0.0519
## 365 365 0.2463 0.0001 0.0314 0.0170 0.0163 0.0007 0.0160
## 366 366 -0.8357 0.0006 -0.0822 0.0179 0.0097 0.0082 0.0096
## 367 367 -0.0658 0.0000 -0.0053 0.0065 0.0065 0.0001 0.0064
## 368 368 -0.2112 0.0001 -0.0285 0.0187 0.0182 0.0005 0.0178
## 369 369 0.6517 0.0002 0.0485 0.0105 0.0055 0.0050 0.0055
## 370 370 -0.2254 0.0000 -0.0214 0.0096 0.0090 0.0006 0.0089
## 371 371 -0.0580 0.0000 -0.0063 0.0118 0.0117 0.0000 0.0116
## 372 372 -0.4638 0.0002 -0.0468 0.0127 0.0102 0.0025 0.0101
## 373 373 1.8168 0.0035 0.2044 0.0516 0.0127 0.0389 0.0125
## 374 374 -0.3888 0.0001 -0.0414 0.0131 0.0113 0.0018 0.0112
## 375 375 0.0568 0.0000 0.0070 0.0151 0.0150 0.0000 0.0148
## 376 376 -0.6391 0.0002 -0.0450 0.0098 0.0050 0.0048 0.0049
## 377 377 2.2620 0.0077 0.3054 0.0785 0.0182 0.0603 0.0179
## 378 378 0.0489 0.0000 0.0073 0.0224 0.0224 0.0000 0.0219
## 379 379 -0.4381 0.0001 -0.0278 0.0063 0.0040 0.0023 0.0040
## 380 380 0.2256 0.0001 0.0303 0.0186 0.0180 0.0006 0.0177
## 381 381 0.2558 0.0000 0.0228 0.0087 0.0079 0.0008 0.0079
## 382 382 -0.6155 0.0003 -0.0575 0.0132 0.0087 0.0045 0.0087
## 383 383 -0.5532 0.0002 -0.0441 0.0100 0.0063 0.0036 0.0063
## 384 384 -0.0250 0.0000 -0.0033 0.0170 0.0169 0.0000 0.0167
## 385 385 -0.7606 0.0003 -0.0556 0.0122 0.0053 0.0068 0.0053
## 386 386 -0.3789 0.0001 -0.0342 0.0098 0.0081 0.0017 0.0081
## 387 387 -0.7544 0.0008 -0.1009 0.0246 0.0179 0.0067 0.0176
## 388 388 0.2093 0.0000 0.0211 0.0107 0.0101 0.0005 0.0100
## 389 389 -0.4700 0.0011 -0.1135 0.0609 0.0583 0.0026 0.0551
## 390 390 -0.0106 0.0000 -0.0009 0.0065 0.0065 0.0000 0.0065
## 391 391 -0.3200 0.0000 -0.0179 0.0043 0.0031 0.0012 0.0031
## 392 392 -0.6883 0.0005 -0.0806 0.0193 0.0137 0.0056 0.0135
## 393 393 -1.2646 0.0024 -0.1686 0.0366 0.0178 0.0188 0.0175
## 394 394 -0.0377 0.0000 -0.0038 0.0101 0.0100 0.0000 0.0099
## 395 395 -0.3742 0.0001 -0.0424 0.0145 0.0128 0.0017 0.0127
## 396 396 -0.2864 0.0001 -0.0291 0.0113 0.0103 0.0010 0.0102
## 397 397 -0.5288 0.0001 -0.0288 0.0063 0.0030 0.0033 0.0030
## 398 398 -0.9067 0.0012 -0.1211 0.0275 0.0179 0.0097 0.0175
## 399 399 2.0528 0.0036 0.2091 0.0600 0.0104 0.0497 0.0103
## 400 400 -1.6262 0.0110 -0.3631 0.0810 0.0499 0.0312 0.0475
## 401 401 -0.9453 0.0009 -0.1048 0.0228 0.0123 0.0105 0.0121
## 402 402 0.6156 0.0002 0.0495 0.0109 0.0065 0.0045 0.0064
## 403 403 -0.3023 0.0001 -0.0305 0.0113 0.0102 0.0011 0.0101
## 404 404 -0.2940 0.0000 -0.0235 0.0074 0.0064 0.0010 0.0064
## 405 405 -0.5481 0.0001 -0.0319 0.0069 0.0034 0.0035 0.0034
## 406 406 -0.7489 0.0005 -0.0766 0.0171 0.0105 0.0066 0.0103
## 407 407 2.4249 0.0056 0.2593 0.0807 0.0114 0.0693 0.0113
## 408 408 0.6726 0.0010 0.1087 0.0315 0.0261 0.0053 0.0255
## 409 409 -0.2912 0.0001 -0.0314 0.0126 0.0116 0.0010 0.0115
## 410 410 0.2789 0.0000 0.0228 0.0076 0.0067 0.0009 0.0066
## 411 411 1.6666 0.0025 0.1729 0.0435 0.0108 0.0327 0.0106
## 412 412 -0.3139 0.0001 -0.0271 0.0086 0.0074 0.0012 0.0074
## 413 413 -0.2015 0.0000 -0.0182 0.0086 0.0081 0.0005 0.0080
## 414 414 -0.8591 0.0008 -0.0968 0.0214 0.0127 0.0087 0.0125
## 415 415 -2.5053 0.0200 -0.4916 0.1125 0.0385 0.0740 0.0371
## 416 416 -0.5118 0.0001 -0.0284 0.0062 0.0031 0.0031 0.0031
## 417 417 0.0592 0.0000 0.0089 0.0229 0.0228 0.0000 0.0223
## 418 418 -0.6908 0.0004 -0.0723 0.0166 0.0110 0.0056 0.0108
## 419 419 0.0094 0.0000 0.0012 0.0165 0.0165 0.0000 0.0162
## 420 420 -1.0636 0.0011 -0.1154 0.0251 0.0118 0.0133 0.0116
## 421 421 -0.3444 0.0001 -0.0337 0.0110 0.0096 0.0014 0.0095
## 422 422 -0.6321 0.0005 -0.0778 0.0199 0.0151 0.0047 0.0149
## 423 423 -0.2793 0.0002 -0.0468 0.0289 0.0280 0.0009 0.0273
## 424 424 -0.8162 0.0011 -0.1159 0.0280 0.0202 0.0079 0.0198
## 425 425 -0.8529 0.0033 -0.1983 0.0627 0.0541 0.0086 0.0513
## 426 426 -0.6623 0.0007 -0.0900 0.0236 0.0185 0.0052 0.0181
## 427 427 -0.0064 0.0000 -0.0006 0.0099 0.0099 0.0000 0.0098
## 428 428 -0.3936 0.0000 -0.0223 0.0050 0.0032 0.0018 0.0032
## 429 429 -0.6761 0.0003 -0.0605 0.0134 0.0080 0.0054 0.0079
## 430 430 0.0581 0.0000 0.0040 0.0047 0.0047 0.0000 0.0047
## 431 431 -0.4382 0.0002 -0.0473 0.0139 0.0116 0.0023 0.0115
## 432 432 -0.1724 0.0000 -0.0157 0.0087 0.0083 0.0004 0.0082
## 433 433 0.3322 0.0001 0.0357 0.0128 0.0115 0.0013 0.0114
## 434 434 2.3972 0.0057 0.2627 0.0797 0.0120 0.0677 0.0119
## 435 435 -0.1777 0.0000 -0.0164 0.0089 0.0085 0.0004 0.0084
## 436 436 -0.8010 0.0007 -0.0885 0.0198 0.0122 0.0076 0.0121
## 437 437 -1.0560 0.0008 -0.0967 0.0215 0.0084 0.0131 0.0083
## 438 438 -0.2714 0.0000 -0.0221 0.0075 0.0066 0.0009 0.0066
## 439 439 -0.3022 0.0001 -0.0300 0.0109 0.0099 0.0011 0.0098
## 440 440 -0.3925 0.0001 -0.0314 0.0082 0.0064 0.0018 0.0064
## 441 441 -0.4381 0.0002 -0.0445 0.0126 0.0103 0.0023 0.0102
## 442 442 -0.5684 0.0002 -0.0523 0.0123 0.0085 0.0038 0.0084
## 443 443 -0.6631 0.0004 -0.0651 0.0148 0.0096 0.0052 0.0096
## 444 444 0.3590 0.0002 0.0433 0.0161 0.0145 0.0015 0.0143
## 445 445 -0.3185 0.0002 -0.0450 0.0212 0.0200 0.0012 0.0196
## 446 446 -0.0217 0.0000 -0.0047 0.0470 0.0470 0.0000 0.0449
## 447 447 1.0635 0.0006 0.0857 0.0198 0.0065 0.0133 0.0065
## 448 448 -0.5317 0.0001 -0.0312 0.0068 0.0034 0.0033 0.0034
## 449 449 -0.7608 0.0002 -0.0466 0.0106 0.0037 0.0068 0.0037
## 450 450 -0.6692 0.0003 -0.0630 0.0141 0.0088 0.0053 0.0088
## 451 451 0.1491 0.0000 0.0187 0.0161 0.0158 0.0003 0.0155
## 452 452 0.0978 0.0000 0.0127 0.0170 0.0169 0.0001 0.0166
## 453 453 -1.0428 0.0009 -0.1047 0.0229 0.0101 0.0128 0.0100
## 454 454 0.4410 0.0001 0.0423 0.0115 0.0092 0.0023 0.0091
## 455 455 0.7651 0.0017 0.1438 0.0422 0.0353 0.0069 0.0341
## 456 456 -0.6499 0.0003 -0.0569 0.0127 0.0077 0.0050 0.0076
## 457 457 -1.1255 0.0006 -0.0818 0.0202 0.0053 0.0149 0.0053
## 458 458 -0.2239 0.0000 -0.0180 0.0071 0.0065 0.0006 0.0065
## 459 459 2.4893 0.0069 0.2878 0.0864 0.0134 0.0730 0.0132
## 460 460 -1.0464 0.0014 -0.1282 0.0279 0.0150 0.0129 0.0148
## 461 461 -1.1719 0.0019 -0.1493 0.0324 0.0162 0.0162 0.0160
## 462 462 -1.4346 0.0014 -0.1319 0.0327 0.0085 0.0243 0.0084
## 463 463 -0.3375 0.0001 -0.0274 0.0079 0.0066 0.0013 0.0066
## 464 464 -0.6633 0.0006 -0.0862 0.0221 0.0169 0.0052 0.0166
## 465 465 2.4235 0.0048 0.2407 0.0791 0.0099 0.0692 0.0098
## 466 466 -0.3895 0.0001 -0.0398 0.0122 0.0105 0.0018 0.0104
## 467 467 0.0544 0.0000 0.0068 0.0158 0.0158 0.0000 0.0155
## 468 468 0.6739 0.0005 0.0762 0.0181 0.0128 0.0054 0.0126
## 469 469 3.9948 0.0112 0.3698 0.1967 0.0086 0.1881 0.0085
## 470 470 -0.0640 0.0000 -0.0077 0.0146 0.0145 0.0000 0.0143
## 471 471 -1.5303 0.0047 -0.2385 0.0519 0.0243 0.0276 0.0237
## 472 472 -0.5157 0.0001 -0.0279 0.0061 0.0029 0.0031 0.0029
## 473 473 -0.4796 0.0002 -0.0483 0.0128 0.0101 0.0027 0.0100
## 474 474 -0.8854 0.0010 -0.1099 0.0247 0.0154 0.0092 0.0152
## 475 475 -0.6232 0.0005 -0.0798 0.0210 0.0164 0.0046 0.0161
## 476 476 -0.9718 0.0005 -0.0805 0.0180 0.0069 0.0111 0.0068
## 477 477 -0.7602 0.0003 -0.0625 0.0136 0.0068 0.0068 0.0067
## 478 478 0.1836 0.0000 0.0142 0.0064 0.0060 0.0004 0.0059
## 479 479 -0.9893 0.0006 -0.0880 0.0194 0.0079 0.0115 0.0078
## 480 480 -0.2872 0.0001 -0.0310 0.0126 0.0116 0.0010 0.0115
## 481 481 0.1149 0.0001 0.0256 0.0497 0.0495 0.0002 0.0472
## 482 482 -0.2303 0.0000 -0.0186 0.0072 0.0065 0.0006 0.0065
## 483 483 -0.3258 0.0001 -0.0270 0.0081 0.0069 0.0013 0.0068
## 484 484 0.0876 0.0000 0.0114 0.0171 0.0171 0.0001 0.0168
## 485 485 0.1851 0.0000 0.0179 0.0097 0.0093 0.0004 0.0092
## 486 486 1.0077 0.0018 0.1466 0.0331 0.0212 0.0120 0.0207
## 487 487 -0.4294 0.0001 -0.0391 0.0105 0.0083 0.0022 0.0082
## 488 488 -0.5224 0.0002 -0.0507 0.0126 0.0094 0.0032 0.0093
## 489 489 0.6964 0.0006 0.0876 0.0215 0.0158 0.0057 0.0156
## 490 490 0.0548 0.0000 0.0046 0.0072 0.0071 0.0000 0.0071
## 491 491 -0.6177 0.0002 -0.0450 0.0098 0.0053 0.0045 0.0053
## 492 492 0.3187 0.0005 0.0750 0.0566 0.0554 0.0012 0.0525
## 493 493 0.8915 0.0005 0.0806 0.0175 0.0082 0.0094 0.0081
## 494 494 -0.3857 0.0001 -0.0331 0.0091 0.0074 0.0018 0.0073
## 495 495 1.7170 0.0101 0.3493 0.0761 0.0414 0.0347 0.0397
## 496 496 -0.2874 0.0001 -0.0340 0.0150 0.0140 0.0010 0.0138
## 497 497 -0.0020 0.0000 -0.0002 0.0068 0.0068 0.0000 0.0067
## 498 498 -0.4932 0.0003 -0.0608 0.0181 0.0152 0.0029 0.0150
## 499 499 -0.6123 0.0006 -0.0831 0.0228 0.0184 0.0044 0.0181
## 500 500 0.0376 0.0000 0.0038 0.0101 0.0101 0.0000 0.0100
## 501 501 -0.9989 0.0005 -0.0783 0.0179 0.0061 0.0118 0.0061
## 502 502 -0.4489 0.0001 -0.0251 0.0055 0.0031 0.0024 0.0031
## 503 503 0.9368 0.0005 0.0763 0.0170 0.0066 0.0103 0.0066
## 504 504 -0.0109 0.0000 -0.0011 0.0104 0.0104 0.0000 0.0102
## 505 505 0.2666 0.0001 0.0309 0.0143 0.0135 0.0008 0.0133
## 506 506 0.3496 0.0001 0.0279 0.0078 0.0064 0.0014 0.0063
## 507 507 -0.3915 0.0001 -0.0361 0.0103 0.0085 0.0018 0.0084
## 508 508 -0.3990 0.0001 -0.0325 0.0085 0.0067 0.0019 0.0066
## 509 509 -0.6133 0.0001 -0.0347 0.0076 0.0032 0.0044 0.0032
## 510 510 -1.0430 0.0005 -0.0786 0.0185 0.0057 0.0128 0.0057
## 511 511 -0.8024 0.0007 -0.0914 0.0206 0.0130 0.0076 0.0128
## 512 512 -0.4658 0.0002 -0.0489 0.0136 0.0110 0.0026 0.0109
## 513 513 0.2475 0.0001 0.0313 0.0167 0.0159 0.0007 0.0157
## 514 514 0.5621 0.0002 0.0466 0.0106 0.0069 0.0037 0.0068
## 515 515 -0.4577 0.0002 -0.0507 0.0147 0.0122 0.0025 0.0121
## 516 516 -0.3244 0.0001 -0.0261 0.0077 0.0065 0.0012 0.0064
## 517 517 0.5741 0.0004 0.0716 0.0194 0.0155 0.0039 0.0153
## 518 518 0.9896 0.0013 0.1267 0.0279 0.0164 0.0115 0.0161
## 519 519 0.2093 0.0000 0.0170 0.0071 0.0066 0.0005 0.0065
## 520 520 -0.7957 0.0008 -0.0982 0.0227 0.0152 0.0075 0.0150
## 521 521 0.2382 0.0001 0.0421 0.0319 0.0313 0.0007 0.0303
## 522 522 -0.3586 0.0001 -0.0295 0.0083 0.0068 0.0015 0.0067
## 523 523 -1.1050 0.0007 -0.0942 0.0217 0.0073 0.0144 0.0072
## 524 524 0.5001 0.0002 0.0447 0.0109 0.0080 0.0029 0.0079
## 525 525 -0.1995 0.0000 -0.0159 0.0068 0.0064 0.0005 0.0063
## 526 526 -0.2863 0.0001 -0.0363 0.0171 0.0161 0.0010 0.0158
## 527 527 -0.8328 0.0005 -0.0779 0.0169 0.0088 0.0082 0.0087
## 528 528 -0.8981 0.0004 -0.0691 0.0154 0.0059 0.0095 0.0059
## 529 529 0.0509 0.0000 0.0071 0.0197 0.0197 0.0000 0.0193
## 530 530 -0.3335 0.0000 -0.0199 0.0049 0.0036 0.0013 0.0036
## 531 531 -0.0143 0.0000 -0.0034 0.0562 0.0562 0.0000 0.0532
## 532 532 1.4071 0.0015 0.1342 0.0324 0.0091 0.0233 0.0090
## 533 533 -0.5272 0.0001 -0.0334 0.0073 0.0040 0.0033 0.0040
## 534 534 -0.3692 0.0000 -0.0214 0.0050 0.0033 0.0016 0.0033
## 535 535 -0.3297 0.0001 -0.0378 0.0144 0.0132 0.0013 0.0130
## 536 536 -0.4392 0.0002 -0.0479 0.0142 0.0119 0.0023 0.0118
## 537 537 -0.2404 0.0000 -0.0215 0.0087 0.0080 0.0007 0.0079
## 538 538 0.2813 0.0001 0.0359 0.0172 0.0163 0.0009 0.0160
## 539 539 1.3667 0.0009 0.1023 0.0276 0.0056 0.0220 0.0056
## 540 540 -0.0806 0.0000 -0.0077 0.0092 0.0091 0.0001 0.0090
## 541 541 -1.4758 0.0016 -0.1393 0.0346 0.0089 0.0257 0.0088
## 542 542 0.0298 0.0000 0.0030 0.0101 0.0101 0.0000 0.0100
## 543 543 0.1588 0.0000 0.0125 0.0065 0.0062 0.0003 0.0062
## 544 544 -0.5828 0.0004 -0.0653 0.0166 0.0125 0.0040 0.0124
## 545 545 -0.4624 0.0001 -0.0254 0.0055 0.0030 0.0025 0.0030
## 546 546 -0.5987 0.0005 -0.0745 0.0197 0.0155 0.0042 0.0153
## 547 547 -0.8209 0.0005 -0.0804 0.0175 0.0096 0.0079 0.0095
## 548 548 -0.8265 0.0004 -0.0708 0.0154 0.0073 0.0081 0.0073
## 549 549 0.2163 0.0001 0.0326 0.0232 0.0227 0.0006 0.0222
## 550 550 -0.4239 0.0001 -0.0246 0.0055 0.0034 0.0021 0.0033
## 551 551 -0.6269 0.0002 -0.0468 0.0102 0.0056 0.0046 0.0055
## 552 552 -0.4771 0.0003 -0.0639 0.0206 0.0179 0.0027 0.0176
## 553 553 -0.4116 0.0000 -0.0241 0.0054 0.0034 0.0020 0.0034
## 554 554 1.7343 0.0032 0.1972 0.0484 0.0129 0.0355 0.0128
## 555 555 -0.2107 0.0000 -0.0170 0.0070 0.0065 0.0005 0.0064
## 556 556 -1.1610 0.0012 -0.1209 0.0267 0.0108 0.0159 0.0107
## 557 557 -0.2542 0.0000 -0.0203 0.0071 0.0064 0.0008 0.0063
## 558 558 0.4254 0.0003 0.0601 0.0221 0.0200 0.0021 0.0196
## 559 559 -0.1231 0.0000 -0.0197 0.0257 0.0255 0.0002 0.0249
## 560 560 0.2469 0.0000 0.0188 0.0065 0.0058 0.0007 0.0058
## 561 561 0.5641 0.0006 0.0844 0.0261 0.0224 0.0038 0.0219
## 562 562 -0.8766 0.0005 -0.0778 0.0169 0.0079 0.0091 0.0078
## 563 563 0.7154 0.0003 0.0584 0.0127 0.0067 0.0060 0.0066
## 564 564 2.4026 0.0160 0.4387 0.1014 0.0333 0.0680 0.0323
## 565 565 0.3205 0.0002 0.0437 0.0198 0.0186 0.0012 0.0182
## 566 566 -1.4521 0.0013 -0.1273 0.0325 0.0077 0.0249 0.0076
## 567 567 -0.5326 0.0003 -0.0582 0.0153 0.0119 0.0033 0.0118
## 568 568 -0.0765 0.0000 -0.0071 0.0086 0.0086 0.0001 0.0085
## 569 569 -0.1435 0.0000 -0.0115 0.0066 0.0064 0.0002 0.0063
## 570 570 -0.6061 0.0002 -0.0448 0.0098 0.0055 0.0043 0.0054
## 571 571 -0.1187 0.0000 -0.0122 0.0107 0.0106 0.0002 0.0104
## 572 572 3.3335 0.0169 0.4530 0.1494 0.0185 0.1310 0.0181
## 573 573 -0.5021 0.0002 -0.0511 0.0133 0.0104 0.0030 0.0103
## 574 574 0.0661 0.0000 0.0050 0.0058 0.0057 0.0001 0.0057
## 575 575 0.0422 0.0000 0.0032 0.0056 0.0056 0.0000 0.0056
## 576 576 -0.2404 0.0000 -0.0218 0.0089 0.0082 0.0007 0.0081
## 577 577 -0.2193 0.0001 -0.0246 0.0132 0.0126 0.0006 0.0125
## 578 578 0.7436 0.0023 0.1671 0.0570 0.0505 0.0065 0.0481
## 579 579 -0.1921 0.0001 -0.0298 0.0244 0.0240 0.0004 0.0234
## 580 580 1.9387 0.0056 0.2592 0.0622 0.0179 0.0443 0.0176
## 581 581 -0.0774 0.0000 -0.0068 0.0077 0.0077 0.0001 0.0076
## 582 582 0.7554 0.0003 0.0576 0.0125 0.0058 0.0067 0.0058
## 583 583 0.7865 0.0009 0.1037 0.0247 0.0174 0.0073 0.0171
## 584 584 0.3950 0.0002 0.0471 0.0160 0.0142 0.0018 0.0140
## 585 585 -0.4175 0.0003 -0.0625 0.0245 0.0224 0.0021 0.0219
## 586 586 -0.1823 0.0000 -0.0211 0.0138 0.0134 0.0004 0.0132
## 587 587 0.9384 0.0005 0.0740 0.0166 0.0062 0.0104 0.0062
## 588 588 -1.1744 0.0010 -0.1092 0.0249 0.0087 0.0163 0.0086
## 589 589 -0.6710 0.0004 -0.0694 0.0160 0.0107 0.0053 0.0106
## 590 590 -0.8177 0.0005 -0.0795 0.0173 0.0094 0.0079 0.0094
## 591 591 -0.4347 0.0001 -0.0384 0.0100 0.0078 0.0022 0.0077
## 592 592 0.0456 0.0000 0.0053 0.0137 0.0137 0.0000 0.0135
## 593 593 -1.8915 0.0027 -0.1806 0.0513 0.0091 0.0422 0.0090
## 594 594 0.0909 0.0000 0.0106 0.0138 0.0137 0.0001 0.0135
## 595 595 -0.6224 0.0001 -0.0403 0.0088 0.0042 0.0046 0.0042
## 596 596 3.0385 0.0194 0.4847 0.1343 0.0254 0.1088 0.0248
## 597 597 -0.4756 0.0003 -0.0593 0.0182 0.0155 0.0027 0.0153
## 598 598 -0.4599 0.0010 -0.1108 0.0606 0.0581 0.0025 0.0549
## 599 599 -0.1662 0.0000 -0.0187 0.0130 0.0126 0.0003 0.0125
## 600 600 -0.7756 0.0006 -0.0816 0.0182 0.0111 0.0071 0.0109
## 601 601 -0.9203 0.0016 -0.1366 0.0320 0.0220 0.0100 0.0216
## 602 602 -0.1236 0.0000 -0.0199 0.0261 0.0259 0.0002 0.0253
## 603 603 -0.2797 0.0001 -0.0248 0.0088 0.0078 0.0009 0.0078
## 604 604 -0.2975 0.0001 -0.0398 0.0190 0.0179 0.0010 0.0176
## 605 605 -0.7652 0.0008 -0.0949 0.0223 0.0154 0.0069 0.0152
## 606 606 -0.3862 0.0001 -0.0369 0.0109 0.0091 0.0018 0.0090
## 607 607 -0.6825 0.0008 -0.0950 0.0249 0.0194 0.0055 0.0190
## 608 608 -0.7335 0.0003 -0.0552 0.0120 0.0057 0.0063 0.0056
## 609 609 0.7723 0.0009 0.1051 0.0255 0.0185 0.0070 0.0182
## 610 610 0.1078 0.0000 0.0073 0.0048 0.0046 0.0001 0.0046
## 611 611 0.2566 0.0003 0.0572 0.0505 0.0497 0.0008 0.0474
## 612 612 -0.8831 0.0008 -0.0983 0.0216 0.0124 0.0092 0.0122
## 613 613 -0.9278 0.0006 -0.0841 0.0184 0.0082 0.0101 0.0081
## 614 614 -0.1400 0.0000 -0.0156 0.0127 0.0124 0.0002 0.0123
## 615 615 3.4419 0.0181 0.4680 0.1581 0.0185 0.1396 0.0182
## 616 616 -0.9019 0.0004 -0.0686 0.0154 0.0058 0.0096 0.0058
## 617 617 -0.4767 0.0004 -0.0691 0.0237 0.0210 0.0027 0.0206
## 618 618 -0.2076 0.0001 -0.0278 0.0184 0.0179 0.0005 0.0176
## 619 619 -0.4288 0.0003 -0.0585 0.0208 0.0186 0.0022 0.0182
## 620 620 -0.3422 0.0000 -0.0187 0.0044 0.0030 0.0014 0.0030
## 621 621 -0.2501 0.0000 -0.0237 0.0097 0.0090 0.0007 0.0089
## 622 622 0.2902 0.0001 0.0408 0.0208 0.0198 0.0010 0.0194
## 623 623 -0.1483 0.0000 -0.0205 0.0194 0.0192 0.0003 0.0188
## 624 624 -0.2835 0.0001 -0.0385 0.0194 0.0185 0.0009 0.0182
## 625 625 -0.7214 0.0005 -0.0778 0.0178 0.0116 0.0061 0.0115
## 626 626 0.2578 0.0001 0.0261 0.0110 0.0103 0.0008 0.0102
## 627 627 -0.0225 0.0000 -0.0028 0.0152 0.0152 0.0000 0.0149
## 628 628 -0.1613 0.0000 -0.0130 0.0068 0.0065 0.0003 0.0064
## 629 629 -0.5298 0.0001 -0.0302 0.0066 0.0032 0.0033 0.0032
## 630 630 0.0251 0.0000 0.0022 0.0076 0.0076 0.0000 0.0076
## 631 631 -1.0156 0.0010 -0.1120 0.0243 0.0122 0.0122 0.0120
## 632 632 -0.4822 0.0001 -0.0278 0.0061 0.0033 0.0027 0.0033
## 633 633 0.1643 0.0000 0.0211 0.0168 0.0165 0.0003 0.0162
## 634 634 -0.9162 0.0008 -0.0964 0.0210 0.0111 0.0099 0.0110
## 635 635 -0.8703 0.0005 -0.0777 0.0169 0.0080 0.0089 0.0079
## 636 636 0.5051 0.0002 0.0444 0.0107 0.0077 0.0030 0.0077
## 637 637 -0.4213 0.0001 -0.0347 0.0089 0.0068 0.0021 0.0067
## 638 638 -0.4163 0.0000 -0.0226 0.0050 0.0029 0.0020 0.0029
## 639 639 -1.0284 0.0017 -0.1437 0.0320 0.0195 0.0125 0.0191
## 640 640 0.2219 0.0000 0.0239 0.0122 0.0116 0.0006 0.0114
## 641 641 2.1915 0.0237 0.5339 0.1159 0.0594 0.0566 0.0560
## 642 642 -0.3410 0.0000 -0.0223 0.0056 0.0043 0.0014 0.0042
## 643 643 -0.1656 0.0000 -0.0222 0.0183 0.0180 0.0003 0.0176
## 644 644 -0.6551 0.0002 -0.0508 0.0111 0.0060 0.0051 0.0060
## 645 645 -0.0164 0.0000 -0.0014 0.0073 0.0073 0.0000 0.0073
## 646 646 -1.1084 0.0012 -0.1211 0.0264 0.0119 0.0145 0.0118
## 647 647 -0.1942 0.0000 -0.0191 0.0102 0.0097 0.0004 0.0096
## 648 648 0.0733 0.0000 0.0062 0.0073 0.0072 0.0001 0.0072
## 649 649 -0.4056 0.0002 -0.0447 0.0141 0.0122 0.0019 0.0120
## 650 650 -0.4133 0.0001 -0.0419 0.0123 0.0103 0.0020 0.0102
## 651 651 -0.0070 0.0000 -0.0006 0.0076 0.0076 0.0000 0.0075
## 652 652 1.8535 0.0031 0.1940 0.0515 0.0110 0.0405 0.0108
## 653 653 0.7321 0.0003 0.0579 0.0126 0.0063 0.0063 0.0062
## 654 654 -0.2239 0.0001 -0.0285 0.0168 0.0162 0.0006 0.0159
## 655 655 -0.5109 0.0001 -0.0413 0.0096 0.0065 0.0031 0.0065
## 656 656 -0.3679 0.0000 -0.0205 0.0047 0.0031 0.0016 0.0031
## 657 657 -0.0567 0.0000 -0.0046 0.0065 0.0065 0.0000 0.0065
## 658 658 -0.6462 0.0001 -0.0406 0.0089 0.0039 0.0049 0.0039
## 659 659 -0.0629 0.0000 -0.0054 0.0074 0.0073 0.0000 0.0073
## 660 660 2.2019 0.0013 0.1243 0.0603 0.0032 0.0571 0.0032
## 661 661 -0.2911 0.0000 -0.0215 0.0065 0.0055 0.0010 0.0054
## 662 662 0.8501 0.0011 0.1128 0.0261 0.0176 0.0085 0.0173
## 663 663 -0.4807 0.0002 -0.0493 0.0132 0.0105 0.0027 0.0104
## 664 664 -0.4571 0.0002 -0.0508 0.0148 0.0123 0.0025 0.0122
## 665 665 -0.8336 0.0004 -0.0658 0.0144 0.0062 0.0082 0.0062
## 666 666 -0.8618 0.0005 -0.0739 0.0161 0.0074 0.0088 0.0073
## 667 667 0.2429 0.0001 0.0307 0.0167 0.0160 0.0007 0.0157
## 668 668 -0.2966 0.0001 -0.0323 0.0129 0.0119 0.0010 0.0118
## 669 669 -0.2214 0.0001 -0.0343 0.0245 0.0240 0.0006 0.0234
## 670 670 -0.6400 0.0002 -0.0462 0.0100 0.0052 0.0048 0.0052
## 671 671 -0.7124 0.0005 -0.0784 0.0181 0.0121 0.0060 0.0120
## 672 672 -0.3427 0.0002 -0.0495 0.0223 0.0209 0.0014 0.0205
## 673 673 -0.0340 0.0000 -0.0028 0.0070 0.0070 0.0000 0.0069
## 674 674 -0.1573 0.0000 -0.0208 0.0179 0.0176 0.0003 0.0173
## 675 675 -0.5016 0.0001 -0.0415 0.0098 0.0068 0.0030 0.0068
## 676 676 -0.0567 0.0000 -0.0057 0.0103 0.0102 0.0000 0.0101
## 677 677 0.0295 0.0000 0.0040 0.0180 0.0180 0.0000 0.0177
## 678 678 -0.7300 0.0003 -0.0575 0.0125 0.0062 0.0063 0.0062
## 679 679 -0.0108 0.0000 -0.0017 0.0240 0.0240 0.0000 0.0234
## 680 680 -0.4375 0.0003 -0.0574 0.0195 0.0172 0.0023 0.0169
## 681 681 -0.6989 0.0002 -0.0537 0.0117 0.0059 0.0058 0.0059
## 682 682 -0.0851 0.0000 -0.0074 0.0076 0.0075 0.0001 0.0074
## 683 683 0.1653 0.0000 0.0231 0.0198 0.0195 0.0003 0.0191
## 684 684 -0.1763 0.0000 -0.0167 0.0093 0.0090 0.0004 0.0089
## 685 685 -0.2505 0.0000 -0.0210 0.0078 0.0070 0.0007 0.0070
## 686 686 -0.6313 0.0004 -0.0650 0.0153 0.0106 0.0047 0.0105
## 687 687 -0.3311 0.0001 -0.0250 0.0070 0.0057 0.0013 0.0057
## 688 688 0.3663 0.0000 0.0201 0.0046 0.0030 0.0016 0.0030
## 689 689 -0.5713 0.0004 -0.0649 0.0167 0.0129 0.0038 0.0127
## 690 690 -0.1703 0.0000 -0.0187 0.0124 0.0121 0.0003 0.0119
## 691 691 0.0862 0.0000 0.0069 0.0064 0.0063 0.0001 0.0063
## 692 692 0.2174 0.0001 0.0295 0.0189 0.0184 0.0006 0.0180
## 693 693 1.9309 0.0073 0.2970 0.0676 0.0237 0.0439 0.0231
## 694 694 -0.0309 0.0000 -0.0017 0.0029 0.0029 0.0000 0.0029
## 695 695 0.1287 0.0000 0.0108 0.0073 0.0071 0.0002 0.0070
## 696 696 -0.1901 0.0000 -0.0147 0.0064 0.0060 0.0004 0.0059
## 697 697 0.5407 0.0004 0.0727 0.0215 0.0181 0.0034 0.0177
## 698 698 -0.9701 0.0008 -0.0969 0.0211 0.0100 0.0111 0.0099
## 699 699 0.2906 0.0002 0.0438 0.0237 0.0227 0.0010 0.0222
## 700 700 -0.2115 0.0000 -0.0203 0.0098 0.0093 0.0005 0.0092
## 701 701 0.5892 0.0005 0.0783 0.0217 0.0176 0.0041 0.0173
## 702 702 -0.9056 0.0008 -0.0978 0.0213 0.0117 0.0097 0.0115
## 703 703 -0.3683 0.0001 -0.0404 0.0136 0.0120 0.0016 0.0119
## 704 704 -0.4033 0.0003 -0.0554 0.0208 0.0189 0.0019 0.0185
## 705 705 -1.0056 0.0013 -0.1259 0.0276 0.0157 0.0119 0.0154
## 706 706 -0.6367 0.0003 -0.0549 0.0122 0.0074 0.0048 0.0074
## 707 707 1.8470 0.0031 0.1928 0.0511 0.0109 0.0402 0.0108
## 708 708 -1.3842 0.0017 -0.1423 0.0332 0.0106 0.0226 0.0105
## 709 709 -0.7182 0.0006 -0.0816 0.0190 0.0129 0.0061 0.0127
## 710 710 -0.5222 0.0001 -0.0408 0.0093 0.0061 0.0032 0.0061
## 711 711 -0.5581 0.0001 -0.0420 0.0093 0.0057 0.0037 0.0056
## 712 712 0.1534 0.0000 0.0124 0.0069 0.0066 0.0003 0.0065
## 713 713 -0.5866 0.0002 -0.0515 0.0118 0.0077 0.0041 0.0076
## 714 714 -0.9423 0.0011 -0.1124 0.0247 0.0142 0.0105 0.0140
## 715 715 3.4489 0.0156 0.4356 0.1561 0.0159 0.1402 0.0157
## 716 716 -0.7053 0.0003 -0.0596 0.0130 0.0071 0.0059 0.0071
## 717 717 -0.6570 0.0002 -0.0525 0.0115 0.0064 0.0051 0.0063
## 718 718 -0.2892 0.0001 -0.0287 0.0108 0.0099 0.0010 0.0098
## 719 719 1.8091 0.0025 0.1728 0.0477 0.0091 0.0386 0.0090
## 720 720 -0.7813 0.0005 -0.0799 0.0177 0.0105 0.0072 0.0103
## 721 721 -0.7253 0.0003 -0.0550 0.0120 0.0058 0.0062 0.0057
## 722 722 0.0590 0.0000 0.0049 0.0069 0.0068 0.0000 0.0068
## 723 723 -0.3650 0.0000 -0.0200 0.0046 0.0030 0.0016 0.0030
## 724 724 -0.2117 0.0000 -0.0124 0.0040 0.0034 0.0005 0.0034
## 725 725 0.1525 0.0000 0.0084 0.0033 0.0030 0.0003 0.0030
## 726 726 2.6636 0.0037 0.2122 0.0900 0.0063 0.0836 0.0063
## 727 727 -0.0006 0.0000 0.0000 0.0070 0.0070 0.0000 0.0070
## 728 728 0.2791 0.0001 0.0365 0.0180 0.0171 0.0009 0.0168
## 729 729 0.0514 0.0000 0.0044 0.0075 0.0075 0.0000 0.0074
## 730 730 0.2189 0.0000 0.0238 0.0124 0.0118 0.0006 0.0117
## 731 731 -0.1528 0.0000 -0.0092 0.0039 0.0036 0.0003 0.0036
## 732 732 -0.9400 0.0006 -0.0869 0.0190 0.0085 0.0104 0.0085
## 733 733 0.1023 0.0000 0.0055 0.0031 0.0029 0.0001 0.0029
## 734 734 -0.0459 0.0000 -0.0037 0.0066 0.0065 0.0000 0.0065
## 735 735 0.2126 0.0000 0.0177 0.0075 0.0069 0.0005 0.0069
## 736 736 -0.0872 0.0000 -0.0054 0.0040 0.0039 0.0001 0.0039
## 737 737 -0.3664 0.0001 -0.0333 0.0098 0.0082 0.0016 0.0082
## 738 738 3.6970 0.0214 0.5096 0.1801 0.0190 0.1611 0.0186
## 739 739 0.2627 0.0000 0.0177 0.0054 0.0045 0.0008 0.0045
## 740 740 0.5408 0.0003 0.0635 0.0173 0.0138 0.0034 0.0136
## 741 741 -0.4503 0.0003 -0.0613 0.0209 0.0185 0.0024 0.0182
## 742 742 0.1855 0.0000 0.0159 0.0077 0.0073 0.0004 0.0073
## 743 743 2.2035 0.0255 0.5543 0.1205 0.0633 0.0572 0.0595
## 744 744 -1.4594 0.0017 -0.1448 0.0349 0.0098 0.0251 0.0097
## 745 745 -1.2263 0.0011 -0.1155 0.0266 0.0089 0.0177 0.0088
## 746 746 -0.3708 0.0000 -0.0211 0.0049 0.0032 0.0016 0.0032
## 747 747 4.0997 0.0140 0.4136 0.2083 0.0102 0.1981 0.0101
## 748 748 -0.2099 0.0001 -0.0255 0.0153 0.0148 0.0005 0.0145
## 749 749 -0.6035 0.0002 -0.0457 0.0100 0.0057 0.0043 0.0057
## 750 750 -0.2332 0.0001 -0.0249 0.0120 0.0114 0.0006 0.0113
## 751 751 3.4562 0.0173 0.4581 0.1584 0.0176 0.1408 0.0173
## 752 752 4.7130 0.0162 0.4460 0.2707 0.0090 0.2618 0.0089
## 753 753 0.9842 0.0037 0.2106 0.0572 0.0458 0.0114 0.0438
## 754 754 0.3163 0.0000 0.0177 0.0043 0.0031 0.0012 0.0031
## 755 755 -0.0397 0.0000 -0.0032 0.0065 0.0065 0.0000 0.0065
## 756 756 -0.4463 0.0001 -0.0336 0.0080 0.0057 0.0023 0.0056
## 757 757 -0.0280 0.0000 -0.0023 0.0065 0.0065 0.0000 0.0064
## 758 758 0.6888 0.0005 0.0745 0.0173 0.0117 0.0056 0.0116
## 759 759 0.2906 0.0001 0.0288 0.0108 0.0098 0.0010 0.0097
## 760 760 4.9013 0.0233 0.5348 0.2950 0.0119 0.2831 0.0118
## 761 761 -0.5628 0.0005 -0.0777 0.0228 0.0191 0.0037 0.0187
## 762 762 -0.0976 0.0000 -0.0074 0.0059 0.0058 0.0001 0.0058
## 763 763 0.2010 0.0000 0.0229 0.0135 0.0130 0.0005 0.0128
## 764 764 0.4608 0.0001 0.0406 0.0103 0.0078 0.0025 0.0077
## 765 765 5.0178 0.0182 0.4732 0.3056 0.0089 0.2967 0.0088
## 766 766 4.6280 0.0224 0.5240 0.2652 0.0128 0.2524 0.0127
## 767 767 -0.4464 0.0001 -0.0377 0.0095 0.0071 0.0023 0.0071
## 768 768 0.7671 0.0004 0.0697 0.0152 0.0083 0.0069 0.0082
## 769 769 -0.1593 0.0001 -0.0363 0.0523 0.0520 0.0003 0.0494
## 770 770 -1.2150 0.0049 -0.2429 0.0574 0.0400 0.0174 0.0384
## 771 771 -0.0040 0.0000 -0.0009 0.0518 0.0518 0.0000 0.0492
## 772 772 -0.0994 0.0000 -0.0095 0.0092 0.0091 0.0001 0.0090
## 773 773 -0.0628 0.0000 -0.0085 0.0183 0.0182 0.0000 0.0179
## 774 774 -0.3186 0.0001 -0.0365 0.0143 0.0131 0.0012 0.0130
## 775 775 0.1345 0.0000 0.0215 0.0258 0.0256 0.0002 0.0250
## 776 776 -0.1644 0.0000 -0.0132 0.0068 0.0065 0.0003 0.0064
## 777 777 -0.3807 0.0001 -0.0319 0.0087 0.0070 0.0017 0.0070
## 778 778 -0.2792 0.0000 -0.0156 0.0040 0.0031 0.0009 0.0031
## 779 779 0.5230 0.0002 0.0439 0.0103 0.0070 0.0032 0.0070
## 780 780 0.3256 0.0001 0.0322 0.0110 0.0098 0.0012 0.0097
## 781 781 -0.2804 0.0001 -0.0412 0.0225 0.0216 0.0009 0.0212
## 782 782 0.1002 0.0000 0.0089 0.0081 0.0080 0.0001 0.0079
## 783 783 0.0016 0.0000 0.0001 0.0033 0.0033 0.0000 0.0033
## 784 784 -0.5307 0.0002 -0.0548 0.0140 0.0106 0.0033 0.0105
## 785 785 -0.1661 0.0000 -0.0133 0.0068 0.0064 0.0003 0.0064
## 786 786 -0.1290 0.0000 -0.0074 0.0035 0.0033 0.0002 0.0033
## 787 787 -0.3886 0.0002 -0.0501 0.0184 0.0166 0.0018 0.0164
## 788 788 0.1092 0.0000 0.0099 0.0084 0.0083 0.0001 0.0082
## 789 789 5.6193 0.0217 0.5185 0.3806 0.0085 0.3721 0.0084
## 790 790 2.9074 0.0141 0.4122 0.1197 0.0201 0.0996 0.0197
## 791 791 3.0021 0.0204 0.4964 0.1336 0.0273 0.1062 0.0266
## 792 792 -0.2071 0.0000 -0.0128 0.0043 0.0038 0.0005 0.0038
## 793 793 -0.4245 0.0000 -0.0229 0.0050 0.0029 0.0021 0.0029
## 794 794 -0.3258 0.0001 -0.0385 0.0152 0.0140 0.0013 0.0138
## 795 795 0.6610 0.0003 0.0561 0.0123 0.0072 0.0052 0.0071
## 796 796 -0.1870 0.0000 -0.0103 0.0034 0.0030 0.0004 0.0030
## 797 797 6.9550 0.0248 0.5579 0.5765 0.0064 0.5700 0.0064
## 798 798 -0.6379 0.0001 -0.0350 0.0078 0.0030 0.0048 0.0030
## 799 799 0.0049 0.0000 0.0003 0.0034 0.0034 0.0000 0.0034
## 800 800 0.0806 0.0000 0.0046 0.0033 0.0032 0.0001 0.0032
## 801 801 0.5621 0.0001 0.0304 0.0067 0.0029 0.0037 0.0029
## 802 802 -0.0418 0.0000 -0.0027 0.0042 0.0042 0.0000 0.0042
## 803 803 -0.2092 0.0000 -0.0121 0.0038 0.0033 0.0005 0.0033
## 804 804 -0.2940 0.0000 -0.0161 0.0040 0.0030 0.0010 0.0030
## 805 805 0.2675 0.0000 0.0144 0.0037 0.0029 0.0008 0.0029
## 806 806 -0.0880 0.0000 -0.0079 0.0082 0.0081 0.0001 0.0080
## 807 807 -0.2064 0.0001 -0.0269 0.0175 0.0170 0.0005 0.0167
## 808 808 -0.5693 0.0001 -0.0314 0.0069 0.0030 0.0038 0.0030
## 809 809 -0.3678 0.0000 -0.0211 0.0049 0.0033 0.0016 0.0033
## 810 810 -0.4651 0.0001 -0.0253 0.0055 0.0030 0.0025 0.0029
## 811 811 -0.2294 0.0000 -0.0137 0.0042 0.0036 0.0006 0.0036
## 812 812 1.6005 0.0278 0.5778 0.1605 0.1303 0.0302 0.1153
## 813 813 -0.7054 0.0002 -0.0466 0.0102 0.0044 0.0059 0.0043
## 814 814 0.3308 0.0000 0.0214 0.0055 0.0042 0.0013 0.0042
## 815 815 0.3475 0.0000 0.0200 0.0048 0.0033 0.0014 0.0033
## 816 816 -0.4996 0.0001 -0.0269 0.0058 0.0029 0.0029 0.0029
## 817 817 0.0273 0.0000 0.0015 0.0030 0.0030 0.0000 0.0030
## 818 818 -0.4798 0.0001 -0.0259 0.0056 0.0029 0.0027 0.0029
## 819 819 0.1508 0.0000 0.0082 0.0032 0.0029 0.0003 0.0029
## 820 820 -0.5084 0.0001 -0.0274 0.0060 0.0029 0.0030 0.0029
## 821 821 1.9597 0.0010 0.1104 0.0484 0.0032 0.0453 0.0032
## 822 822 -0.5539 0.0001 -0.0321 0.0070 0.0034 0.0036 0.0034
## 823 823 0.0254 0.0000 0.0014 0.0029 0.0029 0.0000 0.0029
## 824 824 -0.4751 0.0001 -0.0272 0.0059 0.0033 0.0027 0.0033
## 825 825 -0.4509 0.0000 -0.0245 0.0053 0.0029 0.0024 0.0029
## 826 826 0.2761 0.0000 0.0176 0.0050 0.0041 0.0009 0.0040
## 827 827 1.2232 0.0031 0.1937 0.0427 0.0251 0.0176 0.0245
## 828 828 -0.5570 0.0001 -0.0301 0.0066 0.0029 0.0037 0.0029
## 829 829 -0.5109 0.0001 -0.0288 0.0063 0.0032 0.0031 0.0032
## 830 830 -0.4151 0.0000 -0.0226 0.0050 0.0030 0.0020 0.0030
## 831 831 -0.0142 0.0000 -0.0009 0.0042 0.0042 0.0000 0.0042
## 832 832 2.0444 0.0447 0.7336 0.1780 0.1288 0.0492 0.1141
## 833 833 0.1241 0.0000 0.0070 0.0033 0.0031 0.0002 0.0031
## 834 834 -0.4800 0.0001 -0.0259 0.0056 0.0029 0.0027 0.0029
## 835 835 -0.4973 0.0001 -0.0277 0.0060 0.0031 0.0029 0.0031
## 836 836 -0.2603 0.0000 -0.0140 0.0037 0.0029 0.0008 0.0029
## 837 837 -0.3859 0.0000 -0.0228 0.0052 0.0035 0.0018 0.0035
## 838 838 -0.0525 0.0000 -0.0034 0.0041 0.0041 0.0000 0.0041
## 839 839 1.4143 0.0005 0.0766 0.0265 0.0029 0.0236 0.0029
## 840 840 -0.2107 0.0000 -0.0115 0.0035 0.0030 0.0005 0.0030
## 841 841 -0.5136 0.0001 -0.0286 0.0062 0.0031 0.0031 0.0031
## 842 842 -0.6601 0.0001 -0.0363 0.0082 0.0030 0.0051 0.0030
## 843 843 -0.2673 0.0000 -0.0146 0.0038 0.0030 0.0008 0.0030
## 844 844 -0.5972 0.0001 -0.0352 0.0077 0.0035 0.0042 0.0035
## 845 845 -0.5408 0.0001 -0.0345 0.0075 0.0041 0.0034 0.0040
## 846 846 -0.4588 0.0001 -0.0263 0.0058 0.0033 0.0025 0.0033
## 847 847 -0.4394 0.0001 -0.0248 0.0055 0.0032 0.0023 0.0032
## 848 848 -0.4092 0.0000 -0.0226 0.0050 0.0031 0.0020 0.0030
## 849 849 -0.0954 0.0000 -0.0052 0.0031 0.0030 0.0001 0.0030
## 850 850 2.7685 0.0834 1.0035 0.2216 0.1314 0.0903 0.1161
## 851 851 -0.5509 0.0001 -0.0300 0.0065 0.0030 0.0036 0.0030
## 852 852 0.1515 0.0000 0.0089 0.0037 0.0034 0.0003 0.0034
## 853 853 0.6872 0.0003 0.0553 0.0120 0.0065 0.0056 0.0064
## 854 854 -0.3971 0.0000 -0.0215 0.0048 0.0029 0.0019 0.0029
## 855 855 -0.1538 0.0000 -0.0110 0.0054 0.0051 0.0003 0.0051
## 856 856 -0.7156 0.0002 -0.0430 0.0096 0.0036 0.0060 0.0036
## 857 857 6.7351 0.0830 1.0196 0.5571 0.0229 0.5342 0.0224
## 858 858 -0.6159 0.0001 -0.0332 0.0074 0.0029 0.0045 0.0029
## 859 859 -0.5882 0.0001 -0.0317 0.0070 0.0029 0.0041 0.0029
## 860 860 -0.6012 0.0001 -0.0325 0.0072 0.0029 0.0043 0.0029
## 861 861 0.4593 0.0001 0.0271 0.0060 0.0035 0.0025 0.0035
## 862 862 -0.1397 0.0000 -0.0098 0.0051 0.0049 0.0002 0.0049
## 863 863 7.1928 0.0475 0.7732 0.6211 0.0116 0.6095 0.0114
## 864 864 1.0914 0.0003 0.0640 0.0175 0.0034 0.0140 0.0034
## 865 865 1.1403 0.0003 0.0620 0.0183 0.0030 0.0153 0.0029
## 866 866 2.5077 0.0016 0.1402 0.0773 0.0031 0.0741 0.0031
## 867 867 -0.2632 0.0000 -0.0197 0.0064 0.0056 0.0008 0.0056
## 868 868 1.7759 0.0009 0.1025 0.0405 0.0033 0.0372 0.0033
## 869 869 1.6270 0.0007 0.0906 0.0343 0.0031 0.0312 0.0031
## 870 870 0.2790 0.0000 0.0158 0.0041 0.0032 0.0009 0.0032
## 871 871 -0.1409 0.0000 -0.0101 0.0054 0.0051 0.0002 0.0051
## 872 872 -0.5385 0.0001 -0.0330 0.0072 0.0037 0.0034 0.0037
## 873 873 -0.3185 0.0000 -0.0177 0.0043 0.0031 0.0012 0.0031
## 874 874 1.6428 0.0009 0.1054 0.0359 0.0041 0.0318 0.0041
## 875 875 -0.4012 0.0000 -0.0224 0.0050 0.0031 0.0019 0.0031
## 876 876 0.2406 0.0000 0.0134 0.0038 0.0031 0.0007 0.0031
## 877 877 -0.4957 0.0001 -0.0294 0.0064 0.0035 0.0029 0.0035
## 878 878 -0.3362 0.0000 -0.0217 0.0055 0.0042 0.0013 0.0042
## 879 879 -0.3518 0.0000 -0.0211 0.0051 0.0036 0.0015 0.0036
## 880 880 0.1579 0.0000 0.0089 0.0035 0.0032 0.0003 0.0032
## 881 881 0.2170 0.0001 0.0325 0.0230 0.0224 0.0006 0.0219
## 882 882 0.1587 0.0000 0.0086 0.0032 0.0029 0.0003 0.0029
## 883 883 -0.1976 0.0000 -0.0109 0.0035 0.0030 0.0005 0.0030
## 884 884 -0.4052 0.0000 -0.0221 0.0049 0.0030 0.0019 0.0030
## 885 885 -0.1348 0.0000 -0.0100 0.0057 0.0055 0.0002 0.0054
## 886 886 0.1898 0.0000 0.0105 0.0035 0.0031 0.0004 0.0031
## 887 887 -0.7171 0.0002 -0.0436 0.0098 0.0037 0.0061 0.0037
## 888 888 -0.4709 0.0001 -0.0272 0.0059 0.0033 0.0026 0.0033
## 889 889 1.3671 0.0007 0.0930 0.0267 0.0046 0.0220 0.0046
## 890 890 0.3135 0.0000 0.0185 0.0046 0.0035 0.0012 0.0035
## 891 891 -0.2438 0.0001 -0.0264 0.0124 0.0117 0.0007 0.0116
## 892 892 2.5974 0.0039 0.2157 0.0864 0.0069 0.0795 0.0069
## 893 893 0.2333 0.0000 0.0139 0.0042 0.0035 0.0006 0.0035
## 894 894 -0.3415 0.0000 -0.0209 0.0051 0.0037 0.0014 0.0037
## 895 895 -0.3852 0.0000 -0.0208 0.0047 0.0029 0.0017 0.0029
## 896 896 -0.3382 0.0000 -0.0212 0.0053 0.0039 0.0013 0.0039
## 897 897 0.5321 0.0001 0.0292 0.0064 0.0030 0.0033 0.0030
## 898 898 -0.0069 0.0000 -0.0006 0.0087 0.0087 0.0000 0.0087
## 899 899 2.1135 0.0253 0.5522 0.1209 0.0683 0.0526 0.0639
## 900 900 0.3754 0.0000 0.0233 0.0055 0.0038 0.0017 0.0038
## 901 901 0.0428 0.0000 0.0023 0.0030 0.0030 0.0000 0.0030
## 902 902 0.7985 0.0002 0.0512 0.0116 0.0041 0.0075 0.0041
## 903 903 -0.1876 0.0000 -0.0102 0.0034 0.0030 0.0004 0.0029
## 904 904 -0.4983 0.0001 -0.0329 0.0073 0.0044 0.0029 0.0043
## 905 905 0.7389 0.0001 0.0400 0.0094 0.0029 0.0064 0.0029
## 906 906 -0.3759 0.0000 -0.0243 0.0058 0.0042 0.0017 0.0042
## 907 907 -0.4812 0.0001 -0.0270 0.0059 0.0031 0.0027 0.0031
## 908 908 0.2794 0.0000 0.0179 0.0050 0.0041 0.0009 0.0041
## 909 909 1.0101 0.0003 0.0606 0.0156 0.0036 0.0120 0.0036
## 910 910 -0.1265 0.0000 -0.0069 0.0032 0.0030 0.0002 0.0030
## 911 911 -0.2629 0.0000 -0.0146 0.0039 0.0031 0.0008 0.0031
## 912 912 1.8812 0.0068 0.2866 0.0649 0.0232 0.0417 0.0227
## 913 913 5.2129 0.0067 0.2873 0.3233 0.0030 0.3203 0.0030
## 914 914 -0.5441 0.0001 -0.0295 0.0064 0.0029 0.0035 0.0029
## 915 915 -0.3622 0.0000 -0.0208 0.0048 0.0033 0.0015 0.0033
## 916 916 -0.4150 0.0000 -0.0236 0.0053 0.0032 0.0020 0.0032
## 917 917 -0.1768 0.0000 -0.0100 0.0035 0.0032 0.0004 0.0032
## 918 918 -0.2767 0.0000 -0.0154 0.0040 0.0031 0.0009 0.0031
## 919 919 -0.2443 0.0000 -0.0223 0.0091 0.0084 0.0007 0.0083
## 920 920 -0.2952 0.0000 -0.0181 0.0048 0.0037 0.0010 0.0037
## 921 921 -0.1581 0.0000 -0.0089 0.0034 0.0032 0.0003 0.0031
## 922 922 -0.2047 0.0000 -0.0112 0.0035 0.0030 0.0005 0.0030
## 923 923 -0.5126 0.0001 -0.0277 0.0060 0.0029 0.0031 0.0029
## 924 924 -0.1953 0.0000 -0.0108 0.0035 0.0031 0.0004 0.0031
## 925 925 0.2347 0.0001 0.0293 0.0162 0.0156 0.0006 0.0153
## 926 926 0.5593 0.0001 0.0310 0.0068 0.0031 0.0037 0.0031
## 927 927 1.3886 0.0207 0.4985 0.1516 0.1289 0.0227 0.1142
## 928 928 0.0374 0.0000 0.0020 0.0029 0.0029 0.0000 0.0029
## 929 929 1.2087 0.0004 0.0655 0.0202 0.0029 0.0172 0.0029
## 930 930 -0.5553 0.0001 -0.0321 0.0070 0.0033 0.0036 0.0033
## 931 931 1.9974 0.0010 0.1117 0.0502 0.0031 0.0470 0.0031
## 932 932 -0.6147 0.0002 -0.0455 0.0099 0.0055 0.0045 0.0054
## 933 933 -0.2790 0.0000 -0.0155 0.0040 0.0031 0.0009 0.0031
## 934 934 -0.1040 0.0000 -0.0056 0.0030 0.0029 0.0001 0.0029
## 935 935 -0.3927 0.0001 -0.0261 0.0062 0.0044 0.0018 0.0044
## 936 936 1.4794 0.0236 0.5324 0.1553 0.1295 0.0258 0.1146
## 937 937 -0.0633 0.0000 -0.0036 0.0033 0.0032 0.0000 0.0032
## 938 938 -0.3836 0.0000 -0.0214 0.0048 0.0031 0.0017 0.0031
## 939 939 -0.0669 0.0000 -0.0037 0.0030 0.0030 0.0001 0.0030
## 940 940 0.5245 0.0003 0.0559 0.0146 0.0113 0.0032 0.0112
## 941 941 7.2816 0.0556 0.8375 0.6378 0.0132 0.6246 0.0131
## 942 942 0.0470 0.0000 0.0028 0.0035 0.0034 0.0000 0.0034
## 943 943 -0.2016 0.0000 -0.0169 0.0075 0.0070 0.0005 0.0070
## 944 944 -0.2822 0.0000 -0.0171 0.0046 0.0037 0.0009 0.0037
## 945 945 0.1159 0.0000 0.0068 0.0036 0.0034 0.0002 0.0034
## 946 946 -0.6997 0.0002 -0.0437 0.0097 0.0039 0.0058 0.0039
## 947 947 0.4324 0.0001 0.0348 0.0087 0.0065 0.0022 0.0064
## 948 948 -0.0694 0.0000 -0.0038 0.0030 0.0029 0.0001 0.0029
## 949 949 -0.2313 0.0000 -0.0144 0.0045 0.0039 0.0006 0.0039
## 950 950 -0.4152 0.0001 -0.0254 0.0058 0.0037 0.0020 0.0037
## 951 951 -0.4797 0.0001 -0.0310 0.0069 0.0042 0.0027 0.0042
## 952 952 -0.3884 0.0001 -0.0258 0.0062 0.0044 0.0018 0.0044
## 953 953 -0.1795 0.0000 -0.0097 0.0033 0.0029 0.0004 0.0029
## 954 954 1.8192 0.0009 0.1040 0.0423 0.0033 0.0390 0.0033
## 955 955 0.2187 0.0000 0.0131 0.0041 0.0036 0.0006 0.0036
## 956 956 -0.5478 0.0001 -0.0309 0.0067 0.0032 0.0035 0.0032
## 957 957 1.7522 0.0008 0.0972 0.0393 0.0031 0.0362 0.0031
## 958 958 -0.4696 0.0001 -0.0265 0.0058 0.0032 0.0026 0.0032
## 959 959 1.7906 0.0008 0.0994 0.0409 0.0031 0.0378 0.0031
## 960 960 -0.0737 0.0000 -0.0040 0.0030 0.0029 0.0001 0.0029
## 961 961 -0.3181 0.0000 -0.0181 0.0044 0.0032 0.0012 0.0032
## 962 962 -0.6096 0.0001 -0.0329 0.0073 0.0029 0.0044 0.0029
## 963 963 1.9535 0.0009 0.1064 0.0480 0.0030 0.0450 0.0030
## 964 964 1.0783 0.0003 0.0600 0.0168 0.0031 0.0137 0.0031
## 965 965 0.1202 0.0000 0.0072 0.0037 0.0036 0.0002 0.0035
## 966 966 2.5225 0.0016 0.1371 0.0780 0.0030 0.0750 0.0029
## 967 967 1.3115 0.0004 0.0709 0.0232 0.0029 0.0203 0.0029
## 968 968 1.2212 0.0004 0.0683 0.0207 0.0031 0.0176 0.0031
## 969 969 1.0067 0.0003 0.0642 0.0160 0.0041 0.0119 0.0040
## 970 970 1.3908 0.0005 0.0772 0.0259 0.0031 0.0228 0.0031
## 971 971 -0.1621 0.0000 -0.0088 0.0032 0.0029 0.0003 0.0029
## 972 972 0.2049 0.0000 0.0138 0.0050 0.0045 0.0005 0.0045
## 973 973 -0.0566 0.0000 -0.0034 0.0036 0.0036 0.0000 0.0036
## 974 974 0.3641 0.0000 0.0215 0.0050 0.0035 0.0016 0.0035
## 975 975 0.1460 0.0000 0.0082 0.0034 0.0032 0.0003 0.0032
## 976 976 0.4348 0.0000 0.0242 0.0053 0.0031 0.0022 0.0031
## 977 977 0.2141 0.0000 0.0139 0.0048 0.0042 0.0005 0.0042
## 978 978 1.4989 0.0020 0.1548 0.0371 0.0107 0.0265 0.0106
## 979 979 1.1364 0.0004 0.0670 0.0187 0.0035 0.0152 0.0035
## 980 980 1.5907 0.0009 0.1035 0.0341 0.0042 0.0298 0.0042
## 981 981 0.4801 0.0001 0.0260 0.0056 0.0029 0.0027 0.0029
## 982 982 0.6441 0.0001 0.0368 0.0082 0.0033 0.0049 0.0033
## 983 983 0.4141 0.0000 0.0242 0.0054 0.0034 0.0020 0.0034
## 984 984 1.7226 0.0008 0.0985 0.0382 0.0033 0.0350 0.0033
## 985 985 0.9740 0.0003 0.0557 0.0145 0.0033 0.0112 0.0033
## 986 986 1.0440 0.0003 0.0591 0.0161 0.0032 0.0128 0.0032
## 987 987 1.1429 0.0003 0.0620 0.0183 0.0029 0.0154 0.0029
## 988 988 1.1934 0.0003 0.0647 0.0197 0.0029 0.0168 0.0029
## 989 989 0.8945 0.0002 0.0483 0.0124 0.0029 0.0094 0.0029
## 990 990 0.7673 0.0001 0.0414 0.0098 0.0029 0.0069 0.0029
## 991 991 0.7272 0.0001 0.0412 0.0094 0.0032 0.0062 0.0032
## 992 992 0.7786 0.0002 0.0489 0.0111 0.0040 0.0071 0.0039
## 993 993 0.8513 0.0002 0.0482 0.0117 0.0032 0.0085 0.0032
## 994 994 0.8585 0.0002 0.0519 0.0123 0.0037 0.0087 0.0036
## 995 995 0.4076 0.0000 0.0220 0.0049 0.0029 0.0020 0.0029
## 996 996 0.7279 0.0002 0.0434 0.0098 0.0036 0.0062 0.0035
## 997 997 0.4876 0.0001 0.0311 0.0069 0.0041 0.0028 0.0040
## 998 998 0.5419 0.0001 0.0293 0.0064 0.0029 0.0035 0.0029
## 999 999 0.5537 0.0001 0.0303 0.0066 0.0030 0.0036 0.0030
## 1000 1000 0.5051 0.0001 0.0286 0.0062 0.0032 0.0030 0.0032
## 1001 1001 0.6846 0.0001 0.0413 0.0092 0.0036 0.0055 0.0036
## 1002 1002 0.6846 0.0001 0.0413 0.0092 0.0036 0.0055 0.0036
## 1003 1003 0.5814 0.0001 0.0326 0.0071 0.0032 0.0040 0.0031
## 1004 1004 0.6804 0.0001 0.0369 0.0084 0.0029 0.0055 0.0029
## 1005 1005 -0.3492 0.0000 -0.0189 0.0044 0.0029 0.0014 0.0029
## 1006 1006 -0.3491 0.0000 -0.0190 0.0044 0.0029 0.0014 0.0029
## 1007 1007 0.3504 0.0000 0.0190 0.0044 0.0029 0.0014 0.0029
## 1008 1008 0.3725 0.0000 0.0201 0.0045 0.0029 0.0016 0.0029
## 1009 1009 0.2186 0.0000 0.0140 0.0047 0.0041 0.0006 0.0041
## 1010 1010 0.2748 0.0000 0.0156 0.0041 0.0032 0.0009 0.0032
## 1011 1011 0.2999 0.0000 0.0170 0.0043 0.0032 0.0011 0.0032
## 1012 1012 0.3542 0.0000 0.0192 0.0044 0.0029 0.0015 0.0029
## 1013 1013 0.3542 0.0000 0.0192 0.0044 0.0029 0.0015 0.0029
## 1014 1014 0.4279 0.0001 0.0254 0.0057 0.0035 0.0022 0.0035
## 1015 1015 -0.4050 0.0001 -0.0269 0.0064 0.0044 0.0019 0.0044
## 1016 1016 -0.2848 0.0000 -0.0154 0.0039 0.0029 0.0010 0.0029
## 1017 1017 -0.2620 0.0000 -0.0164 0.0047 0.0039 0.0008 0.0039
## 1018 1018 -0.0648 0.0000 -0.0035 0.0030 0.0030 0.0000 0.0029
## 1019 1019 -0.2908 0.0000 -0.0174 0.0046 0.0036 0.0010 0.0036
## 1020 1020 -0.0575 0.0000 -0.0033 0.0032 0.0032 0.0000 0.0032
## 1021 1021 -0.0802 0.0000 -0.0045 0.0033 0.0032 0.0001 0.0032
## 1022 1022 0.0508 0.0000 0.0029 0.0032 0.0032 0.0000 0.0032
## 1023 1023 0.0014 0.0000 0.0001 0.0039 0.0039 0.0000 0.0039
## 1024 1024 0.2743 0.0000 0.0184 0.0054 0.0045 0.0009 0.0045
## 1025 1025 -0.2833 0.0000 -0.0153 0.0039 0.0029 0.0009 0.0029
## 1026 1026 -0.4513 0.0001 -0.0300 0.0068 0.0044 0.0024 0.0044
## 1027 1027 -0.4275 0.0000 -0.0235 0.0052 0.0030 0.0022 0.0030
## 1028 1028 -0.1945 0.0000 -0.0126 0.0047 0.0042 0.0004 0.0042
## 1029 1029 -0.3101 0.0000 -0.0171 0.0042 0.0030 0.0011 0.0030
## 1030 1030 -0.3897 0.0000 -0.0219 0.0049 0.0032 0.0018 0.0031
## 1031 1031 5.1532 0.0091 0.3354 0.3172 0.0042 0.3130 0.0042Pencilan
for (i in 1: dim (hasil) [1]) {
absri <- abs (hasil$ri)
pencilan <- which (absri > 2)
}
pencilan## [1] 5 143 201 215 254 263 288 310 360 377 399 407 415 434 459
## [16] 465 469 564 572 596 615 641 660 715 726 738 743 747 751 752
## [31] 760 765 766 789 790 791 797 832 850 857 863 866 892 899 913
## [46] 941 966 1031Titik Leverage
titik_leverage <- vector("list", dim(hasil)[1])
for (i in 1: dim(hasil)[1]) {
cutoff <- 2 * 12/ 1031
titik_leverage[[i]] <- which(hii>cutoff)
}
leverges <- unlist(titik_leverage)
titik_leverage <- sort(unique(leverges))
titik_leverage## [1] 9 11 20 28 31 40 53 71 72 78 83 89 94 117 123 140 142 157 167
## [20] 198 201 212 221 223 226 238 254 258 284 288 289 308 322 342 356 364 389 400
## [39] 408 415 423 425 446 455 471 481 492 495 521 531 559 564 578 579 596 598 602
## [58] 611 641 669 679 743 753 769 770 771 775 791 812 827 832 850 899 927 936Amatan Berpengaruh
amatan_berpengaruh <-vector("list", dim(hasil)[1])
for (i in 1:dim(hasil)[1]) {
cutoff <- 2 * sqrt ((12/ 1031))
amatan_berpengaruh[[i]] <- which(abs(DFITS) > cutoff)
}
berpengaruh <- unlist(amatan_berpengaruh)
amatan_berpengaruh <- sort(unique(berpengaruh))
amatan_berpengaruh## [1] 5 31 78 140 143 167 201 215 254 272 273 288 310 322 359
## [16] 377 400 407 415 434 459 465 469 471 495 564 572 580 596 615
## [31] 641 693 715 738 743 747 751 752 760 765 766 770 789 790 791
## [46] 797 812 832 850 857 863 899 912 913 927 936 941 1031Data Yang termasuk keduanya atau ketinganya
# Observasi yang termasuk outlier dan leverage
outlier_leverage <- intersect(pencilan, titik_leverage)
cat("Outlier & Leverage:\n", outlier_leverage, "\n\n")## Outlier & Leverage:
## 201 254 288 415 564 596 641 743 791 832 850 899# Observasi yang termasuk outlier dan amatan berpengaruh
outlier_berpengaruh <- intersect(pencilan, amatan_berpengaruh)
cat("Outlier & Amatan Berpengaruh:\n", outlier_berpengaruh, "\n\n")## Outlier & Amatan Berpengaruh:
## 5 143 201 215 254 288 310 377 407 415 434 459 465 469 564 572 596 615 641 715 738 743 747 751 752 760 765 766 789 790 791 797 832 850 857 863 899 913 941 1031# Observasi yang termasuk leverage dan amatan berpengaruh
leverage_berpengaruh <- intersect(titik_leverage, amatan_berpengaruh)
cat("Leverage & Amatan Berpengaruh:\n", leverage_berpengaruh, "\n\n")## Leverage & Amatan Berpengaruh:
## 31 78 140 167 201 254 288 322 400 415 471 495 564 596 641 743 770 791 812 832 850 899 927 936# Observasi yang termasuk di ketiganya sekaligus
semua <- Reduce(intersect, list(pencilan, titik_leverage, amatan_berpengaruh))
cat("Masuk ketiganya (Outlier + Leverage + Amatan Berpengaruh):\n", semua, "\n")## Masuk ketiganya (Outlier + Leverage + Amatan Berpengaruh):
## 201 254 288 415 564 596 641 743 791 832 850 899Keterangan Hotel yang masuk ke dalam amatan berpengaruh, pencilan dan leverage
library(dplyr)
# Cari amatan yang masuk semua kategori
tiga_kategori <- Reduce(intersect, list(pencilan, titik_leverage, amatan_berpengaruh))
# Ambil baris dari data asli sesuai index
info_tiga <- versi2fix %>%
mutate(Index = row_number()) %>%
filter(Index %in% tiga_kategori)
info_tiga## # A tibble: 12 × 14
## `Nama Hotel` `Jarak ke pusat Kota` Rating `Jumlah Ulasan` Harga F_Rekreasi
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Hotel Ciputra… 7.9 9.2 36274 8.16e5 1
## 2 Swiss-Belresi… 5.4 9.5 28777 6.85e5 1
## 3 ASTON Priorit… 10.4 9.5 33890 1.03e6 1
## 4 Harper MT Har… 5 9.3 26435 7.22e5 1
## 5 Hotel Indones… 3 9.3 26415 3.41e6 1
## 6 Sheraton Gran… 7.8 9.4 15280 3.04e6 0
## 7 Pullman Jakar… 3 9.1 26547 3.11e6 0
## 8 Fairmont Jaka… 5.5 9.6 33529 3.70e6 1
## 9 Hotel Mulia S… 5.3 9.4 23962 3.58e6 1
## 10 Annie Kuca 6.7 1 1 5.92e5 0
## 11 Modern Look A… 2.1 1 1 1.05e6 0
## 12 Exclusive And… 6.5 2.5 2 8.61e5 0
## # ℹ 8 more variables: F_Makanan <dbl>, F_Kamar <dbl>, F_Transportasi <dbl>,
## # F_Pelayanan <dbl>, Rating_Excellent <dbl>, Rating_VeryGood <dbl>,
## # Rating_Good <dbl>, Index <int>Interpretasi: Asumsi tidak bias (unbiasedness) terpenuhi. Model tidak sistematis meleset ke atas atau ke bawah.
Simpulan asumsi: Asumsi normalitas, homoskedatisitas dan autokorelasi tak terpenuhi.
Langkah selanjutnya adalah penanganan data pencilan serta asumsi yang tak terpenuhi.
Penanganan Asumsi yang Tak terpenuhi
1. Membuang amatan yang termasuk dalam amatan berpengaruh, pencilan danleverage
Observasi yang teridentifikasi sebagai pencilan, memiliki leverage
tinggi, dan berpengaruh besar terhadap model, dikeluarkan dari analisis
karena dapat mendistorsi hasil regresi dan mengurangi validitas
generalisasi model terhadap populasi.
data_baru1 <- versi2fix[-tiga_kategori, ]
model_baru1 <- lm(Harga ~ Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan`+ `Rating_Excellent` + `Rating_VeryGood`+ `Rating_Good`+F_Rekreasi + F_Makanan + F_Kamar + F_Transportasi + F_Pelayanan, data = data_baru1)
summary(model_baru1)##
## Call:
## lm(formula = Harga ~ Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` +
## Rating_Excellent + Rating_VeryGood + Rating_Good + F_Rekreasi +
## F_Makanan + F_Kamar + F_Transportasi + F_Pelayanan, data = data_baru1)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1050792 -255434 -109039 109013 3770358
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.064e+06 2.498e+05 -4.261 2.22e-05 ***
## Rating 2.204e+05 3.660e+04 6.021 2.43e-09 ***
## `Jarak ke pusat Kota` -1.845e+04 4.352e+03 -4.238 2.46e-05 ***
## `Jumlah Ulasan` 4.904e+01 5.461e+00 8.980 < 2e-16 ***
## Rating_Excellent -7.671e+04 1.015e+05 -0.756 0.450115
## Rating_VeryGood -2.968e+05 8.239e+04 -3.602 0.000331 ***
## Rating_Good -1.082e+05 6.788e+04 -1.594 0.111356
## F_Rekreasi 1.186e+05 5.237e+04 2.264 0.023786 *
## F_Makanan -1.080e+05 5.610e+04 -1.925 0.054466 .
## F_Kamar -4.852e+03 4.707e+04 -0.103 0.917919
## F_Transportasi -1.747e+05 5.195e+04 -3.362 0.000802 ***
## F_Pelayanan -1.686e+05 1.094e+05 -1.541 0.123699
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 524600 on 1007 degrees of freedom
## Multiple R-squared: 0.3332, Adjusted R-squared: 0.3259
## F-statistic: 45.75 on 11 and 1007 DF, p-value: < 2.2e-16Uji Asumsi
library(lmtest)
library(car)
#Multikolinieritas
vif(model_baru1)## Rating `Jarak ke pusat Kota` `Jumlah Ulasan`
## 3.801357 1.019212 1.842225
## Rating_Excellent Rating_VeryGood Rating_Good
## 8.165082 4.009690 3.883217
## F_Rekreasi F_Makanan F_Kamar
## 1.864739 1.103999 1.429250
## F_Transportasi F_Pelayanan
## 1.045568 1.019660# uji Heteroskedastisitas
bptest(model_baru1)##
## studentized Breusch-Pagan test
##
## data: model_baru1
## BP = 82.711, df = 11, p-value = 4.403e-13# uji normalitas residual
shapiro.test(model_baru1$residuals)##
## Shapiro-Wilk normality test
##
## data: model_baru1$residuals
## W = 0.74461, p-value < 2.2e-16#uji autokorelasi
dwtest(model_baru1)##
## Durbin-Watson test
##
## data: model_baru1
## DW = 1.7257, p-value = 5.353e-06
## alternative hypothesis: true autocorrelation is greater than 0#Harapan sisa sama dengan 0
t.test(model_baru1$residuals)##
## One Sample t-test
##
## data: model_baru1$residuals
## t = 1.6439e-15, df = 1018, p-value = 1
## alternative hypothesis: true mean is not equal to 0
## 95 percent confidence interval:
## -32074.17 32074.17
## sample estimates:
## mean of x
## 2.687048e-11Tetap terjadi pelanggaran asumsi
2. Melakukan tranformasi
Boxcox
bc <- boxcox(modelversi2, lambda = seq(-2, 2, 0.1))
# Ambil lambda optimal
lambda_opt <- bc$x[which.max(bc$y)]
lambda_opt## [1] -0.2626263# Transformasi Harga sesuai lambda
if (abs(lambda_opt) < 0.1) {
versi2fix$Harga_trans <- log(versi2fix$Harga)
} else {
versi2fix$Harga_trans <- (versi2fix$Harga^lambda_opt - 1) / lambda_opt
}
# Model baru dengan Harga yang sudah ditransformasi
model_bc <- lm(Harga_trans ~ Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` +
Rating_Excellent + Rating_VeryGood + Rating_Good +
F_Rekreasi + F_Makanan + F_Kamar + F_Transportasi + F_Pelayanan,
data = versi2fix)
summary(model_bc)##
## Call:
## lm(formula = Harga_trans ~ Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` +
## Rating_Excellent + Rating_VeryGood + Rating_Good + F_Rekreasi +
## F_Makanan + F_Kamar + F_Transportasi + F_Pelayanan, data = versi2fix)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.048051 -0.014090 -0.001474 0.013652 0.061322
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.645e+00 7.998e-03 455.774 < 2e-16 ***
## Rating 2.853e-03 1.183e-03 2.411 0.016088 *
## `Jarak ke pusat Kota` -7.990e-04 1.650e-04 -4.843 1.47e-06 ***
## `Jumlah Ulasan` 1.237e-06 1.739e-07 7.113 2.13e-12 ***
## Rating_Excellent 1.915e-02 3.555e-03 5.387 8.89e-08 ***
## Rating_VeryGood 8.235e-03 2.978e-03 2.766 0.005784 **
## Rating_Good 8.778e-03 2.497e-03 3.515 0.000459 ***
## F_Rekreasi 7.606e-03 1.940e-03 3.920 9.44e-05 ***
## F_Makanan -1.454e-03 2.106e-03 -0.690 0.490157
## F_Kamar 1.013e-03 1.768e-03 0.573 0.567024
## F_Transportasi -8.153e-03 1.968e-03 -4.143 3.71e-05 ***
## F_Pelayanan -1.166e-02 4.085e-03 -2.855 0.004393 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.01997 on 1019 degrees of freedom
## Multiple R-squared: 0.369, Adjusted R-squared: 0.3622
## F-statistic: 54.17 on 11 and 1019 DF, p-value: < 2.2e-16library(lmtest)
library(car)
#Multikolinieritas
vif(model_bc)## Rating `Jarak ke pusat Kota` `Jumlah Ulasan`
## 3.256435 1.015353 1.762452
## Rating_Excellent Rating_VeryGood Rating_Good
## 7.054433 3.625318 3.650848
## F_Rekreasi F_Makanan F_Kamar
## 1.807400 1.128048 1.418615
## F_Transportasi F_Pelayanan
## 1.044540 1.020910# uji Heteroskedastisitas
bptest(model_bc)##
## studentized Breusch-Pagan test
##
## data: model_bc
## BP = 78.894, df = 11, p-value = 2.414e-12# uji normalitas residual
shapiro.test(model_bc$residuals)##
## Shapiro-Wilk normality test
##
## data: model_bc$residuals
## W = 0.99212, p-value = 2.627e-05#uji autokorelasi
dwtest(model_bc)##
## Durbin-Watson test
##
## data: model_bc
## DW = 1.6897, p-value = 2.755e-07
## alternative hypothesis: true autocorrelation is greater than 0#Harapan sisa sama dengan 0
t.test(model_bc$residuals)##
## One Sample t-test
##
## data: model_bc$residuals
## t = -2.3041e-15, df = 1030, p-value = 1
## alternative hypothesis: true mean is not equal to 0
## 95 percent confidence interval:
## -0.001213765 0.001213765
## sample estimates:
## mean of x
## -1.425217e-18resid_bc <- residuals(model_bc)
par(mfrow=c(1,2))
hist(resid_bc, col="skyblue", breaks=30, main="Histogram Residuals")
qqnorm(resid_bc); qqline(resid_bc, col="red", lwd=2)
Transformasi Log
# Regresi dengan transformasi log
model_log <- lm(log(Harga) ~ Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan`+ `Rating_Excellent` + `Rating_VeryGood`+ `Rating_Good`+F_Rekreasi + F_Makanan + F_Kamar + F_Transportasi + F_Pelayanan, data = versi2fix)
summary(model_log)##
## Call:
## lm(formula = log(Harga) ~ Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` +
## Rating_Excellent + Rating_VeryGood + Rating_Good + F_Rekreasi +
## F_Makanan + F_Kamar + F_Transportasi + F_Pelayanan, data = versi2fix)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.31048 -0.44616 -0.08247 0.38779 2.21643
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.188e+01 2.470e-01 48.092 < 2e-16 ***
## Rating 1.029e-01 3.654e-02 2.816 0.004962 **
## `Jarak ke pusat Kota` -2.583e-02 5.094e-03 -5.070 4.73e-07 ***
## `Jumlah Ulasan` 4.392e-05 5.371e-06 8.177 8.60e-16 ***
## Rating_Excellent 5.214e-01 1.098e-01 4.749 2.34e-06 ***
## Rating_VeryGood 1.544e-01 9.195e-02 1.679 0.093366 .
## Rating_Good 2.165e-01 7.712e-02 2.807 0.005101 **
## F_Rekreasi 2.195e-01 5.992e-02 3.664 0.000261 ***
## F_Makanan -6.868e-02 6.504e-02 -1.056 0.291247
## F_Kamar 3.691e-02 5.461e-02 0.676 0.499263
## F_Transportasi -2.574e-01 6.076e-02 -4.237 2.47e-05 ***
## F_Pelayanan -3.351e-01 1.261e-01 -2.656 0.008023 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.6166 on 1019 degrees of freedom
## Multiple R-squared: 0.3831, Adjusted R-squared: 0.3765
## F-statistic: 57.53 on 11 and 1019 DF, p-value: < 2.2e-16library(lmtest)
library(car)
#Multikolinieritas
vif(model_log)## Rating `Jarak ke pusat Kota` `Jumlah Ulasan`
## 3.256435 1.015353 1.762452
## Rating_Excellent Rating_VeryGood Rating_Good
## 7.054433 3.625318 3.650848
## F_Rekreasi F_Makanan F_Kamar
## 1.807400 1.128048 1.418615
## F_Transportasi F_Pelayanan
## 1.044540 1.020910# uji Heteroskedastisitas
bptest(model_log)##
## studentized Breusch-Pagan test
##
## data: model_log
## BP = 53.762, df = 11, p-value = 1.304e-07# uji normalitas residual
shapiro.test(model_log$residuals)##
## Shapiro-Wilk normality test
##
## data: model_log$residuals
## W = 0.97334, p-value = 7.925e-13#uji autokorelasi
dwtest(model_log)##
## Durbin-Watson test
##
## data: model_log
## DW = 1.6873, p-value = 2.26e-07
## alternative hypothesis: true autocorrelation is greater than 0#Harapan sisa sama dengan 0
t.test(model_log$residuals)##
## One Sample t-test
##
## data: model_log$residuals
## t = -6.6998e-15, df = 1030, p-value = 1
## alternative hypothesis: true mean is not equal to 0
## 95 percent confidence interval:
## -0.03748138 0.03748138
## sample estimates:
## mean of x
## -1.279735e-16Subset Selection
Data tanpa pencilan
# Hapus baris pencilan dari data
versi2fix_cleans <- versi2fix[-pencilan, ]
versi2fix_cleans <- subset(versi2fix_cleans, select = -Harga_trans)
dim(versi2fix_cleans)## [1] 983 13library(leaps)## Warning: package 'leaps' was built under R version 4.4.3# Formula penuh
formula_full <- Harga ~ Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` +
Rating_Excellent + Rating_VeryGood + Rating_Good +
F_Rekreasi + F_Makanan + F_Kamar +
F_Transportasi + F_Pelayanan
# Fungsi untuk ekstrak metrik (R2, AdjR2, AIC) dari regsubsets
get_model_info <- function(object, data, method_name) {
summary_obj <- summary(object)
models_info <- data.frame()
for (i in 1:length(summary_obj$adjr2)) {
vars <- names(coef(object, i))[-1]
form <- as.formula(paste("Harga ~", paste(vars, collapse = "+")))
fit <- lm(form, data = data)
r2 <- summary(fit)$r.squared
adjr2 <- summary(fit)$adj.r.squared
aic <- AIC(fit)
models_info <- rbind(models_info,
data.frame(Method = method_name,
Size = i,
Predictors = paste(vars, collapse = " + "),
R2 = r2,
AdjR2 = adjr2,
AIC = aic))
}
return(models_info)
}
# Jalankan subset selection
forward_sel3 <- regsubsets(formula_full, data = versi2fix_cleans, nvmax = 11, method = "forward")
backward_sel3 <- regsubsets(formula_full, data = versi2fix_cleans, nvmax = 11, method = "backward")
hybrid_sel3 <- regsubsets(formula_full, data = versi2fix_cleans, nvmax = 11, method = "seqrep")
# Ambil hasil
forward_results3 <- get_model_info(forward_sel3, versi2fix_cleans, "Forward")
backward_results3 <- get_model_info(backward_sel3, versi2fix_cleans, "Backward")
hybrid_results3 <- get_model_info(hybrid_sel3, versi2fix_cleans, "Hybrid")
# Gabungkan semua hasil
all_results <- rbind(forward_results3, backward_results3, hybrid_results3)
# Tampilkan semua hasil
all_results## Method Size
## 1 Forward 1
## 2 Forward 2
## 3 Forward 3
## 4 Forward 4
## 5 Forward 5
## 6 Forward 6
## 7 Forward 7
## 8 Forward 8
## 9 Forward 9
## 10 Forward 10
## 11 Forward 11
## 12 Backward 1
## 13 Backward 2
## 14 Backward 3
## 15 Backward 4
## 16 Backward 5
## 17 Backward 6
## 18 Backward 7
## 19 Backward 8
## 20 Backward 9
## 21 Backward 10
## 22 Backward 11
## 23 Hybrid 1
## 24 Hybrid 2
## 25 Hybrid 3
## 26 Hybrid 4
## 27 Hybrid 5
## 28 Hybrid 6
## 29 Hybrid 7
## 30 Hybrid 8
## 31 Hybrid 9
## 32 Hybrid 10
## 33 Hybrid 11
## Predictors
## 1 `Jumlah Ulasan`
## 2 Rating + `Jumlah Ulasan`
## 3 Rating + `Jumlah Ulasan` + Rating_VeryGood
## 4 Rating + `Jumlah Ulasan` + Rating_VeryGood + F_Transportasi
## 5 Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` + Rating_VeryGood + F_Transportasi
## 6 Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` + Rating_VeryGood + F_Rekreasi + F_Transportasi
## 7 Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` + Rating_Excellent + Rating_VeryGood + F_Rekreasi + F_Transportasi
## 8 Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` + Rating_Excellent + Rating_VeryGood + F_Rekreasi + F_Makanan + F_Transportasi
## 9 Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` + Rating_Excellent + Rating_VeryGood + F_Rekreasi + F_Makanan + F_Transportasi + F_Pelayanan
## 10 Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` + Rating_Excellent + Rating_VeryGood + Rating_Good + F_Rekreasi + F_Makanan + F_Transportasi + F_Pelayanan
## 11 Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` + Rating_Excellent + Rating_VeryGood + Rating_Good + F_Rekreasi + F_Makanan + F_Kamar + F_Transportasi + F_Pelayanan
## 12 `Jumlah Ulasan`
## 13 Rating + `Jumlah Ulasan`
## 14 Rating + `Jumlah Ulasan` + Rating_VeryGood
## 15 Rating + `Jumlah Ulasan` + Rating_VeryGood + F_Transportasi
## 16 Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` + Rating_VeryGood + F_Transportasi
## 17 Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` + Rating_VeryGood + F_Rekreasi + F_Transportasi
## 18 Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` + Rating_Excellent + Rating_VeryGood + F_Rekreasi + F_Transportasi
## 19 Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` + Rating_Excellent + Rating_VeryGood + F_Rekreasi + F_Makanan + F_Transportasi
## 20 Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` + Rating_Excellent + Rating_VeryGood + F_Rekreasi + F_Makanan + F_Transportasi + F_Pelayanan
## 21 Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` + Rating_Excellent + Rating_VeryGood + Rating_Good + F_Rekreasi + F_Makanan + F_Transportasi + F_Pelayanan
## 22 Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` + Rating_Excellent + Rating_VeryGood + Rating_Good + F_Rekreasi + F_Makanan + F_Kamar + F_Transportasi + F_Pelayanan
## 23 `Jumlah Ulasan`
## 24 Rating + `Jarak ke pusat Kota`
## 25 Rating + `Jumlah Ulasan` + Rating_VeryGood
## 26 Rating + `Jumlah Ulasan` + Rating_VeryGood + F_Transportasi
## 27 Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` + Rating_Excellent + Rating_VeryGood
## 28 Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` + Rating_VeryGood + F_Rekreasi + F_Transportasi
## 29 Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` + Rating_Excellent + Rating_VeryGood + Rating_Good + F_Rekreasi
## 30 Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` + Rating_Excellent + Rating_VeryGood + F_Rekreasi + F_Makanan + F_Transportasi
## 31 Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` + Rating_Excellent + Rating_VeryGood + F_Rekreasi + F_Makanan + F_Transportasi + F_Pelayanan
## 32 Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` + Rating_Excellent + Rating_VeryGood + Rating_Good + F_Rekreasi + F_Makanan + F_Kamar + F_Transportasi
## 33 Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` + Rating_Excellent + Rating_VeryGood + Rating_Good + F_Rekreasi + F_Makanan + F_Kamar + F_Transportasi + F_Pelayanan
## R2 AdjR2 AIC
## 1 0.2437854 0.2430145 27814.87
## 2 0.2985404 0.2971089 27742.98
## 3 0.3195813 0.3174963 27715.05
## 4 0.3317650 0.3290320 27699.29
## 5 0.3433372 0.3399766 27684.11
## 6 0.3488711 0.3448682 27677.79
## 7 0.3501842 0.3455189 27677.81
## 8 0.3509788 0.3456481 27678.61
## 9 0.3516540 0.3456570 27679.58
## 10 0.3521741 0.3455092 27680.80
## 11 0.3521742 0.3448353 27682.80
## 12 0.2437854 0.2430145 27814.87
## 13 0.2985404 0.2971089 27742.98
## 14 0.3195813 0.3174963 27715.05
## 15 0.3317650 0.3290320 27699.29
## 16 0.3433372 0.3399766 27684.11
## 17 0.3488711 0.3448682 27677.79
## 18 0.3501842 0.3455189 27677.81
## 19 0.3509788 0.3456481 27678.61
## 20 0.3516540 0.3456570 27679.58
## 21 0.3521741 0.3455092 27680.80
## 22 0.3521742 0.3448353 27682.80
## 23 0.2437854 0.2430145 27814.87
## 24 0.1749753 0.1732916 27902.48
## 25 0.3195813 0.3174963 27715.05
## 26 0.3317650 0.3290320 27699.29
## 27 0.3325423 0.3291264 27700.14
## 28 0.3488711 0.3448682 27677.79
## 29 0.3388015 0.3340545 27694.88
## 30 0.3509788 0.3456481 27678.61
## 31 0.3516540 0.3456570 27679.58
## 32 0.3515368 0.3448654 27681.76
## 33 0.3521742 0.3448353 27682.80# Model terbaik per metode (berdasarkan AdjR2 maksimum)
best_forward <- forward_results3[which.max(forward_results3$AdjR2), ]
best_backward <- backward_results3[which.max(backward_results3$AdjR2), ]
best_hybrid <- hybrid_results3[which.max(hybrid_results3$AdjR2), ]
# Gabungkan model terbaik
best_modelss <- rbind(best_forward, best_backward, best_hybrid)
best_modelss## Method Size
## 9 Forward 9
## 91 Backward 9
## 92 Hybrid 9
## Predictors
## 9 Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` + Rating_Excellent + Rating_VeryGood + F_Rekreasi + F_Makanan + F_Transportasi + F_Pelayanan
## 91 Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` + Rating_Excellent + Rating_VeryGood + F_Rekreasi + F_Makanan + F_Transportasi + F_Pelayanan
## 92 Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` + Rating_Excellent + Rating_VeryGood + F_Rekreasi + F_Makanan + F_Transportasi + F_Pelayanan
## R2 AdjR2 AIC
## 9 0.351654 0.345657 27679.58
## 91 0.351654 0.345657 27679.58
## 92 0.351654 0.345657 27679.58model_fix <- lm(Harga ~ Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` + Rating_Excellent + Rating_VeryGood + F_Rekreasi + F_Makanan + F_Transportasi + F_Pelayanan, data = versi2fix_cleans)
summary(model_fix)##
## Call:
## lm(formula = Harga ~ Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` +
## Rating_Excellent + Rating_VeryGood + F_Rekreasi + F_Makanan +
## F_Transportasi + F_Pelayanan, data = versi2fix_cleans)
##
## Residuals:
## Min 1Q Median 3Q Max
## -661105 -193711 -82996 113810 1423832
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -290518.41 130199.22 -2.231 0.025886 *
## Rating 97938.02 17017.56 5.755 1.16e-08 ***
## `Jarak ke pusat Kota` -11308.15 2629.55 -4.300 1.88e-05 ***
## `Jumlah Ulasan` 34.23 3.42 10.011 < 2e-16 ***
## Rating_Excellent 55007.71 36353.24 1.513 0.130568
## Rating_VeryGood -104905.26 30310.87 -3.461 0.000562 ***
## F_Rekreasi 81178.09 30185.60 2.689 0.007283 **
## F_Makanan -36492.31 33872.00 -1.077 0.281587
## F_Transportasi -128879.49 30949.51 -4.164 3.40e-05 ***
## F_Pelayanan -65755.05 65321.73 -1.007 0.314361
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 313100 on 973 degrees of freedom
## Multiple R-squared: 0.3517, Adjusted R-squared: 0.3457
## F-statistic: 58.64 on 9 and 973 DF, p-value: < 2.2e-16Keputusan Ahir: Data tetap dipertahankan secara
keseluruhan, menghapus pencilan, amatan berpengaruh ataupun leverage
tidak memberikan efect yang signifikan pada R square maupun Adj-R
square. Memang mengalami peningkatan tapi sangat sedikit sehingga tidak
sebanding dengan kami yang harus kehilangan informasi datanya.
Pemodelan Untuk Proyek
PEMODELAN OLS
library(car)
modelversi2 <- lm(Harga ~ Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan`+ `Rating_Excellent` + `Rating_VeryGood`+ `Rating_Good`+F_Rekreasi + F_Makanan + F_Kamar + F_Transportasi + F_Pelayanan,
data = versi2fix)
summary(modelversi2)##
## Call:
## lm(formula = Harga ~ Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` +
## Rating_Excellent + Rating_VeryGood + Rating_Good + F_Rekreasi +
## F_Makanan + F_Kamar + F_Transportasi + F_Pelayanan, data = versi2fix)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1673426 -260799 -111318 116258 3836066
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -4.487e+05 2.178e+05 -2.060 0.03961 *
## Rating 1.333e+05 3.222e+04 4.138 3.79e-05 ***
## `Jarak ke pusat Kota` -2.055e+04 4.491e+03 -4.575 5.34e-06 ***
## `Jumlah Ulasan` 4.840e+01 4.736e+00 10.219 < 2e-16 ***
## Rating_Excellent 1.110e+05 9.679e+04 1.147 0.25168
## Rating_VeryGood -1.825e+05 8.107e+04 -2.251 0.02459 *
## Rating_Good -3.103e+04 6.800e+04 -0.456 0.64823
## F_Rekreasi 9.003e+04 5.283e+04 1.704 0.08863 .
## F_Makanan -1.139e+05 5.734e+04 -1.986 0.04726 *
## F_Kamar 3.157e+04 4.814e+04 0.656 0.51211
## F_Transportasi -1.759e+05 5.357e+04 -3.283 0.00106 **
## F_Pelayanan -2.247e+05 1.112e+05 -2.020 0.04365 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 543700 on 1019 degrees of freedom
## Multiple R-squared: 0.3383, Adjusted R-squared: 0.3312
## F-statistic: 47.37 on 11 and 1019 DF, p-value: < 2.2e-16vif(modelversi2)## Rating `Jarak ke pusat Kota` `Jumlah Ulasan`
## 3.256435 1.015353 1.762452
## Rating_Excellent Rating_VeryGood Rating_Good
## 7.054433 3.625318 3.650848
## F_Rekreasi F_Makanan F_Kamar
## 1.807400 1.128048 1.418615
## F_Transportasi F_Pelayanan
## 1.044540 1.020910Penyeleksian peubah
Metode forward, bakcward dan keduanya
# Model kosong (intercept saja)
null_model <- lm(Harga ~ 1, data = versi2fix)
# Stepwise selection (both)
step_model <- step(null_model,
scope = list(lower = null_model, upper = modelversi2),
direction = "both")## Start: AIC=27646.65
## Harga ~ 1
##
## Df Sum of Sq RSS AIC
## + `Jumlah Ulasan` 1 1.0917e+14 3.4602e+14 27366
## + Rating_Excellent 1 8.0752e+13 3.7443e+14 27447
## + Rating 1 6.6644e+13 3.8854e+14 27485
## + F_Rekreasi 1 5.4272e+13 4.0091e+14 27518
## + F_Kamar 1 1.5851e+13 4.3933e+14 27612
## + Rating_Good 1 1.1705e+13 4.4348e+14 27622
## + `Jarak ke pusat Kota` 1 1.1003e+13 4.4418e+14 27623
## + Rating_VeryGood 1 7.9438e+12 4.4724e+14 27631
## + F_Makanan 1 4.0904e+12 4.5109e+14 27639
## + F_Transportasi 1 3.0889e+12 4.5209e+14 27642
## <none> 4.5518e+14 27647
## + F_Pelayanan 1 3.5514e+11 4.5483e+14 27648
##
## Step: AIC=27365.94
## Harga ~ `Jumlah Ulasan`
##
## Df Sum of Sq RSS AIC
## + Rating_Excellent 1 2.2267e+13 3.2375e+14 27299
## + Rating 1 2.0823e+13 3.2519e+14 27304
## + `Jarak ke pusat Kota` 1 6.7671e+12 3.3925e+14 27348
## + Rating_VeryGood 1 6.5726e+12 3.3944e+14 27348
## + F_Transportasi 1 4.8860e+12 3.4113e+14 27353
## + F_Rekreasi 1 2.5994e+12 3.4342e+14 27360
## + F_Pelayanan 1 1.4926e+12 3.4452e+14 27364
## + F_Makanan 1 8.7280e+11 3.4514e+14 27365
## <none> 3.4602e+14 27366
## + F_Kamar 1 7.0587e+10 3.4595e+14 27368
## + Rating_Good 1 5.2200e+10 3.4596e+14 27368
## - `Jumlah Ulasan` 1 1.0917e+14 4.5518e+14 27647
##
## Step: AIC=27299.36
## Harga ~ `Jumlah Ulasan` + Rating_Excellent
##
## Df Sum of Sq RSS AIC
## + `Jarak ke pusat Kota` 1 6.9840e+12 3.1676e+14 27279
## + Rating 1 5.2883e+12 3.1846e+14 27284
## + F_Transportasi 1 4.6584e+12 3.1909e+14 27286
## + Rating_Good 1 3.6740e+12 3.2007e+14 27290
## + F_Pelayanan 1 2.0947e+12 3.2165e+14 27295
## + F_Makanan 1 1.1554e+12 3.2259e+14 27298
## + F_Rekreasi 1 8.5656e+11 3.2289e+14 27299
## + Rating_VeryGood 1 8.1186e+11 3.2294e+14 27299
## <none> 3.2375e+14 27299
## + F_Kamar 1 8.4872e+08 3.2375e+14 27301
## - Rating_Excellent 1 2.2267e+13 3.4602e+14 27366
## - `Jumlah Ulasan` 1 5.0681e+13 3.7443e+14 27447
##
## Step: AIC=27278.87
## Harga ~ `Jumlah Ulasan` + Rating_Excellent + `Jarak ke pusat Kota`
##
## Df Sum of Sq RSS AIC
## + Rating 1 5.0681e+12 3.1170e+14 27264
## + F_Transportasi 1 4.6394e+12 3.1213e+14 27266
## + Rating_Good 1 3.0353e+12 3.1373e+14 27271
## + F_Pelayanan 1 1.8812e+12 3.1488e+14 27275
## + F_Makanan 1 1.3319e+12 3.1543e+14 27277
## + F_Rekreasi 1 8.3197e+11 3.1593e+14 27278
## <none> 3.1676e+14 27279
## + Rating_VeryGood 1 5.6373e+11 3.1620e+14 27279
## + F_Kamar 1 2.3606e+10 3.1674e+14 27281
## - `Jarak ke pusat Kota` 1 6.9840e+12 3.2375e+14 27299
## - Rating_Excellent 1 2.2484e+13 3.3925e+14 27348
## - `Jumlah Ulasan` 1 4.8038e+13 3.6480e+14 27422
##
## Step: AIC=27264.24
## Harga ~ `Jumlah Ulasan` + Rating_Excellent + `Jarak ke pusat Kota` +
## Rating
##
## Df Sum of Sq RSS AIC
## + F_Transportasi 1 4.4139e+12 3.0728e+14 27252
## + Rating_VeryGood 1 3.1625e+12 3.0853e+14 27256
## + F_Pelayanan 1 1.9929e+12 3.0970e+14 27260
## + Rating_Good 1 1.8144e+12 3.0988e+14 27260
## + F_Makanan 1 1.3768e+12 3.1032e+14 27262
## + F_Rekreasi 1 6.9094e+11 3.1101e+14 27264
## <none> 3.1170e+14 27264
## + F_Kamar 1 1.8995e+08 3.1170e+14 27266
## - Rating 1 5.0681e+12 3.1676e+14 27279
## - `Jarak ke pusat Kota` 1 6.7638e+12 3.1846e+14 27284
## - Rating_Excellent 1 6.9704e+12 3.1867e+14 27285
## - `Jumlah Ulasan` 1 4.3637e+13 3.5533e+14 27397
##
## Step: AIC=27251.54
## Harga ~ `Jumlah Ulasan` + Rating_Excellent + `Jarak ke pusat Kota` +
## Rating + F_Transportasi
##
## Df Sum of Sq RSS AIC
## + Rating_VeryGood 1 2.4077e+12 3.0487e+14 27245
## + F_Pelayanan 1 1.4719e+12 3.0581e+14 27249
## + F_Makanan 1 1.2660e+12 3.0602e+14 27249
## + Rating_Good 1 1.1799e+12 3.0610e+14 27250
## + F_Rekreasi 1 6.2189e+11 3.0666e+14 27252
## <none> 3.0728e+14 27252
## + F_Kamar 1 7.0557e+10 3.0721e+14 27253
## - F_Transportasi 1 4.4139e+12 3.1170e+14 27264
## - Rating 1 4.8427e+12 3.1213e+14 27266
## - `Jarak ke pusat Kota` 1 6.7504e+12 3.1403e+14 27272
## - Rating_Excellent 1 7.0181e+12 3.1430e+14 27273
## - `Jumlah Ulasan` 1 4.4830e+13 3.5211e+14 27390
##
## Step: AIC=27245.43
## Harga ~ `Jumlah Ulasan` + Rating_Excellent + `Jarak ke pusat Kota` +
## Rating + F_Transportasi + Rating_VeryGood
##
## Df Sum of Sq RSS AIC
## + F_Pelayanan 1 1.3242e+12 3.0355e+14 27243
## + F_Rekreasi 1 1.1773e+12 3.0370e+14 27243
## + F_Makanan 1 9.8221e+11 3.0389e+14 27244
## <none> 3.0487e+14 27245
## + F_Kamar 1 3.3943e+11 3.0454e+14 27246
## + Rating_Good 1 4.1527e+10 3.0483e+14 27247
## - Rating_Excellent 1 2.1759e+12 3.0705e+14 27251
## - Rating_VeryGood 1 2.4077e+12 3.0728e+14 27252
## - F_Transportasi 1 3.6591e+12 3.0853e+14 27256
## - `Jarak ke pusat Kota` 1 6.1623e+12 3.1104e+14 27264
## - Rating 1 6.9474e+12 3.1182e+14 27267
## - `Jumlah Ulasan` 1 4.6653e+13 3.5153e+14 27390
##
## Step: AIC=27242.94
## Harga ~ `Jumlah Ulasan` + Rating_Excellent + `Jarak ke pusat Kota` +
## Rating + F_Transportasi + Rating_VeryGood + F_Pelayanan
##
## Df Sum of Sq RSS AIC
## + F_Rekreasi 1 1.1213e+12 3.0243e+14 27241
## + F_Makanan 1 9.3042e+11 3.0262e+14 27242
## <none> 3.0355e+14 27243
## + F_Kamar 1 3.0478e+11 3.0325e+14 27244
## + Rating_Good 1 5.6268e+10 3.0349e+14 27245
## - F_Pelayanan 1 1.3242e+12 3.0487e+14 27245
## - Rating_VeryGood 1 2.2600e+12 3.0581e+14 27249
## - Rating_Excellent 1 2.3289e+12 3.0588e+14 27249
## - F_Transportasi 1 3.2354e+12 3.0679e+14 27252
## - `Jarak ke pusat Kota` 1 6.0089e+12 3.0956e+14 27261
## - Rating 1 6.9610e+12 3.1051e+14 27264
## - `Jumlah Ulasan` 1 4.6970e+13 3.5052e+14 27389
##
## Step: AIC=27241.13
## Harga ~ `Jumlah Ulasan` + Rating_Excellent + `Jarak ke pusat Kota` +
## Rating + F_Transportasi + Rating_VeryGood + F_Pelayanan +
## F_Rekreasi
##
## Df Sum of Sq RSS AIC
## + F_Makanan 1 1.0586e+12 3.0137e+14 27240
## <none> 3.0243e+14 27241
## - F_Rekreasi 1 1.1213e+12 3.0355e+14 27243
## + Rating_Good 1 4.7187e+10 3.0238e+14 27243
## + F_Kamar 1 4.0083e+10 3.0239e+14 27243
## - F_Pelayanan 1 1.2682e+12 3.0370e+14 27243
## - Rating_Excellent 1 1.7123e+12 3.0414e+14 27245
## - Rating_VeryGood 1 2.7880e+12 3.0522e+14 27249
## - F_Transportasi 1 3.0844e+12 3.0551e+14 27250
## - `Jarak ke pusat Kota` 1 5.9208e+12 3.0835e+14 27259
## - Rating 1 7.1705e+12 3.0960e+14 27263
## - `Jumlah Ulasan` 1 3.0356e+13 3.3279e+14 27338
##
## Step: AIC=27239.51
## Harga ~ `Jumlah Ulasan` + Rating_Excellent + `Jarak ke pusat Kota` +
## Rating + F_Transportasi + Rating_VeryGood + F_Pelayanan +
## F_Rekreasi + F_Makanan
##
## Df Sum of Sq RSS AIC
## <none> 3.0137e+14 27240
## + F_Kamar 1 1.3102e+11 3.0124e+14 27241
## - F_Makanan 1 1.0586e+12 3.0243e+14 27241
## + Rating_Good 1 6.5470e+10 3.0131e+14 27241
## - F_Pelayanan 1 1.2110e+12 3.0258e+14 27242
## - F_Rekreasi 1 1.2495e+12 3.0262e+14 27242
## - Rating_Excellent 1 1.8455e+12 3.0322e+14 27244
## - Rating_VeryGood 1 2.5172e+12 3.0389e+14 27246
## - F_Transportasi 1 3.0367e+12 3.0441e+14 27248
## - `Jarak ke pusat Kota` 1 6.0930e+12 3.0746e+14 27258
## - Rating 1 7.0298e+12 3.0840e+14 27261
## - `Jumlah Ulasan` 1 3.1407e+13 3.3278e+14 27340# Forward selection
forward_model <- step(null_model,
scope = list(lower = null_model, upper = modelversi2),
direction = "forward")## Start: AIC=27646.65
## Harga ~ 1
##
## Df Sum of Sq RSS AIC
## + `Jumlah Ulasan` 1 1.0917e+14 3.4602e+14 27366
## + Rating_Excellent 1 8.0752e+13 3.7443e+14 27447
## + Rating 1 6.6644e+13 3.8854e+14 27485
## + F_Rekreasi 1 5.4272e+13 4.0091e+14 27518
## + F_Kamar 1 1.5851e+13 4.3933e+14 27612
## + Rating_Good 1 1.1705e+13 4.4348e+14 27622
## + `Jarak ke pusat Kota` 1 1.1003e+13 4.4418e+14 27623
## + Rating_VeryGood 1 7.9438e+12 4.4724e+14 27631
## + F_Makanan 1 4.0904e+12 4.5109e+14 27639
## + F_Transportasi 1 3.0889e+12 4.5209e+14 27642
## <none> 4.5518e+14 27647
## + F_Pelayanan 1 3.5514e+11 4.5483e+14 27648
##
## Step: AIC=27365.94
## Harga ~ `Jumlah Ulasan`
##
## Df Sum of Sq RSS AIC
## + Rating_Excellent 1 2.2267e+13 3.2375e+14 27299
## + Rating 1 2.0823e+13 3.2519e+14 27304
## + `Jarak ke pusat Kota` 1 6.7671e+12 3.3925e+14 27348
## + Rating_VeryGood 1 6.5726e+12 3.3944e+14 27348
## + F_Transportasi 1 4.8860e+12 3.4113e+14 27353
## + F_Rekreasi 1 2.5994e+12 3.4342e+14 27360
## + F_Pelayanan 1 1.4926e+12 3.4452e+14 27364
## + F_Makanan 1 8.7280e+11 3.4514e+14 27365
## <none> 3.4602e+14 27366
## + F_Kamar 1 7.0587e+10 3.4595e+14 27368
## + Rating_Good 1 5.2200e+10 3.4596e+14 27368
##
## Step: AIC=27299.36
## Harga ~ `Jumlah Ulasan` + Rating_Excellent
##
## Df Sum of Sq RSS AIC
## + `Jarak ke pusat Kota` 1 6.9840e+12 3.1676e+14 27279
## + Rating 1 5.2883e+12 3.1846e+14 27284
## + F_Transportasi 1 4.6584e+12 3.1909e+14 27286
## + Rating_Good 1 3.6740e+12 3.2007e+14 27290
## + F_Pelayanan 1 2.0947e+12 3.2165e+14 27295
## + F_Makanan 1 1.1554e+12 3.2259e+14 27298
## + F_Rekreasi 1 8.5656e+11 3.2289e+14 27299
## + Rating_VeryGood 1 8.1186e+11 3.2294e+14 27299
## <none> 3.2375e+14 27299
## + F_Kamar 1 8.4872e+08 3.2375e+14 27301
##
## Step: AIC=27278.87
## Harga ~ `Jumlah Ulasan` + Rating_Excellent + `Jarak ke pusat Kota`
##
## Df Sum of Sq RSS AIC
## + Rating 1 5.0681e+12 3.1170e+14 27264
## + F_Transportasi 1 4.6394e+12 3.1213e+14 27266
## + Rating_Good 1 3.0353e+12 3.1373e+14 27271
## + F_Pelayanan 1 1.8812e+12 3.1488e+14 27275
## + F_Makanan 1 1.3319e+12 3.1543e+14 27277
## + F_Rekreasi 1 8.3197e+11 3.1593e+14 27278
## <none> 3.1676e+14 27279
## + Rating_VeryGood 1 5.6373e+11 3.1620e+14 27279
## + F_Kamar 1 2.3606e+10 3.1674e+14 27281
##
## Step: AIC=27264.24
## Harga ~ `Jumlah Ulasan` + Rating_Excellent + `Jarak ke pusat Kota` +
## Rating
##
## Df Sum of Sq RSS AIC
## + F_Transportasi 1 4.4139e+12 3.0728e+14 27252
## + Rating_VeryGood 1 3.1625e+12 3.0853e+14 27256
## + F_Pelayanan 1 1.9929e+12 3.0970e+14 27260
## + Rating_Good 1 1.8144e+12 3.0988e+14 27260
## + F_Makanan 1 1.3768e+12 3.1032e+14 27262
## + F_Rekreasi 1 6.9094e+11 3.1101e+14 27264
## <none> 3.1170e+14 27264
## + F_Kamar 1 1.8995e+08 3.1170e+14 27266
##
## Step: AIC=27251.54
## Harga ~ `Jumlah Ulasan` + Rating_Excellent + `Jarak ke pusat Kota` +
## Rating + F_Transportasi
##
## Df Sum of Sq RSS AIC
## + Rating_VeryGood 1 2.4077e+12 3.0487e+14 27245
## + F_Pelayanan 1 1.4719e+12 3.0581e+14 27249
## + F_Makanan 1 1.2660e+12 3.0602e+14 27249
## + Rating_Good 1 1.1799e+12 3.0610e+14 27250
## + F_Rekreasi 1 6.2189e+11 3.0666e+14 27252
## <none> 3.0728e+14 27252
## + F_Kamar 1 7.0557e+10 3.0721e+14 27253
##
## Step: AIC=27245.43
## Harga ~ `Jumlah Ulasan` + Rating_Excellent + `Jarak ke pusat Kota` +
## Rating + F_Transportasi + Rating_VeryGood
##
## Df Sum of Sq RSS AIC
## + F_Pelayanan 1 1.3242e+12 3.0355e+14 27243
## + F_Rekreasi 1 1.1773e+12 3.0370e+14 27243
## + F_Makanan 1 9.8221e+11 3.0389e+14 27244
## <none> 3.0487e+14 27245
## + F_Kamar 1 3.3943e+11 3.0454e+14 27246
## + Rating_Good 1 4.1527e+10 3.0483e+14 27247
##
## Step: AIC=27242.94
## Harga ~ `Jumlah Ulasan` + Rating_Excellent + `Jarak ke pusat Kota` +
## Rating + F_Transportasi + Rating_VeryGood + F_Pelayanan
##
## Df Sum of Sq RSS AIC
## + F_Rekreasi 1 1.1213e+12 3.0243e+14 27241
## + F_Makanan 1 9.3042e+11 3.0262e+14 27242
## <none> 3.0355e+14 27243
## + F_Kamar 1 3.0478e+11 3.0325e+14 27244
## + Rating_Good 1 5.6268e+10 3.0349e+14 27245
##
## Step: AIC=27241.13
## Harga ~ `Jumlah Ulasan` + Rating_Excellent + `Jarak ke pusat Kota` +
## Rating + F_Transportasi + Rating_VeryGood + F_Pelayanan +
## F_Rekreasi
##
## Df Sum of Sq RSS AIC
## + F_Makanan 1 1.0586e+12 3.0137e+14 27240
## <none> 3.0243e+14 27241
## + Rating_Good 1 4.7187e+10 3.0238e+14 27243
## + F_Kamar 1 4.0083e+10 3.0239e+14 27243
##
## Step: AIC=27239.51
## Harga ~ `Jumlah Ulasan` + Rating_Excellent + `Jarak ke pusat Kota` +
## Rating + F_Transportasi + Rating_VeryGood + F_Pelayanan +
## F_Rekreasi + F_Makanan
##
## Df Sum of Sq RSS AIC
## <none> 3.0137e+14 27240
## + F_Kamar 1 1.3102e+11 3.0124e+14 27241
## + Rating_Good 1 6.5470e+10 3.0131e+14 27241# Backward selection
backward_model <- step(modelversi2,
direction = "backward")## Start: AIC=27242.85
## Harga ~ Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` + Rating_Excellent +
## Rating_VeryGood + Rating_Good + F_Rekreasi + F_Makanan +
## F_Kamar + F_Transportasi + F_Pelayanan
##
## Df Sum of Sq RSS AIC
## - Rating_Good 1 6.1556e+10 3.0124e+14 27241
## - F_Kamar 1 1.2711e+11 3.0131e+14 27241
## - Rating_Excellent 1 3.8880e+11 3.0157e+14 27242
## <none> 3.0118e+14 27243
## - F_Rekreasi 1 8.5851e+11 3.0204e+14 27244
## - F_Makanan 1 1.1662e+12 3.0234e+14 27245
## - F_Pelayanan 1 1.2060e+12 3.0238e+14 27245
## - Rating_VeryGood 1 1.4978e+12 3.0268e+14 27246
## - F_Transportasi 1 3.1865e+12 3.0436e+14 27252
## - Rating 1 5.0614e+12 3.0624e+14 27258
## - `Jarak ke pusat Kota` 1 6.1867e+12 3.0736e+14 27262
## - `Jumlah Ulasan` 1 3.0864e+13 3.3204e+14 27341
##
## Step: AIC=27241.06
## Harga ~ Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` + Rating_Excellent +
## Rating_VeryGood + F_Rekreasi + F_Makanan + F_Kamar + F_Transportasi +
## F_Pelayanan
##
## Df Sum of Sq RSS AIC
## - F_Kamar 1 1.3102e+11 3.0137e+14 27240
## <none> 3.0124e+14 27241
## - F_Rekreasi 1 8.6242e+11 3.0210e+14 27242
## - F_Makanan 1 1.1496e+12 3.0239e+14 27243
## - F_Pelayanan 1 1.1912e+12 3.0243e+14 27243
## - Rating_Excellent 1 1.8027e+12 3.0304e+14 27245
## - Rating_VeryGood 1 2.6267e+12 3.0387e+14 27248
## - F_Transportasi 1 3.1453e+12 3.0438e+14 27250
## - `Jarak ke pusat Kota` 1 6.1678e+12 3.0741e+14 27260
## - Rating 1 7.0325e+12 3.0827e+14 27263
## - `Jumlah Ulasan` 1 3.0989e+13 3.3223e+14 27340
##
## Step: AIC=27239.51
## Harga ~ Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` + Rating_Excellent +
## Rating_VeryGood + F_Rekreasi + F_Makanan + F_Transportasi +
## F_Pelayanan
##
## Df Sum of Sq RSS AIC
## <none> 3.0137e+14 27240
## - F_Makanan 1 1.0586e+12 3.0243e+14 27241
## - F_Pelayanan 1 1.2110e+12 3.0258e+14 27242
## - F_Rekreasi 1 1.2495e+12 3.0262e+14 27242
## - Rating_Excellent 1 1.8455e+12 3.0322e+14 27244
## - Rating_VeryGood 1 2.5172e+12 3.0389e+14 27246
## - F_Transportasi 1 3.0367e+12 3.0441e+14 27248
## - `Jarak ke pusat Kota` 1 6.0930e+12 3.0746e+14 27258
## - Rating 1 7.0298e+12 3.0840e+14 27261
## - `Jumlah Ulasan` 1 3.1407e+13 3.3278e+14 27340# Fungsi untuk ambil R², AIC, dan SSE
get_model_stats <- function(model) {
sse <- sum(residuals(model)^2)
rsq <- summary(model)$r.squared
aic <- AIC(model)
data.frame(R_squared = rsq, SSE = sse, AIC = aic)
}
# Ambil statistik tiap model
stats_step <- get_model_stats(step_model)
stats_forward <- get_model_stats(forward_model)
stats_backward <- get_model_stats(backward_model)
# Gabungkan jadi satu tabel
hasil <- rbind(Stepwise_Both = stats_step,
Forward = stats_forward,
Backward = stats_backward)
hasil## R_squared SSE AIC
## Stepwise_Both 0.3379114 3.013706e+14 30167.36
## Forward 0.3379114 3.013706e+14 30167.36
## Backward 0.3379114 3.013706e+14 30167.36summary(backward_model)##
## Call:
## lm(formula = Harga ~ Rating + `Jarak ke pusat Kota` + `Jumlah Ulasan` +
## Rating_Excellent + Rating_VeryGood + F_Rekreasi + F_Makanan +
## F_Transportasi + F_Pelayanan, data = versi2fix)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1671039 -263672 -112475 108486 3822962
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -4.038e+05 1.947e+05 -2.074 0.03837 *
## Rating 1.243e+05 2.547e+04 4.880 1.23e-06 ***
## `Jarak ke pusat Kota` -2.036e+04 4.482e+03 -4.543 6.20e-06 ***
## `Jumlah Ulasan` 4.868e+01 4.719e+00 10.315 < 2e-16 ***
## Rating_Excellent 1.476e+05 5.903e+04 2.500 0.01256 *
## Rating_VeryGood -1.494e+05 5.116e+04 -2.920 0.00357 **
## F_Rekreasi 1.022e+05 4.966e+04 2.057 0.03990 *
## F_Makanan -1.072e+05 5.660e+04 -1.894 0.05854 .
## F_Transportasi -1.702e+05 5.306e+04 -3.207 0.00138 **
## F_Pelayanan -2.250e+05 1.111e+05 -2.026 0.04307 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 543300 on 1021 degrees of freedom
## Multiple R-squared: 0.3379, Adjusted R-squared: 0.3321
## F-statistic: 57.9 on 9 and 1021 DF, p-value: < 2.2e-16summary(forward_model)##
## Call:
## lm(formula = Harga ~ `Jumlah Ulasan` + Rating_Excellent + `Jarak ke pusat Kota` +
## Rating + F_Transportasi + Rating_VeryGood + F_Pelayanan +
## F_Rekreasi + F_Makanan, data = versi2fix)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1671039 -263672 -112475 108486 3822962
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -4.038e+05 1.947e+05 -2.074 0.03837 *
## `Jumlah Ulasan` 4.868e+01 4.719e+00 10.315 < 2e-16 ***
## Rating_Excellent 1.476e+05 5.903e+04 2.500 0.01256 *
## `Jarak ke pusat Kota` -2.036e+04 4.482e+03 -4.543 6.20e-06 ***
## Rating 1.243e+05 2.547e+04 4.880 1.23e-06 ***
## F_Transportasi -1.702e+05 5.306e+04 -3.207 0.00138 **
## Rating_VeryGood -1.494e+05 5.116e+04 -2.920 0.00357 **
## F_Pelayanan -2.250e+05 1.111e+05 -2.026 0.04307 *
## F_Rekreasi 1.022e+05 4.966e+04 2.057 0.03990 *
## F_Makanan -1.072e+05 5.660e+04 -1.894 0.05854 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 543300 on 1021 degrees of freedom
## Multiple R-squared: 0.3379, Adjusted R-squared: 0.3321
## F-statistic: 57.9 on 9 and 1021 DF, p-value: < 2.2e-16summary(step_model)##
## Call:
## lm(formula = Harga ~ `Jumlah Ulasan` + Rating_Excellent + `Jarak ke pusat Kota` +
## Rating + F_Transportasi + Rating_VeryGood + F_Pelayanan +
## F_Rekreasi + F_Makanan, data = versi2fix)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1671039 -263672 -112475 108486 3822962
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -4.038e+05 1.947e+05 -2.074 0.03837 *
## `Jumlah Ulasan` 4.868e+01 4.719e+00 10.315 < 2e-16 ***
## Rating_Excellent 1.476e+05 5.903e+04 2.500 0.01256 *
## `Jarak ke pusat Kota` -2.036e+04 4.482e+03 -4.543 6.20e-06 ***
## Rating 1.243e+05 2.547e+04 4.880 1.23e-06 ***
## F_Transportasi -1.702e+05 5.306e+04 -3.207 0.00138 **
## Rating_VeryGood -1.494e+05 5.116e+04 -2.920 0.00357 **
## F_Pelayanan -2.250e+05 1.111e+05 -2.026 0.04307 *
## F_Rekreasi 1.022e+05 4.966e+04 2.057 0.03990 *
## F_Makanan -1.072e+05 5.660e+04 -1.894 0.05854 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 543300 on 1021 degrees of freedom
## Multiple R-squared: 0.3379, Adjusted R-squared: 0.3321
## F-statistic: 57.9 on 9 and 1021 DF, p-value: < 2.2e-16library(olsrr)
ols_step_best_subset(modelversi2)## Best Subsets Regression
## ----------------------------------------------------------------------------------------------------------------------------------------------------------------
## Model Index Predictors
## ----------------------------------------------------------------------------------------------------------------------------------------------------------------
## 1 `Jumlah Ulasan`
## 2 `Jumlah Ulasan` Rating_Excellent
## 3 Rating `Jumlah Ulasan` Rating_VeryGood
## 4 Rating `Jarak ke pusat Kota` `Jumlah Ulasan` Rating_VeryGood
## 5 Rating `Jarak ke pusat Kota` `Jumlah Ulasan` Rating_VeryGood F_Transportasi
## 6 Rating `Jarak ke pusat Kota` `Jumlah Ulasan` Rating_Excellent Rating_VeryGood F_Transportasi
## 7 Rating `Jarak ke pusat Kota` `Jumlah Ulasan` Rating_Excellent Rating_VeryGood F_Transportasi F_Pelayanan
## 8 Rating `Jarak ke pusat Kota` `Jumlah Ulasan` Rating_Excellent Rating_VeryGood F_Rekreasi F_Transportasi F_Pelayanan
## 9 Rating `Jarak ke pusat Kota` `Jumlah Ulasan` Rating_Excellent Rating_VeryGood F_Rekreasi F_Makanan F_Transportasi F_Pelayanan
## 10 Rating `Jarak ke pusat Kota` `Jumlah Ulasan` Rating_Excellent Rating_VeryGood F_Rekreasi F_Makanan F_Kamar F_Transportasi F_Pelayanan
## 11 Rating `Jarak ke pusat Kota` `Jumlah Ulasan` Rating_Excellent Rating_VeryGood Rating_Good F_Rekreasi F_Makanan F_Kamar F_Transportasi F_Pelayanan
## ----------------------------------------------------------------------------------------------------------------------------------------------------------------
##
## Subsets Regression Summary
## ----------------------------------------------------------------------------------------------------------------------------------------------------------------
## Adj. Pred
## Model R-Square R-Square R-Square C(p) AIC SBIC SBC MSEP FPE HSP APC
## ----------------------------------------------------------------------------------------------------------------------------------------------------------------
## 1 0.2398 0.2391 0.232 143.7033 30293.7882 27367.4311 30308.6030 3.466883e+14 336916444920.3497 327105192.7566 0.7631
## 2 0.2887 0.2874 0.2795 70.3645 30227.2086 27300.9979 30246.9617 3.246936e+14 315846805895.9374 306650849.5747 0.7154
## 3 0.3054 0.3034 0.2937 46.6890 30204.7541 27278.6109 30229.4455 3.173918e+14 309042248593.2794 300046669.0206 0.7000
## 4 0.3181 0.3155 0.3055 29.1450 30187.7428 27261.7086 30217.3725 3.118968e+14 3.03985e+11 295139363.4147 0.6885
## 5 0.3254 0.3221 0.3121 19.8692 30178.6127 27252.6705 30213.1807 3.088492e+14 301304903289.4337 292540602.4848 0.6825
## 6 0.3302 0.3263 0.316 14.5074 30173.2806 27247.4225 30212.7869 3.069603e+14 299750673570.6993 291035418.9399 0.6789
## 7 0.3331 0.3286 0.3181 12.0270 30170.7927 27245.0033 30215.2373 3.059261e+14 299028234765.3527 290338359.7836 0.6773
## 8 0.3356 0.3304 0.3187 10.2333 30168.9772 27243.2625 30218.3601 3.050945e+14 298502189356.9078 289832514.5285 0.6761
## 9 0.3379 0.3321 0.3198 8.6516 30167.3620 27241.7331 30221.6831 3.043246e+14 2.98035e+11 289384297.9638 0.6751
## 10 0.3382 0.3317 0.3179 10.2083 30168.9137 27243.3167 30228.1731 3.044909e+14 298483898686.5264 289826218.8720 0.6761
## 11 0.3383 0.3312 0.3168 12.0000 30170.7030 27245.1341 30234.9007 3.047277e+14 299002439556.9957 290336281.7165 0.6772
## ----------------------------------------------------------------------------------------------------------------------------------------------------------------
## AIC: Akaike Information Criteria
## SBIC: Sawa's Bayesian Information Criteria
## SBC: Schwarz Bayesian Criteria
## MSEP: Estimated error of prediction, assuming multivariate normality
## FPE: Final Prediction Error
## HSP: Hocking's Sp
## APC: Amemiya Prediction CriteriaLasso
Melakukan transformasi log pada Y
Karna data Y tidak simestris maka akan dilakukan transformasi pada data Y, sebab metode ini sensitif pada Y yang tak simtris.
# transformasi log pada y
y_log <- log(versi2fix$Harga)
plot(density(y_log),
main = "Density Plot log(Harga)",
xlab = "log(Harga)",
ylab = "Density",
col = "blue",
lwd = 2)
# Tambahkan area warna
polygon(density(y_log),
col = rgb(0,0,1,0.2),
border = "blue")
Melakukan standarisasi pada X
X <- versi2fix[, c("Rating",
"Jarak ke pusat Kota",
"Jumlah Ulasan",
"Rating_Excellent",
"Rating_VeryGood",
"Rating_Good",
"F_Rekreasi",
"F_Makanan",
"F_Kamar",
"F_Transportasi",
"F_Pelayanan")]
X_standar <- as.data.frame(scale(X))
data_trans <- cbind(y_trans = y_log, X_standar)Regressi Lasso
library(glmnet)## Warning: package 'glmnet' was built under R version 4.4.3## Loading required package: Matrix## Loaded glmnet 4.1-8y <- y_log
x <- as.matrix(X_standar)
set.seed(123)
mod3 <- cv.glmnet(x, y, alpha = 1, nfolds = 5 )
mod3##
## Call: cv.glmnet(x = x, y = y, nfolds = 5, alpha = 1)
##
## Measure: Mean-Squared Error
##
## Lambda Index Measure SE Nonzero
## min 0.00361 51 0.3919 0.01954 11
## 1se 0.07077 19 0.4092 0.01719 6plot(mod3)
# Tambahkan garis vertikal untuk lambda.min (biru) dan lambda.1se (merah)
abline(v = log(mod3$lambda.min), col = "blue", lty = 1, lwd = 1)
abline(v = log(mod3$lambda.1se), col = "red", lty = 1, lwd = 1)
legend("topright",
legend = c("lambda.min", "lambda.1se"),
col = c("blue", "red"),
lty = 1,
lwd = 1)
Lamda.min
lamda_min <- mod3$lambda.min
best_lasso <- glmnet(x, y,alpha=1,lambda=lamda_min)
coef(best_lasso)## 12 x 1 sparse Matrix of class "dgCMatrix"
## s0
## (Intercept) 12.93856582
## Rating 0.11662491
## Jarak ke pusat Kota -0.09444773
## Jumlah Ulasan 0.20557477
## Rating_Excellent 0.20289053
## Rating_VeryGood 0.03186767
## Rating_Good 0.07304877
## F_Rekreasi 0.09477440
## F_Makanan -0.01607454
## F_Kamar 0.01193599
## F_Transportasi -0.07993308
## F_Pelayanan -0.04845162best_lasso##
## Call: glmnet(x = x, y = y, alpha = 1, lambda = lamda_min)
##
## Df %Dev Lambda
## 1 11 38.25 0.003605lamda.1se
lamda_1se <- mod3$lambda.1se
best_lassoo <- glmnet(x, y,alpha=1,lambda=lamda_1se)
coef(best_lassoo)## 12 x 1 sparse Matrix of class "dgCMatrix"
## s0
## (Intercept) 12.93856582
## Rating 0.11620864
## Jarak ke pusat Kota -0.03446022
## Jumlah Ulasan 0.17416175
## Rating_Excellent 0.11360119
## Rating_VeryGood .
## Rating_Good .
## F_Rekreasi 0.06116023
## F_Makanan .
## F_Kamar .
## F_Transportasi -0.02000321
## F_Pelayanan .best_lassoo##
## Call: glmnet(x = x, y = y, alpha = 1, lambda = lamda_1se)
##
## Df %Dev Lambda
## 1 6 34.26 0.07077Menghitung nilai R square dan adj Rsquare Lasso
y <- y_log
x <- as.matrix(X_standar)
# --- Ambil lambda ---
lam_min <- mod3$lambda.min
lam_1se <- mod3$lambda.1se
# --- Prediksi untuk kedua model ---
yhat_min <- predict(mod3, newx = x, s = lam_min)
yhat_1se <- predict(mod3, newx = x, s = lam_1se)
# --- Hitung Adjusted R² ---
n <- length(y)
tss <- sum( (y - mean(y))^2 )
# Untuk lambda.min
rss_min <- sum( (y - yhat_min)^2 )
p_min <- mod3$glmnet.fit$df[ which.min( abs(mod3$glmnet.fit$lambda - lam_min) ) ]
R2_min <- 1 - rss_min / tss
adjR2_min <- 1 - (1 - R2_min) * ( (n - 1) / (n - p_min - 1) )
# Untuk lambda.1se
rss_1se <- sum( (y - yhat_1se)^2 )
p_1se <- mod3$glmnet.fit$df[ which.min( abs(mod3$glmnet.fit$lambda - lam_1se) ) ]
R2_1se <- 1 - rss_1se / tss
adjR2_1se <- 1 - (1 - R2_1se) * ( (n - 1) / (n - p_1se - 1) )
# --- Tampilkan hasil ---
cat("Adjusted R² (lambda.min): ", round(adjR2_min, 4), "\n")## Adjusted R² (lambda.min): 0.3758cat(" R² (lambda.min): ", round(R2_min, 4), "\n")## R² (lambda.min): 0.3825cat("Adjusted R² (lambda.1se): ", round(adjR2_1se, 4), "\n")## Adjusted R² (lambda.1se): 0.3388cat("R² (lambda.1se): ", round(R2_1se, 4), "\n")## R² (lambda.1se): 0.3426# summary() untuk OLS / Stepwise / Backward / Forward ---
R2_ols <- summary(modelversi2)$r.squared
adjR2_ols <- summary(modelversi2)$adj.r.squared
R2_step <- summary(step_model)$r.squared
adjR2_step <- summary(step_model)$adj.r.squared
R2_back <- summary(backward_model)$r.squared
adjR2_back <- summary(backward_model)$adj.r.squared
R2_forw <- summary(forward_model)$r.squared
adjR2_forw <- summary(forward_model)$adj.r.squared
## Fungsi untuk MSE & RMSE (OLS / Stepwise / Backward / Forward)
calc_mse_rmse <- function(model, y_true, data) {
# data harus data.frame dengan semua prediktor
stopifnot(is.data.frame(data))
y_pred <- predict(model, newdata = data)
mse <- mean((y_true - y_pred)^2)
rmse <- sqrt(mse)
return(c(MSE = mse, RMSE = rmse))
}
## Hitung MSE / RMSE
mse_ols <- calc_mse_rmse(modelversi2, y, data = versi2fix)
mse_step <- calc_mse_rmse(step_model, y, data = versi2fix)
mse_back <- calc_mse_rmse(backward_model, y, data = versi2fix)
mse_forw <- calc_mse_rmse(forward_model, y, data = versi2fix)
## 2. Fungsi untuk MSE & RMSE (LASSO)
mse_rmse_lasso <- function(y_true, y_pred) {
mse <- mean((y_true - y_pred)^2)
rmse <- sqrt(mse)
return(c(MSE = mse, RMSE = rmse))
}
mse_min <- mse_rmse_lasso(y, yhat_min)
mse_1se <- mse_rmse_lasso(y, yhat_1se)
## 3. Hitung jumlah variabel (p) untuk tiap model
nvars <- c(
length(coef(modelversi2)) - 1, # OLS
length(coef(step_model)) - 1, # Stepwise
length(coef(backward_model)) - 1, # Backward
length(coef(forward_model)) - 1, # Forward
p_min, # LASSO lambda.min
p_1se # LASSO lambda.1se
)
## 4. Buat tabel ringkasan
model_compare_full <- data.frame(
Model = c("OLS (modelversi2)",
"Stepwise (step_model)",
"Backward (backward_model)",
"Forward (forward_model)",
"LASSO (lambda.min)",
"LASSO (lambda.1se)"),
R2 = round(c(R2_ols, R2_step, R2_back, R2_forw, R2_min, R2_1se), 4),
Adj_R2 = round(c(adjR2_ols, adjR2_step, adjR2_back, adjR2_forw, adjR2_min, adjR2_1se), 4),
MSE = round(c(mse_ols["MSE"],
mse_step["MSE"],
mse_back["MSE"],
mse_forw["MSE"],
mse_min["MSE"],
mse_1se["MSE"]), 4),
RMSE = round(c(mse_ols["RMSE"],
mse_step["RMSE"],
mse_back["RMSE"],
mse_forw["RMSE"],
mse_min["RMSE"],
mse_1se["RMSE"]), 4),
Total_Variabel = nvars
)
print(model_compare_full)## Model R2 Adj_R2 MSE RMSE
## 1 OLS (modelversi2) 0.3383 0.3312 5.025537e+11 708910.2366
## 2 Stepwise (step_model) 0.3379 0.3321 5.023669e+11 708778.4823
## 3 Backward (backward_model) 0.3379 0.3321 5.023669e+11 708778.4823
## 4 Forward (forward_model) 0.3379 0.3321 5.023669e+11 708778.4823
## 5 LASSO (lambda.min) 0.3825 0.3758 3.762000e-01 0.6133
## 6 LASSO (lambda.1se) 0.3426 0.3388 4.005000e-01 0.6328
## Total_Variabel
## 1 11
## 2 9
## 3 9
## 4 9
## 5 11
## 6 6HASIL: Berdasarkan pemodelan ini model dengan R
square dan adj.Rsquare tertingi adalah pemodelan dengan lasso lamda.min.
Berdasarkan hasil evaluasi model, LASSO dengan nilai penalti λ_min
dipilih sebagai model terbaik. Model ini mampu menjelaskan 38,4%
deviance, lebih tinggi dibandingkan LASSO dengan λ_1se yang hanya
menjelaskan 34%, maupun model OLS dan stepwise yang berkisar sekitar
33–34%. Nilai R² dan Adjusted R² pada model LASSO λ_min juga tercatat
paling tinggi, masing-masing sebesar 0,3825 dan 0,3758, mengungguli
model λ_1se (0,3426 dan 0,3388) serta seluruh model klasik (≈0,338 dan
0,332). Hal ini menunjukkan bahwa penggunaan λ_min menghasilkan model
dengan kemampuan prediksi dan penjelasan yang lebih baik tanpa indikasi
overfitting yang berlebihan. Meskipun λ_1se menghasilkan model yang
sedikit lebih sederhana dengan jumlah variabel lebih sedikit, penurunan
kinerja yang cukup besar membuatnya kurang disarankan. Dengan demikian,
pemilihan LASSO λ_min menjadi keputusan yang lebih tepat karena
memberikan keseimbangan yang lebih baik antara akurasi dan kompleksitas
model.
Berdasarkan perbandingan model, OLS full model memiliki semua
variabel dan memberikan baseline interpretasi klasik, namun
kompleksitasnya tinggi dan kemampuan menjelaskan variabilitas harga
relatif rendah (R² ~0.338, Adj R² ~0.331). Stepwise, backward, dan
forward regression menyederhanakan model dengan menghapus beberapa
variabel (total 9), sehingga interpretasi lebih mudah dan prediksi
sedikit lebih stabil, namun R² tetap hampir sama, menunjukkan kemampuan
menjelaskan variabilitas harga tidak banyak berubah. LASSO dengan
lambda.min mempertahankan semua variabel, memberikan R² dan Adj R²
tertinggi (0.3825 / 0.3758), namun model lebih kompleks dan potensi
overfitting meningkat. Sementara LASSO lambda.1se menawarkan kompromi
optimal antara kesederhanaan dan performa dengan hanya 6 variabel,
R²/Adj R² masih cukup tinggi, dan RMSE relatif kecil. Secara
keseluruhan, untuk prediksi maksimal LASSO lambda.min direkomendasikan,
sedangkan untuk keseimbangan antara kesederhanaan dan performa, LASSO
lambda.1se atau Stepwise lebih sesuai.
# Fungsi transformasi balik koefisien LASSO
transform_back <- function(coef_lasso, X_orig) {
beta_std <- coef_lasso[-1, 1] # koefisien non-intercept
intercept_std <- coef_lasso[1,1] # intercept
sd_x <- apply(X_orig, 2, sd)
mean_x <- colMeans(X_orig)
# Koefisien ke skala asli
beta_orig <- beta_std / sd_x
# Intercept ke skala asli
intercept_orig <- intercept_std - sum((mean_x / sd_x) * beta_std)
# Persentase perubahan harga (karena Y = log)
percent_change <- (exp(beta_orig) - 1) * 100
# Gabungkan hasil
result <- data.frame(
Variable = rownames(coef_lasso)[-1],
Beta_Original = round(beta_orig, 6),
Percent_Change = round(percent_change, 2)
)
intercept_row <- data.frame(
Variable = "Intercept",
Beta_Original = round(intercept_orig, 6),
Percent_Change = NA
)
result <- rbind(intercept_row, result)
return(result)
}
# --- Transformasi lambda.min
coef_min_orig <- transform_back(coef(best_lasso), X)
print(coef_min_orig)## Variable Beta_Original Percent_Change
## 1 Intercept 11.773299 NA
## Rating Rating 0.122914 13.08
## Jarak ke pusat Kota Jarak ke pusat Kota -0.024852 -2.45
## Jumlah Ulasan Jumlah Ulasan 0.000043 0.00
## Rating_Excellent Rating_Excellent 0.436481 54.73
## Rating_VeryGood Rating_VeryGood 0.080100 8.34
## Rating_Good Rating_Good 0.153461 16.59
## F_Rekreasi F_Rekreasi 0.219842 24.59
## F_Makanan F_Makanan -0.051233 -4.99
## F_Kamar F_Kamar 0.028482 2.89
## F_Transportasi F_Transportasi -0.247350 -21.91
## F_Pelayanan F_Pelayanan -0.314838 -27.01# --- Transformasi lambda.1se
coef_1se_orig <- transform_back(coef(best_lassoo), X)
print(coef_1se_orig)## Variable Beta_Original Percent_Change
## 1 Intercept 11.813368 NA
## Rating Rating 0.122475 13.03
## Jarak ke pusat Kota Jarak ke pusat Kota -0.009067 -0.90
## Jumlah Ulasan Jumlah Ulasan 0.000037 0.00
## Rating_Excellent Rating_Excellent 0.244392 27.68
## Rating_VeryGood Rating_VeryGood 0.000000 0.00
## Rating_Good Rating_Good 0.000000 0.00
## F_Rekreasi F_Rekreasi 0.141870 15.24
## F_Makanan F_Makanan 0.000000 0.00
## F_Kamar F_Kamar 0.000000 0.00
## F_Transportasi F_Transportasi -0.061899 -6.00
## F_Pelayanan F_Pelayanan 0.000000 0.00note: Ini tidak dipakai karena tidak melakukan
perbandingan koefisien.