MODUL 5 CFA dan SEM Kelompok 6
library(lavaan)## Warning: package 'lavaan' was built under R version 4.5.3## This is lavaan 0.6-21
## lavaan is FREE software! Please report any bugs.library(semPlot)## Warning: package 'semPlot' was built under R version 4.5.3library(psych)## Warning: package 'psych' was built under R version 4.5.3##
## Attaching package: 'psych'## The following object is masked from 'package:lavaan':
##
## cor2covlibrary(corrplot)## Warning: package 'corrplot' was built under R version 4.5.3## corrplot 0.95 loadedlibrary(dplyr)## Warning: package 'dplyr' was built under R version 4.5.3##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(ggplot2)## Warning: package 'ggplot2' was built under R version 4.5.3##
## Attaching package: 'ggplot2'## The following objects are masked from 'package:psych':
##
## %+%, alphalibrary(MVN)## Warning: package 'MVN' was built under R version 4.5.3##
## Attaching package: 'MVN'## The following object is masked from 'package:psych':
##
## mardialibrary(semTools)## Warning: package 'semTools' was built under R version 4.5.3## ## ################################################################################# This is semTools 0.5-8## All users of R (or SEM) are invited to submit functions or ideas for functions.## #################################################################################
## Attaching package: 'semTools'## The following objects are masked from 'package:psych':
##
## reliability, skewKode ini digunakan untuk memuat semua package yang dibutuhkan dalam analisis. Package lavaan digunakan untuk membangun model CFA dan SEM, semPlot untuk visualisasi diagram, psych untuk statistik deskriptif dan reliabilitas, corrplot untuk visualisasi korelasi, dan MVN untuk uji normalitas multivariat.
import datast
data <- read.csv("marketing_campaign.csv",
sep = "\t")
head(data)## ID Year_Birth Education Marital_Status Income Kidhome Teenhome Dt_Customer
## 1 5524 1957 Graduation Single 58138 0 0 04-09-2012
## 2 2174 1954 Graduation Single 46344 1 1 08-03-2014
## 3 4141 1965 Graduation Together 71613 0 0 21-08-2013
## 4 6182 1984 Graduation Together 26646 1 0 10-02-2014
## 5 5324 1981 PhD Married 58293 1 0 19-01-2014
## 6 7446 1967 Master Together 62513 0 1 09-09-2013
## Recency MntWines MntFruits MntMeatProducts MntFishProducts MntSweetProducts
## 1 58 635 88 546 172 88
## 2 38 11 1 6 2 1
## 3 26 426 49 127 111 21
## 4 26 11 4 20 10 3
## 5 94 173 43 118 46 27
## 6 16 520 42 98 0 42
## MntGoldProds NumDealsPurchases NumWebPurchases NumCatalogPurchases
## 1 88 3 8 10
## 2 6 2 1 1
## 3 42 1 8 2
## 4 5 2 2 0
## 5 15 5 5 3
## 6 14 2 6 4
## NumStorePurchases NumWebVisitsMonth AcceptedCmp3 AcceptedCmp4 AcceptedCmp5
## 1 4 7 0 0 0
## 2 2 5 0 0 0
## 3 10 4 0 0 0
## 4 4 6 0 0 0
## 5 6 5 0 0 0
## 6 10 6 0 0 0
## AcceptedCmp1 AcceptedCmp2 Complain Z_CostContact Z_Revenue Response
## 1 0 0 0 3 11 1
## 2 0 0 0 3 11 0
## 3 0 0 0 3 11 0
## 4 0 0 0 3 11 0
## 5 0 0 0 3 11 0
## 6 0 0 0 3 11 0str(data)## 'data.frame': 2240 obs. of 29 variables:
## $ ID : int 5524 2174 4141 6182 5324 7446 965 6177 4855 5899 ...
## $ Year_Birth : int 1957 1954 1965 1984 1981 1967 1971 1985 1974 1950 ...
## $ Education : chr "Graduation" "Graduation" "Graduation" "Graduation" ...
## $ Marital_Status : chr "Single" "Single" "Together" "Together" ...
## $ Income : int 58138 46344 71613 26646 58293 62513 55635 33454 30351 5648 ...
## $ Kidhome : int 0 1 0 1 1 0 0 1 1 1 ...
## $ Teenhome : int 0 1 0 0 0 1 1 0 0 1 ...
## $ Dt_Customer : chr "04-09-2012" "08-03-2014" "21-08-2013" "10-02-2014" ...
## $ Recency : int 58 38 26 26 94 16 34 32 19 68 ...
## $ MntWines : int 635 11 426 11 173 520 235 76 14 28 ...
## $ MntFruits : int 88 1 49 4 43 42 65 10 0 0 ...
## $ MntMeatProducts : int 546 6 127 20 118 98 164 56 24 6 ...
## $ MntFishProducts : int 172 2 111 10 46 0 50 3 3 1 ...
## $ MntSweetProducts : int 88 1 21 3 27 42 49 1 3 1 ...
## $ MntGoldProds : int 88 6 42 5 15 14 27 23 2 13 ...
## $ NumDealsPurchases : int 3 2 1 2 5 2 4 2 1 1 ...
## $ NumWebPurchases : int 8 1 8 2 5 6 7 4 3 1 ...
## $ NumCatalogPurchases: int 10 1 2 0 3 4 3 0 0 0 ...
## $ NumStorePurchases : int 4 2 10 4 6 10 7 4 2 0 ...
## $ NumWebVisitsMonth : int 7 5 4 6 5 6 6 8 9 20 ...
## $ AcceptedCmp3 : int 0 0 0 0 0 0 0 0 0 1 ...
## $ AcceptedCmp4 : int 0 0 0 0 0 0 0 0 0 0 ...
## $ AcceptedCmp5 : int 0 0 0 0 0 0 0 0 0 0 ...
## $ AcceptedCmp1 : int 0 0 0 0 0 0 0 0 0 0 ...
## $ AcceptedCmp2 : int 0 0 0 0 0 0 0 0 0 0 ...
## $ Complain : int 0 0 0 0 0 0 0 0 0 0 ...
## $ Z_CostContact : int 3 3 3 3 3 3 3 3 3 3 ...
## $ Z_Revenue : int 11 11 11 11 11 11 11 11 11 11 ...
## $ Response : int 1 0 0 0 0 0 0 0 1 0 ...dim(data)## [1] 2240 29Kode ini digunakan untuk membaca dataset marketing campaign dari file CSV. Fungsi head() menampilkan 6 baris pertama data, str() menampilkan struktur dan tipe data setiap variabel, dan dim() menampilkan jumlah baris dan kolom dataset.
summary(data)## ID Year_Birth Education Marital_Status
## Min. : 0 Min. :1893 Length:2240 Length:2240
## 1st Qu.: 2828 1st Qu.:1959 Class :character Class :character
## Median : 5458 Median :1970 Mode :character Mode :character
## Mean : 5592 Mean :1969
## 3rd Qu.: 8428 3rd Qu.:1977
## Max. :11191 Max. :1996
##
## Income Kidhome Teenhome Dt_Customer
## Min. : 1730 Min. :0.0000 Min. :0.0000 Length:2240
## 1st Qu.: 35303 1st Qu.:0.0000 1st Qu.:0.0000 Class :character
## Median : 51382 Median :0.0000 Median :0.0000 Mode :character
## Mean : 52247 Mean :0.4442 Mean :0.5062
## 3rd Qu.: 68522 3rd Qu.:1.0000 3rd Qu.:1.0000
## Max. :666666 Max. :2.0000 Max. :2.0000
## NA's :24
## Recency MntWines MntFruits MntMeatProducts
## Min. : 0.00 Min. : 0.00 Min. : 0.0 Min. : 0.0
## 1st Qu.:24.00 1st Qu.: 23.75 1st Qu.: 1.0 1st Qu.: 16.0
## Median :49.00 Median : 173.50 Median : 8.0 Median : 67.0
## Mean :49.11 Mean : 303.94 Mean : 26.3 Mean : 166.9
## 3rd Qu.:74.00 3rd Qu.: 504.25 3rd Qu.: 33.0 3rd Qu.: 232.0
## Max. :99.00 Max. :1493.00 Max. :199.0 Max. :1725.0
##
## MntFishProducts MntSweetProducts MntGoldProds NumDealsPurchases
## Min. : 0.00 Min. : 0.00 Min. : 0.00 Min. : 0.000
## 1st Qu.: 3.00 1st Qu.: 1.00 1st Qu.: 9.00 1st Qu.: 1.000
## Median : 12.00 Median : 8.00 Median : 24.00 Median : 2.000
## Mean : 37.53 Mean : 27.06 Mean : 44.02 Mean : 2.325
## 3rd Qu.: 50.00 3rd Qu.: 33.00 3rd Qu.: 56.00 3rd Qu.: 3.000
## Max. :259.00 Max. :263.00 Max. :362.00 Max. :15.000
##
## NumWebPurchases NumCatalogPurchases NumStorePurchases NumWebVisitsMonth
## Min. : 0.000 Min. : 0.000 Min. : 0.00 Min. : 0.000
## 1st Qu.: 2.000 1st Qu.: 0.000 1st Qu.: 3.00 1st Qu.: 3.000
## Median : 4.000 Median : 2.000 Median : 5.00 Median : 6.000
## Mean : 4.085 Mean : 2.662 Mean : 5.79 Mean : 5.317
## 3rd Qu.: 6.000 3rd Qu.: 4.000 3rd Qu.: 8.00 3rd Qu.: 7.000
## Max. :27.000 Max. :28.000 Max. :13.00 Max. :20.000
##
## AcceptedCmp3 AcceptedCmp4 AcceptedCmp5 AcceptedCmp1
## Min. :0.00000 Min. :0.00000 Min. :0.00000 Min. :0.00000
## 1st Qu.:0.00000 1st Qu.:0.00000 1st Qu.:0.00000 1st Qu.:0.00000
## Median :0.00000 Median :0.00000 Median :0.00000 Median :0.00000
## Mean :0.07277 Mean :0.07455 Mean :0.07277 Mean :0.06429
## 3rd Qu.:0.00000 3rd Qu.:0.00000 3rd Qu.:0.00000 3rd Qu.:0.00000
## Max. :1.00000 Max. :1.00000 Max. :1.00000 Max. :1.00000
##
## AcceptedCmp2 Complain Z_CostContact Z_Revenue
## Min. :0.00000 Min. :0.000000 Min. :3 Min. :11
## 1st Qu.:0.00000 1st Qu.:0.000000 1st Qu.:3 1st Qu.:11
## Median :0.00000 Median :0.000000 Median :3 Median :11
## Mean :0.01339 Mean :0.009375 Mean :3 Mean :11
## 3rd Qu.:0.00000 3rd Qu.:0.000000 3rd Qu.:3 3rd Qu.:11
## Max. :1.00000 Max. :1.000000 Max. :3 Max. :11
##
## Response
## Min. :0.0000
## 1st Qu.:0.0000
## Median :0.0000
## Mean :0.1491
## 3rd Qu.:0.0000
## Max. :1.0000
## Kode ini menampilkan ringkasan statistik dari seluruh variabel dalam dataset, seperti nilai minimum, maksimum, rata-rata, dan median untuk setiap kolom.
#missing value
colSums(is.na(data))## ID Year_Birth Education Marital_Status
## 0 0 0 0
## Income Kidhome Teenhome Dt_Customer
## 24 0 0 0
## Recency MntWines MntFruits MntMeatProducts
## 0 0 0 0
## MntFishProducts MntSweetProducts MntGoldProds NumDealsPurchases
## 0 0 0 0
## NumWebPurchases NumCatalogPurchases NumStorePurchases NumWebVisitsMonth
## 0 0 0 0
## AcceptedCmp3 AcceptedCmp4 AcceptedCmp5 AcceptedCmp1
## 0 0 0 0
## AcceptedCmp2 Complain Z_CostContact Z_Revenue
## 0 0 0 0
## Response
## 0Kode ini digunakan untuk mengecek apakah ada nilai yang hilang (missing value) pada setiap kolom. Jika hasilnya 0 pada semua kolom, berarti data tidak memiliki missing value.
#variabel yg dipilih
sem_data <- data.frame(
NumWebPurchases =
data$NumWebPurchases,
NumCatalogPurchases =
data$NumCatalogPurchases,
NumStorePurchases =
data$NumStorePurchases,
MntWines =
data$MntWines,
MntMeatProducts =
data$MntMeatProducts,
MntFishProducts =
data$MntFishProducts
)Kode ini digunakan untuk memilih 6 variabel yang akan digunakan dalam analisis SEM, yaitu NumWebPurchases, NumCatalogPurchases, NumStorePurchases, MntWines, MntMeatProducts, dan MntFishProducts. Keenam variabel ini dipilih karena dapat membentuk dua konstruk laten yaitu Customer Engagement dan Customer Spending.
#statistik Deskriptif
describe(sem_data)## vars n mean sd median trimmed mad min max
## NumWebPurchases 1 2240 4.08 2.78 4.0 3.81 2.97 0 27
## NumCatalogPurchases 2 2240 2.66 2.92 2.0 2.21 2.97 0 28
## NumStorePurchases 3 2240 5.79 3.25 5.0 5.48 2.97 0 13
## MntWines 4 2240 303.94 336.60 173.5 248.99 243.89 0 1493
## MntMeatProducts 5 2240 166.95 225.72 67.0 119.33 87.47 0 1725
## MntFishProducts 6 2240 37.53 54.63 12.0 25.08 17.79 0 259
## range skew kurtosis se
## NumWebPurchases 27 1.38 5.68 0.06
## NumCatalogPurchases 28 1.88 8.02 0.06
## NumStorePurchases 13 0.70 -0.63 0.07
## MntWines 1493 1.17 0.59 7.11
## MntMeatProducts 1725 2.08 5.49 4.77
## MntFishProducts 259 1.92 3.08 1.15Kode ini menampilkan statistik deskriptif dari 6 variabel yang dipilih, seperti rata-rata, standar deviasi, nilai minimum dan maksimum, serta skewness dan kurtosis untuk melihat karakteristik distribusi data.
#visualisasi sebelum model
ggplot(
sem_data,
aes(x = MntWines)
) +
geom_histogram(
bins = 30,
fill = "lightblue",
color = "black"
) +
labs(
title = "Distribusi MntWines",
x = "MntWines",
y = "Frekuensi"
) +
theme_minimal()
Kode ini menampilkan histogram distribusi variabel MntWines untuk
melihat sebaran data secara visual. Dari histogram ini dapat diketahui
apakah distribusi data mendekati normal atau tidak.
pairs(sem_data)
Kode ini menampilkan scatter plot antara semua pasangan variabel
sekaligus untuk melihat pola hubungan awal antar variabel sebelum
dilakukan analisis lebih lanjut.
#analisis korelasi
cor_matrix <- cor(sem_data)
cor_matrix## NumWebPurchases NumCatalogPurchases NumStorePurchases
## NumWebPurchases 1.0000000 0.3783755 0.5027134
## NumCatalogPurchases 0.3783755 1.0000000 0.5187383
## NumStorePurchases 0.5027134 0.5187383 1.0000000
## MntWines 0.5422648 0.6352257 0.6421004
## MntMeatProducts 0.2937615 0.7238266 0.4796588
## MntFishProducts 0.2936807 0.5344783 0.4598546
## MntWines MntMeatProducts MntFishProducts
## NumWebPurchases 0.5422648 0.2937615 0.2936807
## NumCatalogPurchases 0.6352257 0.7238266 0.5344783
## NumStorePurchases 0.6421004 0.4796588 0.4598546
## MntWines 1.0000000 0.5626665 0.3997527
## MntMeatProducts 0.5626665 1.0000000 0.5684021
## MntFishProducts 0.3997527 0.5684021 1.0000000Kode ini menghitung matriks korelasi antar semua variabel. Nilai korelasi yang tinggi antar indikator dalam satu konstruk mengindikasikan bahwa indikator-indikator tersebut memang mengukur hal yang sama. Pada hasil diatas terlihat bahwa indeks yang paling tinggi dimiliki oleh pembelian produk daging (MntMeatProducts) adalah dengan NumCatalogPurchases sebesar 0,7238, artinya pelanggan yang lebih sering melakukan pembelian melalui katalog cenderung mengeluarkan lebih banyak uang untuk membeli produk daging.
#visualisasi korelasi
corrplot(
cor_matrix,
method = "color",
type = "upper",
addCoef.col = "lightblue",
tl.col = "pink",
tl.srt = 45
)
Kode ini menampilkan matriks korelasi dalam bentuk visual menggunakan
warna sehingga lebih mudah dibaca. Semakin gelap warnanya, semakin kuat
korelasinya.
Uji Outlier Mahalanobis Distance
# Menghitung Mahalanobis Distance
mahal_dist <- mahalanobis(
sem_data,
center = colMeans(sem_data),
cov = cov(sem_data)
)
# Nilai batas (chi-square)
cutoff <- qchisq(
0.999,
df = ncol(sem_data)
)
# Jumlah outlier
sum(mahal_dist > cutoff)## [1] 69# Observasi yang terdeteksi outlier
which(mahal_dist > cutoff)## [1] 22 28 85 141 165 232 250 486 493 498 524 529 544 560 562
## [16] 637 645 688 767 825 856 886 915 918 977 985 1002 1011 1032 1088
## [31] 1130 1158 1180 1200 1334 1422 1466 1481 1505 1508 1521 1522 1564 1573 1585
## [46] 1642 1645 1654 1722 1736 1750 1789 1800 1807 1809 1899 1923 1959 1962 1976
## [61] 2014 2094 2099 2110 2152 2168 2177 2212 2229# Simpan mahal_dist sebelum filter untuk plotting
mahal_dist_plot <- mahal_dist
# Filter sem_data
sem_data <- sem_data[mahal_dist <= cutoff, ]Kode ini digunakan untuk mendeteksi outlier multivariat menggunakan Mahalanobis Distance. Observasi yang memiliki jarak melebihi nilai cutoff chi-square dianggap sebagai outlier dan dihapus dari dataset agar tidak mempengaruhi hasil analisis. Outlier yang dihasilkan sebesar 69 outlier.
plot(
mahal_dist_plot,
pch = 19,
main = "Deteksi Outlier Multivariat",
xlab = "Observasi",
ylab = "Mahalanobis Distance"
)
abline(
h = cutoff,
col = "maroon",
lwd = 2,
lty = 2
)
Kode ini hasil deteksi outlier multivariat menggunakan metode
Mahalanobis Distance menunjukkan bahwa sebagian besar observasi berada
di bawah nilai cutoff yang ditentukan, sehingga dapat dikatakan memiliki
karakteristik yang masih sesuai dengan pola umum data. Namun, terdapat
beberapa observasi yang berada jauh di atas batas tersebut, yang
mengindikasikan adanya outlier multivariat. Observasi ini memiliki
kombinasi nilai variabel yang berbeda secara signifikan dibandingkan
observasi lainnya. Jumlah outlier yang ditemukan relatif sedikit
sehingga tidak mendominasi keseluruhan dataset, namun perlu dilakukan
evaluasi lebih lanjut apakah observasi tersebut akan dipertahankan
sebagai representasi kondisi nyata atau dihapus untuk meningkatkan
kualitas analisis dan pemodelan.
Uji Normalitas
library(MVN)
mvn(
data = sem_data,
mvn_test = "mardia"
)## $multivariate_normality
## Test Statistic p.value Method MVN
## 1 Mardia Skewness 7683.090 <0.001 asymptotic ✗ Not normal
## 2 Mardia Kurtosis 77.558 <0.001 asymptotic ✗ Not normal
##
## $univariate_normality
## Test Variable Statistic p.value Normality
## 1 Anderson-Darling NumWebPurchases 48.752 <0.001 ✗ Not normal
## 2 Anderson-Darling NumCatalogPurchases 110.649 <0.001 ✗ Not normal
## 3 Anderson-Darling NumStorePurchases 80.074 <0.001 ✗ Not normal
## 4 Anderson-Darling MntWines 121.131 <0.001 ✗ Not normal
## 5 Anderson-Darling MntMeatProducts 201.526 <0.001 ✗ Not normal
## 6 Anderson-Darling MntFishProducts 232.696 <0.001 ✗ Not normal
##
## $descriptives
## Variable n Mean Std.Dev Median Min Max 25th 75th Skew
## 1 NumWebPurchases 2171 4.017 2.619 3 0 11 2 6 0.710
## 2 NumCatalogPurchases 2171 2.535 2.680 2 0 11 0 4 1.127
## 3 NumStorePurchases 2171 5.749 3.219 5 0 13 3 8 0.733
## 4 MntWines 2171 292.224 323.351 167 0 1449 23 490 1.138
## 5 MntMeatProducts 2171 155.854 205.496 62 0 984 15 217 1.738
## 6 MntFishProducts 2171 35.242 51.273 12 0 258 3 46 1.941
## Kurtosis
## 1 2.762
## 2 3.486
## 3 2.407
## 4 3.419
## 5 5.393
## 6 6.248
##
## $data
## NumWebPurchases NumCatalogPurchases NumStorePurchases MntWines
## 1 8 10 4 635
## 2 1 1 2 11
## 3 8 2 10 426
## 4 2 0 4 11
## 5 5 3 6 173
## 6 6 4 10 520
## 7 7 3 7 235
## 8 4 0 4 76
## 9 3 0 2 14
## 10 1 0 0 28
## 11 1 0 2 5
## 12 2 0 3 6
## 13 3 4 8 194
## 14 6 1 5 233
## 15 1 0 3 3
## 16 7 6 12 1006
## 17 3 0 3 53
## 18 4 1 6 84
## 19 11 4 9 1012
## 20 2 1 3 4
## 21 4 2 5 86
## 23 2 3 9 867
## 24 6 2 9 384
## 25 7 1 5 270
## 26 2 1 3 6
## 27 5 1 4 173
## 29 2 1 4 36
## 30 6 9 10 684
## 31 3 0 3 8
## 32 2 5 3 112
## 33 2 1 4 110
## 34 4 1 6 96
## 35 3 5 9 482
## 36 2 0 3 40
## 37 5 6 12 702
## 38 3 1 2 6
## 39 1 1 3 55
## 40 7 10 5 437
## 41 8 6 5 421
## 42 2 0 3 13
## 43 0 0 3 9
## 44 1 3 4 81
## 45 2 0 3 3
## 46 2 4 9 123
## 47 3 1 3 3
## 48 2 0 2 13
## 49 2 1 4 48
## 50 5 2 12 826
## 51 4 2 10 245
## 52 6 9 13 650
## 53 2 0 3 12
## 54 4 9 7 510
## 55 4 2 10 328
## 56 3 10 13 984
## 57 5 5 10 295
## 58 1 0 4 13
## 59 2 0 3 11
## 60 8 2 6 447
## 61 3 6 11 712
## 62 4 2 12 452
## 63 8 2 10 523
## 64 7 3 8 546
## 65 7 4 4 398
## 66 1 1 2 1
## 67 1 0 2 10
## 68 11 10 10 688
## 69 5 2 10 247
## 70 2 5 5 856
## 71 4 8 6 496
## 72 3 0 3 25
## 73 10 3 13 258
## 74 9 2 8 565
## 75 2 1 4 14
## 76 1 0 2 2
## 77 7 6 5 721
## 78 5 8 9 1032
## 79 0 0 3 1
## 80 10 1 8 577
## 81 3 1 4 64
## 82 1 0 2 4
## 83 3 0 3 25
## 84 2 5 3 112
## 86 1 0 4 17
## 87 3 1 4 130
## 88 6 1 6 292
## 89 5 6 7 350
## 90 2 2 5 135
## 91 7 2 8 230
## 92 1 0 2 7
## 93 2 4 8 445
## 94 1 0 3 15
## 95 3 1 3 27
## 96 2 0 3 5
## 97 7 4 6 505
## 98 2 0 3 51
## 99 5 7 12 207
## 100 5 2 7 135
## 101 2 0 3 53
## 102 2 0 3 41
## 103 9 5 11 386
## 104 6 3 6 562
## 105 3 11 5 217
## 106 1 0 3 1
## 107 4 1 4 144
## 108 6 4 12 295
## 109 3 1 3 76
## 110 5 4 4 454
## 111 6 6 11 425
## 112 7 4 5 1332
## 113 8 1 8 527
## 114 6 7 11 490
## 115 6 4 6 378
## 116 2 1 3 64
## 117 4 6 5 547
## 118 9 1 5 47
## 119 1 1 3 12
## 120 2 0 3 1
## 121 6 2 10 320
## 122 2 1 3 34
## 123 1 0 3 9
## 124 1 0 3 17
## 125 6 8 13 722
## 126 3 4 7 162
## 127 3 6 6 450
## 128 2 0 4 70
## 129 6 1 7 352
## 130 6 3 10 492
## 131 5 4 5 120
## 132 11 1 6 534
## 133 7 2 9 236
## 134 6 5 7 231
## 135 5 1 5 220
## 136 4 5 13 796
## 137 1 0 3 0
## 138 2 2 2 53
## 139 1 1 2 15
## 140 2 0 3 17
## 142 3 5 7 738
## 143 5 7 10 399
## 144 8 5 9 614
## 145 4 2 3 32
## 146 3 3 6 598
## 147 2 0 3 2
## 148 1 0 2 6
## 149 4 1 4 73
## 150 2 1 4 42
## 151 4 4 7 295
## 152 8 1 6 346
## 153 7 1 5 233
## 154 3 0 4 5
## 155 8 5 11 888
## 156 10 4 6 997
## 157 6 1 5 212
## 158 0 0 3 8
## 159 1 1 6 42
## 160 3 4 10 536
## 161 1 0 2 5
## 162 10 6 9 1349
## 163 3 0 4 53
## 164 5 4 10 1001
## 166 2 0 4 18
## 167 6 7 4 125
## 168 3 2 6 212
## 169 3 4 7 277
## 170 2 1 3 15
## 171 1 0 3 7
## 172 2 0 3 12
## 173 3 1 3 85
## 174 2 1 3 81
## 175 2 2 2 59
## 176 11 8 8 1149
## 177 9 10 5 847
## 178 2 0 3 29
## 179 0 0 3 2
## 180 5 7 12 207
## 181 4 1 4 152
## 182 2 1 3 12
## 183 6 4 13 620
## 184 1 1 3 47
## 185 2 0 3 1
## 186 1 1 2 10
## 187 1 0 4 35
## 188 7 1 8 356
## 189 4 10 9 783
## 190 2 0 3 42
## 191 1 1 2 1
## 192 8 7 12 466
## 193 2 1 2 15
## 194 3 0 3 23
## 195 5 1 6 235
## 196 1 1 2 10
## 197 7 3 12 656
## 198 4 6 6 519
## 199 5 6 5 344
## 200 5 1 3 96
## 201 8 1 7 448
## 202 4 4 9 265
## 203 11 6 9 587
## 204 7 9 10 763
## 205 1 0 3 22
## 206 0 1 2 6
## 207 1 0 3 7
## 208 4 2 5 81
## 209 2 0 3 54
## 210 11 4 9 1170
## 211 3 1 6 72
## 212 4 6 9 613
## 213 5 1 5 224
## 214 7 1 8 410
## 215 3 4 9 239
## 216 8 1 5 171
## 217 1 0 2 12
## 218 8 10 6 1076
## 219 4 1 5 182
## 220 11 4 11 824
## 221 1 1 4 30
## 222 3 5 7 377
## 223 6 3 11 520
## 224 4 1 4 155
## 225 9 6 12 897
## 226 3 1 4 131
## 227 8 2 4 297
## 228 2 2 11 787
## 229 3 5 8 792
## 230 1 0 2 4
## 231 5 1 8 231
## 233 1 0 2 3
## 234 1 0 3 0
## 235 7 8 11 562
## 236 2 0 4 5
## 237 1 0 3 18
## 238 5 2 11 415
## 239 3 1 3 5
## 240 1 0 2 8
## 241 6 5 10 901
## 242 6 4 4 382
## 243 2 0 2 14
## 244 3 9 9 559
## 245 11 5 8 789
## 246 1 0 3 11
## 247 5 3 6 1218
## 248 9 4 6 925
## 249 4 10 5 864
## 251 2 0 3 16
## 252 1 0 3 3
## 253 6 9 13 168
## 254 3 1 5 45
## 255 4 6 11 650
## 256 1 0 3 24
## 257 8 3 5 918
## 258 3 2 7 138
## 259 2 0 4 12
## 260 1 0 2 11
## 261 1 1 2 1
## 262 10 2 10 554
## 263 4 1 6 167
## 264 1 0 2 9
## 265 5 2 4 177
## 266 3 1 3 38
## 267 3 7 8 483
## 268 3 2 2 77
## 269 3 3 6 182
## 270 2 2 2 10
## 271 3 4 5 778
## 272 3 0 4 16
## 273 4 2 4 167
## 274 2 0 4 13
## 275 2 0 4 33
## 276 6 3 12 625
## 277 7 4 10 216
## 278 3 3 5 68
## 279 3 5 8 196
## 280 9 3 9 635
## 281 3 0 4 4
## 282 8 2 4 297
## 283 4 1 6 84
## 284 5 1 8 204
## 285 2 0 3 26
## 286 3 1 2 15
## 287 6 3 13 304
## 288 6 2 12 285
## 289 5 11 5 395
## 290 7 1 5 248
## 291 1 0 3 20
## 292 3 1 3 39
## 293 2 7 9 777
## 294 3 0 3 8
## 295 0 0 3 9
## 296 3 6 11 1241
## 297 1 0 3 6
## 298 3 0 3 65
## 299 2 3 6 395
## 300 8 3 12 801
## 301 3 1 3 36
## 302 9 2 9 513
## 303 2 1 3 37
## 304 5 1 4 80
## 305 3 1 3 14
## 306 6 7 9 525
## 307 3 0 3 1
## 308 2 5 10 675
## 309 8 3 6 509
## 310 4 2 4 154
## 311 3 1 3 3
## 312 2 0 3 25
## 313 6 5 12 861
## 314 6 6 10 768
## 315 3 1 6 185
## 316 2 0 3 24
## 317 3 0 3 44
## 318 4 3 6 91
## 319 1 0 3 11
## 320 2 3 10 738
## 321 3 3 12 412
## 322 1 0 2 3
## 323 1 0 2 16
## 324 10 3 5 731
## 325 8 2 8 424
## 326 4 8 5 792
## 327 2 0 4 21
## 328 1 0 3 22
## 329 1 0 3 33
## 330 3 1 4 68
## 331 1 0 2 9
## 332 1 1 3 40
## 333 9 3 5 909
## 334 1 1 2 23
## 335 2 0 3 11
## 336 4 5 12 317
## 337 11 4 6 797
## 338 1 0 3 10
## 339 7 6 8 856
## 340 4 6 4 755
## 341 4 5 11 456
## 342 2 1 4 37
## 343 4 2 11 1103
## 344 3 5 8 378
## 345 1 0 2 1
## 346 2 9 4 204
## 347 1 0 3 30
## 348 4 4 6 189
## 349 2 0 3 15
## 350 1 0 2 9
## 351 6 7 9 495
## 352 8 4 8 656
## 353 4 6 5 452
## 354 3 4 10 546
## 355 11 3 5 1048
## 356 2 0 3 22
## 357 2 0 4 78
## 358 3 3 8 561
## 359 5 3 5 629
## 360 4 6 4 269
## 361 4 7 10 736
## 362 6 2 10 512
## 363 2 1 4 19
## 364 1 0 2 9
## 365 6 3 6 247
## 366 6 2 9 404
## 367 4 10 11 333
## 368 2 0 3 2
## 369 4 3 8 833
## 370 2 4 8 789
## 371 1 0 3 10
## 372 5 1 4 159
## 373 1 1 2 7
## 374 4 3 12 977
## 375 3 0 3 38
## 376 3 2 2 57
## 377 1 1 2 3
## 378 1 0 3 10
## 379 3 5 10 1043
## 380 1 0 3 3
## 381 1 0 2 11
## 382 0 0 3 3
## 383 4 1 6 43
## 384 4 1 4 73
## 385 0 1 2 12
## 386 1 2 2 4
## 387 7 3 4 314
## 388 4 5 13 571
## 389 2 1 3 70
## 390 2 2 12 866
## 391 5 6 8 594
## 392 3 1 6 140
## 393 5 4 6 375
## 394 4 1 4 102
## 395 5 3 12 554
## 396 4 9 10 919
## 397 3 1 4 96
## 398 1 1 2 5
## 399 1 0 3 2
## 400 2 2 3 6
## 401 2 1 3 23
## 402 9 4 9 610
## 403 2 1 5 67
## 404 5 1 4 65
## 405 6 3 6 416
## 406 1 0 3 23
## 407 2 0 4 19
## 408 5 1 5 155
## 409 3 0 2 14
## 410 7 1 8 370
## 411 3 0 3 4
## 412 4 3 6 407
## 413 11 9 12 1200
## 414 5 1 7 85
## 415 5 4 8 583
## 416 3 5 10 483
## 417 2 1 3 2
## 418 2 7 11 966
## 419 7 9 9 822
## 420 10 2 8 604
## 421 2 0 3 19
## 422 2 0 3 5
## 423 1 0 2 2
## 424 3 4 8 1076
## 425 7 10 5 1285
## 426 1 0 2 10
## 427 6 7 13 551
## 428 2 5 10 800
## 429 1 0 4 2
## 430 5 5 12 378
## 431 2 4 9 1248
## 432 8 1 7 235
## 433 9 6 9 515
## 434 8 3 13 438
## 435 1 0 4 25
## 436 1 0 3 31
## 437 6 2 12 357
## 438 9 1 5 400
## 439 2 1 4 99
## 440 2 0 3 1
## 441 1 0 3 5
## 442 2 1 5 77
## 443 0 0 3 3
## 444 1 0 3 10
## 445 1 0 3 0
## 446 1 0 2 0
## 447 5 0 4 76
## 448 4 5 7 398
## 449 2 0 3 14
## 450 3 2 9 208
## 451 4 7 11 430
## 452 8 9 7 656
## 453 2 0 4 14
## 454 4 2 8 141
## 455 9 5 10 507
## 456 5 1 6 164
## 457 7 7 9 606
## 458 4 1 5 116
## 459 2 1 8 143
## 460 5 7 6 398
## 461 2 2 8 522
## 462 3 7 11 161
## 463 3 1 3 112
## 464 3 7 8 483
## 465 4 0 3 7
## 466 2 8 9 789
## 467 5 6 5 1239
## 468 1 0 2 4
## 469 7 2 8 335
## 470 7 3 12 639
## 471 6 10 13 563
## 472 1 0 2 2
## 473 8 6 9 746
## 474 1 0 3 22
## 475 1 1 2 4
## 476 8 3 11 478
## 477 1 0 3 20
## 478 7 1 8 451
## 479 6 2 7 371
## 480 7 3 4 281
## 481 2 1 2 19
## 482 2 0 3 26
## 483 6 2 2 138
## 484 4 2 5 213
## 485 5 9 4 407
## 487 3 5 7 738
## 488 7 2 10 502
## 489 1 0 3 11
## 490 4 1 4 24
## 491 2 5 12 1170
## 492 6 1 5 185
## 494 2 6 3 691
## 495 9 4 6 504
## 496 5 3 11 317
## 497 2 0 3 29
## 499 6 7 11 529
## 500 4 3 13 388
## 501 1 1 2 13
## 502 1 0 3 28
## 503 4 1 3 16
## 504 4 3 12 1047
## 505 1 0 3 31
## 506 10 4 12 815
## 507 5 10 8 225
## 508 3 7 11 493
## 509 2 1 4 34
## 510 5 2 12 382
## 511 4 2 3 127
## 512 6 4 12 325
## 513 6 2 5 238
## 514 5 6 7 1168
## 515 6 2 5 284
## 516 5 7 9 1288
## 517 3 1 3 65
## 518 1 0 3 11
## 519 4 5 7 227
## 520 6 3 10 1035
## 521 2 0 3 27
## 522 2 4 6 982
## 523 5 1 6 179
## 525 2 2 3 32
## 526 1 0 3 8
## 527 4 5 10 881
## 528 4 4 6 141
## 530 4 1 8 206
## 531 4 3 8 162
## 532 4 7 5 619
## 533 8 2 6 456
## 534 3 2 5 112
## 535 2 0 3 11
## 536 6 1 5 172
## 537 2 1 3 78
## 538 8 3 4 464
## 539 2 1 7 99
## 540 3 0 3 19
## 541 3 0 3 1
## 542 4 1 4 63
## 543 4 5 3 252
## 545 4 6 8 198
## 546 2 0 4 8
## 547 3 6 4 416
## 548 3 0 4 42
## 549 3 1 2 14
## 550 1 0 3 17
## 551 1 1 3 15
## 552 3 1 2 6
## 553 6 2 8 458
## 554 3 2 2 30
## 555 3 8 13 179
## 556 4 1 5 90
## 557 6 2 11 308
## 558 5 6 7 557
## 559 2 0 4 7
## 561 2 0 4 30
## 563 8 3 13 465
## 564 6 3 12 129
## 565 3 2 7 174
## 566 3 2 5 189
## 567 4 2 9 747
## 568 1 0 2 6
## 569 1 0 2 14
## 570 1 0 2 12
## 571 5 1 5 98
## 572 1 0 3 32
## 573 4 1 3 51
## 574 5 1 5 200
## 575 2 0 3 25
## 576 6 4 8 1050
## 577 4 1 3 117
## 578 3 0 3 9
## 579 2 0 4 56
## 580 4 2 4 145
## 581 3 1 6 203
## 582 7 1 5 270
## 583 1 0 3 9
## 584 2 1 3 37
## 585 2 0 3 46
## 586 2 1 4 31
## 587 5 11 5 1060
## 588 4 4 10 264
## 589 7 1 7 399
## 590 1 1 3 8
## 591 2 1 2 19
## 592 5 11 5 817
## 593 3 7 9 292
## 594 1 0 3 12
## 595 3 4 7 130
## 596 3 1 2 6
## 597 2 0 3 16
## 598 1 0 3 19
## 599 2 1 3 4
## 600 3 0 4 31
## 601 1 0 3 36
## 602 5 3 12 526
## 603 3 4 9 400
## 604 5 2 10 410
## 605 3 1 3 80
## 606 5 1 2 88
## 607 1 1 3 55
## 608 1 0 3 5
## 609 1 0 3 8
## 610 6 4 7 410
## 611 3 1 6 101
## 612 3 1 7 162
## 613 1 0 3 2
## 614 2 0 3 25
## 615 6 3 13 389
## 616 6 2 5 215
## 617 1 0 3 27
## 618 0 0 1 85
## 619 1 0 3 5
## 620 1 2 9 179
## 621 6 1 7 352
## 622 2 1 2 17
## 623 4 3 6 625
## 624 1 0 3 10
## 625 6 8 6 390
## 626 2 0 3 10
## 627 8 4 7 215
## 628 11 11 5 1001
## 629 3 0 3 19
## 630 4 1 4 41
## 631 7 3 13 1181
## 632 3 4 6 603
## 633 6 3 12 129
## 634 2 1 3 10
## 635 6 7 7 514
## 636 1 0 2 14
## 638 4 2 7 121
## 639 8 4 9 965
## 640 6 2 8 707
## 641 4 5 13 571
## 642 5 9 6 586
## 643 9 4 6 1063
## 644 5 4 4 305
## 646 3 1 6 163
## 647 9 8 13 1009
## 648 3 1 6 125
## 649 7 6 12 721
## 650 7 1 7 315
## 651 4 6 9 1000
## 652 1 0 3 16
## 653 9 6 12 757
## 654 1 1 4 30
## 655 7 1 5 219
## 656 0 0 0 1
## 657 3 1 4 111
## 658 3 1 5 45
## 659 9 3 13 410
## 660 3 2 3 100
## 661 7 2 9 509
## 662 0 0 3 3
## 663 6 4 13 445
## 664 2 0 3 2
## 665 1 0 3 4
## 666 1 1 2 6
## 667 1 0 2 14
## 668 2 0 3 1
## 669 1 0 3 26
## 670 3 1 5 111
## 671 7 8 10 418
## 672 5 2 9 327
## 673 4 3 6 371
## 674 6 4 8 275
## 675 2 4 8 789
## 676 1 0 2 1
## 677 10 3 5 1004
## 678 2 2 12 187
## 679 4 1 3 56
## 680 3 3 13 365
## 681 8 9 4 595
## 682 11 5 13 1132
## 683 8 1 5 34
## 684 3 1 6 116
## 685 2 8 6 565
## 686 5 2 11 372
## 687 5 6 10 899
## 689 3 5 12 760
## 690 4 6 4 260
## 691 4 5 7 459
## 692 5 3 4 466
## 693 1 4 4 67
## 694 1 0 3 2
## 695 2 2 2 67
## 696 2 1 4 92
## 697 1 0 2 4
## 698 2 0 3 20
## 699 8 4 6 273
## 700 10 7 10 434
## 701 9 3 5 321
## 702 8 2 8 212
## 703 5 2 11 909
## 704 3 4 7 1184
## 705 4 1 4 112
## 706 8 4 8 656
## 707 1 1 3 23
## 708 9 3 6 537
## 709 2 4 5 712
## 710 1 1 2 23
## 711 1 0 2 1
## 712 7 5 10 664
## 713 2 1 3 6
## 714 5 4 8 299
## 715 4 1 5 99
## 716 3 2 5 749
## 717 5 3 8 345
## 718 2 0 3 9
## 719 11 5 9 440
## 720 1 0 2 8
## 721 5 4 5 670
## 722 11 1 8 524
## 723 1 0 3 6
## 724 5 6 4 597
## 725 4 1 2 7
## 726 2 0 3 54
## 727 6 5 12 445
## 728 3 8 11 294
## 729 6 3 5 292
## 730 11 6 8 412
## 731 0 0 3 8
## 732 7 2 6 349
## 733 4 2 10 328
## 734 6 1 4 144
## 735 4 3 4 1126
## 736 4 8 13 967
## 737 8 5 4 432
## 738 4 1 7 138
## 739 1 0 2 0
## 740 7 5 6 509
## 741 6 9 11 948
## 742 3 0 3 39
## 743 2 1 3 28
## 744 3 0 4 13
## 745 6 9 5 307
## 746 4 4 11 901
## 747 2 0 4 2
## 748 3 8 12 283
## 749 1 0 2 4
## 750 10 10 7 769
## 751 6 10 5 518
## 752 3 2 10 350
## 753 6 4 13 445
## 754 8 5 11 778
## 755 8 6 6 709
## 756 7 3 13 359
## 757 7 6 5 799
## 758 3 4 8 895
## 759 2 1 3 40
## 760 3 2 2 76
## 761 3 0 3 11
## 762 8 1 8 245
## 763 6 4 10 647
## 764 2 1 2 39
## 765 2 11 5 203
## 766 3 2 4 138
## 768 11 5 12 595
## 769 2 1 4 43
## 770 6 1 7 301
## 771 5 2 12 180
## 772 8 5 6 794
## 773 7 3 7 392
## 774 2 0 4 39
## 775 0 0 1 107
## 776 1 0 2 13
## 777 2 1 3 70
## 778 2 11 4 680
## 779 1 0 3 26
## 780 6 9 5 522
## 781 4 4 10 412
## 782 1 0 3 6
## 783 1 1 2 2
## 784 1 0 2 1
## 785 1 0 3 6
## 786 2 0 3 4
## 787 3 0 4 18
## 788 6 8 4 324
## 789 7 1 8 327
## 790 7 1 5 229
## 791 3 6 4 521
## 792 5 4 7 184
## 793 2 0 3 4
## 794 3 3 5 183
## 795 1 1 5 31
## 796 4 1 7 219
## 797 10 3 7 479
## 798 11 4 8 584
## 799 6 5 12 627
## 800 4 0 3 24
## 801 4 4 9 330
## 802 1 0 3 19
## 803 2 1 4 28
## 804 6 8 13 606
## 805 2 8 12 1039
## 806 7 1 7 411
## 807 1 1 3 34
## 808 3 4 6 161
## 809 3 2 8 623
## 810 5 9 6 604
## 811 1 1 2 3
## 812 2 0 3 12
## 813 5 4 6 184
## 814 5 7 9 393
## 815 5 5 12 410
## 816 5 4 7 376
## 817 1 0 2 7
## 818 10 2 4 68
## 819 9 2 9 642
## 820 2 0 3 8
## 821 5 4 8 840
## 822 2 0 3 7
## 823 7 3 7 464
## 824 3 2 2 30
## 826 10 2 11 752
## 827 3 4 7 1279
## 828 1 0 3 22
## 829 8 9 4 860
## 830 1 0 3 3
## 831 2 0 3 10
## 832 6 4 7 351
## 833 7 3 7 421
## 834 2 0 3 2
## 835 1 0 3 25
## 836 6 5 12 336
## 837 6 1 5 191
## 838 7 7 12 563
## 839 1 0 3 31
## 840 7 6 5 479
## 841 2 1 3 18
## 842 3 2 6 91
## 843 3 0 4 5
## 844 4 0 3 2
## 845 3 6 7 362
## 846 5 6 7 724
## 847 3 6 8 605
## 848 7 5 8 547
## 849 3 1 5 104
## 850 3 1 3 8
## 851 5 3 3 224
## 852 6 2 9 384
## 853 7 7 10 556
## 854 1 1 2 24
## 855 7 1 7 408
## 857 1 0 3 34
## 858 6 2 11 374
## 859 1 0 3 27
## 860 6 9 10 600
## 861 2 0 3 13
## 862 6 1 4 167
## 863 0 0 3 0
## 864 4 1 6 46
## 865 6 1 4 88
## 866 4 2 8 243
## 867 5 1 8 275
## 868 1 0 2 6
## 869 2 3 8 121
## 870 2 0 3 4
## 871 5 7 4 1308
## 872 5 5 4 515
## 873 4 0 3 4
## 874 3 1 4 48
## 875 5 7 10 562
## 876 4 8 5 769
## 877 6 6 4 379
## 878 3 0 4 29
## 879 6 9 12 387
## 880 3 1 3 12
## 881 3 1 2 6
## 882 2 0 3 27
## 883 0 0 3 9
## 884 2 0 3 22
## 885 5 6 10 899
## 887 6 1 4 189
## 888 2 0 3 48
## 889 9 2 5 230
## 890 2 6 10 852
## 891 2 0 3 35
## 892 5 2 5 205
## 893 3 10 11 255
## 894 1 0 2 0
## 895 7 10 5 437
## 896 8 10 5 825
## 897 6 9 4 316
## 898 10 6 7 756
## 899 4 2 8 194
## 900 4 0 3 7
## 901 4 3 10 183
## 902 4 1 4 171
## 903 4 5 6 243
## 904 3 3 6 181
## 905 4 1 6 151
## 906 3 4 10 494
## 907 7 4 7 464
## 908 1 0 2 5
## 909 2 0 3 29
## 910 2 1 6 102
## 911 3 10 8 604
## 912 3 10 5 571
## 913 10 5 10 953
## 914 3 1 4 63
## 916 3 4 6 398
## 917 3 4 7 741
## 919 3 2 7 156
## 920 6 9 9 960
## 921 1 0 3 38
## 922 2 10 6 315
## 923 2 0 4 15
## 924 1 1 4 19
## 925 11 4 10 812
## 926 6 1 6 73
## 927 4 5 9 372
## 928 4 4 10 871
## 929 5 4 6 375
## 930 6 9 5 760
## 931 6 4 9 471
## 932 1 1 4 31
## 933 11 2 10 819
## 934 1 0 3 1
## 935 2 11 5 203
## 936 3 0 3 26
## 937 9 3 4 354
## 938 11 5 11 1253
## 939 7 5 11 371
## 940 8 4 9 588
## 941 6 3 5 480
## 942 7 4 7 517
## 943 3 2 6 267
## 944 5 8 5 1111
## 945 2 1 3 7
## 946 4 4 10 1166
## 947 4 4 9 261
## 948 4 2 5 135
## 949 2 0 3 6
## 950 3 2 9 711
## 951 2 0 3 11
## 952 2 1 3 42
## 953 3 1 4 79
## 954 3 1 2 20
## 955 1 1 2 30
## 956 3 0 4 20
## 957 5 2 6 115
## 958 5 5 8 263
## 959 2 0 4 69
## 960 5 2 5 267
## 961 4 7 13 561
## 962 6 3 8 492
## 963 2 0 3 14
## 964 2 1 5 80
## 965 3 1 6 97
## 966 5 2 11 197
## 967 6 7 9 693
## 968 3 0 4 43
## 969 1 0 2 14
## 970 10 2 6 186
## 971 3 4 10 434
## 972 3 0 4 59
## 973 3 0 4 16
## 974 7 1 7 230
## 975 4 6 13 829
## 976 2 8 13 318
## 978 6 3 5 292
## 979 2 0 4 30
## 980 10 6 7 729
## 981 0 1 2 12
## 982 0 0 0 2
## 983 2 0 3 22
## 984 11 6 9 587
## 986 4 2 8 284
## 987 5 6 7 1023
## 988 9 7 9 1394
## 989 4 9 13 311
## 990 2 0 3 27
## 991 2 4 10 1296
## 992 0 0 3 3
## 993 10 1 6 393
## 994 5 3 12 218
## 995 1 1 4 66
## 996 1 0 2 4
## 997 8 4 10 795
## 998 2 1 3 15
## 999 8 8 6 384
## 1000 3 1 8 244
## 1001 6 4 9 158
## 1003 8 5 4 349
## 1004 2 0 3 4
## 1005 5 2 4 223
## 1006 3 8 4 157
## 1007 6 5 10 397
## 1008 4 4 11 901
## 1009 3 1 2 14
## 1010 1 0 2 10
## 1012 1 1 5 81
## 1013 6 1 4 154
## 1014 3 0 3 63
## 1015 2 0 4 30
## 1016 4 2 8 90
## 1017 6 6 7 635
## 1018 2 1 7 127
## 1019 1 0 3 13
## 1020 2 1 4 18
## 1021 3 1 3 45
## 1022 2 0 3 38
## 1023 11 3 4 986
## 1024 1 1 3 61
## 1025 2 1 2 4
## 1026 5 4 9 201
## 1027 2 2 2 19
## 1028 2 1 2 4
## 1029 1 0 3 18
## 1030 10 7 10 806
## 1031 8 8 5 380
## 1033 4 4 7 458
## 1034 1 0 3 5
## 1035 5 6 7 350
## 1036 5 1 5 39
## 1037 3 0 4 26
## 1038 2 0 4 68
## 1039 1 2 2 45
## 1040 6 3 8 359
## 1041 5 5 6 403
## 1042 2 0 3 34
## 1043 0 1 0 73
## 1044 4 5 4 292
## 1045 1 1 2 14
## 1046 2 1 4 80
## 1047 2 0 4 30
## 1048 7 7 12 463
## 1049 6 1 5 75
## 1050 6 2 11 538
## 1051 6 6 7 635
## 1052 1 0 2 8
## 1053 7 8 9 1315
## 1054 1 2 2 4
## 1055 1 0 3 12
## 1056 3 5 12 347
## 1057 6 1 4 192
## 1058 5 1 5 241
## 1059 6 7 8 631
## 1060 2 8 6 336
## 1061 3 4 10 1099
## 1062 7 6 11 743
## 1063 5 2 11 124
## 1064 1 1 2 15
## 1065 4 4 8 397
## 1066 1 1 3 10
## 1067 4 10 8 530
## 1068 8 9 8 1215
## 1069 1 0 2 3
## 1070 3 7 13 444
## 1071 3 0 3 26
## 1072 5 6 8 736
## 1073 9 2 9 473
## 1074 2 0 3 32
## 1075 6 1 6 288
## 1076 4 7 9 1050
## 1077 6 7 11 1001
## 1078 1 0 3 9
## 1079 4 1 8 234
## 1080 1 0 2 7
## 1081 4 3 5 251
## 1082 7 2 4 172
## 1083 5 6 4 565
## 1084 0 0 3 5
## 1085 5 8 6 918
## 1086 11 6 5 652
## 1087 1 0 3 4
## 1089 1 0 2 8
## 1090 4 7 5 336
## 1091 6 6 7 938
## 1092 2 1 4 68
## 1093 4 5 7 227
## 1094 3 0 3 38
## 1095 2 1 4 105
## 1096 4 2 8 162
## 1097 4 3 5 574
## 1098 3 3 8 160
## 1099 1 0 2 6
## 1100 5 8 10 614
## 1101 4 7 6 897
## 1102 4 1 7 70
## 1103 7 2 5 120
## 1104 4 1 6 211
## 1105 2 0 3 11
## 1106 4 5 11 760
## 1107 2 0 3 53
## 1108 2 0 4 7
## 1109 6 2 9 391
## 1110 4 1 7 199
## 1111 2 2 11 516
## 1112 8 2 5 709
## 1113 1 0 2 12
## 1114 4 6 9 1000
## 1115 3 0 3 19
## 1116 3 3 5 1224
## 1117 1 1 2 16
## 1118 3 5 3 88
## 1119 2 1 2 2
## 1120 11 1 6 508
## 1121 6 5 9 381
## 1122 2 1 4 74
## 1123 4 2 5 146
## 1124 2 1 4 23
## 1125 6 1 5 110
## 1126 6 2 5 165
## 1127 5 3 6 957
## 1128 1 1 3 41
## 1129 0 0 3 1
## 1131 2 2 9 815
## 1132 1 0 2 6
## 1133 1 0 3 8
## 1134 6 7 9 717
## 1135 7 5 8 1067
## 1136 5 1 6 166
## 1137 3 0 3 29
## 1138 4 6 9 714
## 1139 3 0 3 8
## 1140 6 2 4 229
## 1141 6 2 10 320
## 1142 2 0 4 23
## 1143 2 1 2 1
## 1144 2 0 4 56
## 1145 6 5 13 508
## 1146 2 1 4 29
## 1147 3 1 3 46
## 1148 9 2 8 454
## 1149 9 1 4 350
## 1150 1 0 2 10
## 1151 9 3 13 735
## 1152 10 4 7 897
## 1153 1 0 2 5
## 1154 5 9 11 777
## 1155 1 3 6 162
## 1156 2 1 3 35
## 1157 5 2 9 342
## 1159 3 2 5 658
## 1160 7 6 10 356
## 1161 4 1 6 213
## 1162 9 2 8 454
## 1163 8 1 7 457
## 1164 6 4 10 241
## 1165 4 1 5 210
## 1166 4 2 12 441
## 1167 1 1 3 19
## 1168 2 0 4 28
## 1169 4 4 8 476
## 1170 3 4 8 364
## 1171 1 0 2 0
## 1172 1 0 3 0
## 1173 8 2 5 863
## 1174 8 2 4 349
## 1175 2 0 3 5
## 1176 2 2 6 184
## 1177 1 0 2 8
## 1178 3 2 10 277
## 1179 2 0 4 44
## 1181 8 2 6 373
## 1182 4 1 5 134
## 1183 9 5 4 1148
## 1184 2 2 3 6
## 1185 1 0 2 4
## 1186 1 0 3 5
## 1187 1 0 4 24
## 1188 6 6 13 899
## 1189 3 1 4 108
## 1190 1 0 3 27
## 1191 5 6 4 816
## 1192 7 4 10 1298
## 1193 1 2 2 10
## 1194 4 0 4 87
## 1195 2 1 4 57
## 1196 9 3 9 635
## 1197 2 1 4 43
## 1198 5 2 10 964
## 1199 3 5 5 572
## 1201 2 1 5 63
## 1202 9 2 8 221
## 1203 3 2 4 140
## 1204 1 1 2 1
## 1205 3 4 9 291
## 1206 10 4 5 544
## 1207 6 9 10 684
## 1208 2 0 3 1
## 1209 1 1 2 35
## 1210 3 0 4 87
## 1211 5 1 7 309
## 1212 2 4 10 172
## 1213 7 11 11 625
## 1214 5 9 6 972
## 1215 4 1 5 157
## 1216 2 1 4 48
## 1217 4 2 10 279
## 1218 3 1 4 132
## 1219 4 9 10 919
## 1220 2 2 2 62
## 1221 3 1 3 1
## 1222 1 0 2 2
## 1223 5 7 9 408
## 1224 2 1 2 51
## 1225 2 1 4 62
## 1226 5 4 9 952
## 1227 11 2 8 618
## 1228 2 1 2 11
## 1229 4 1 8 318
## 1230 3 0 3 56
## 1231 5 0 4 110
## 1232 1 0 3 23
## 1233 3 0 4 27
## 1234 2 0 3 18
## 1235 1 0 3 18
## 1236 8 2 11 303
## 1237 2 1 4 97
## 1238 5 6 12 997
## 1239 1 0 3 5
## 1240 2 1 5 95
## 1241 1 0 3 1
## 1242 2 0 3 46
## 1243 5 10 7 411
## 1244 1 3 5 244
## 1245 6 2 4 152
## 1246 0 0 0 1
## 1247 3 2 2 10
## 1248 0 1 2 12
## 1249 1 0 2 5
## 1250 8 3 13 790
## 1251 4 2 6 882
## 1252 6 5 13 615
## 1253 11 10 11 1004
## 1254 7 3 5 133
## 1255 8 9 4 595
## 1256 7 2 5 293
## 1257 7 4 3 313
## 1258 4 2 11 151
## 1259 1 0 2 15
## 1260 4 7 11 736
## 1261 1 1 2 15
## 1262 6 2 8 982
## 1263 7 8 11 1142
## 1264 2 0 3 28
## 1265 2 1 2 46
## 1266 4 7 6 897
## 1267 9 4 6 489
## 1268 2 1 3 25
## 1269 4 1 4 145
## 1270 6 6 6 630
## 1271 7 3 4 760
## 1272 5 3 13 420
## 1273 5 1 4 125
## 1274 9 1 7 464
## 1275 2 1 3 6
## 1276 3 4 11 1090
## 1277 1 0 2 3
## 1278 3 0 3 24
## 1279 6 7 9 737
## 1280 5 1 7 254
## 1281 4 6 8 817
## 1282 9 7 10 620
## 1283 1 0 3 13
## 1284 7 1 7 113
## 1285 4 2 5 7
## 1286 1 0 3 16
## 1287 9 2 5 462
## 1288 1 2 2 22
## 1289 5 7 10 968
## 1290 7 2 10 283
## 1291 1 0 2 1
## 1292 2 0 2 14
## 1293 2 0 4 30
## 1294 1 0 2 4
## 1295 1 0 4 52
## 1296 2 1 5 62
## 1297 2 0 2 20
## 1298 7 2 11 545
## 1299 4 6 4 558
## 1300 2 1 3 6
## 1301 1 0 1 39
## 1302 5 8 5 1111
## 1303 2 0 3 4
## 1304 5 2 4 183
## 1305 5 5 8 546
## 1306 10 3 8 606
## 1307 7 1 5 266
## 1308 5 5 12 1142
## 1309 10 4 13 1074
## 1310 11 2 12 771
## 1311 5 4 10 371
## 1312 7 5 10 556
## 1313 6 1 5 202
## 1314 4 7 10 209
## 1315 3 1 7 35
## 1316 3 0 3 37
## 1317 3 2 8 171
## 1318 1 0 3 12
## 1319 3 0 3 44
## 1320 1 1 2 20
## 1321 5 9 12 779
## 1322 6 1 5 170
## 1323 5 7 12 491
## 1324 7 2 3 173
## 1325 3 0 3 7
## 1326 6 3 13 1205
## 1327 3 0 3 10
## 1328 3 1 4 97
## 1329 1 0 1 67
## 1330 8 3 5 345
## 1331 2 2 2 6
## 1332 6 1 5 73
## 1333 7 4 7 711
## 1335 6 5 8 163
## 1336 5 2 4 82
## 1337 2 8 6 358
## 1338 3 1 3 66
## 1339 1 0 3 13
## 1340 7 1 3 139
## 1341 5 1 6 274
## 1342 5 2 6 262
## 1343 3 4 10 1099
## 1344 1 0 4 32
## 1345 1 0 2 2
## 1346 2 1 3 6
## 1347 1 0 3 6
## 1348 5 2 7 135
## 1349 10 4 7 641
## 1350 4 6 9 714
## 1351 4 8 10 794
## 1352 6 6 4 420
## 1353 0 1 2 1
## 1354 4 1 5 86
## 1355 6 6 7 823
## 1356 8 2 11 231
## 1357 3 1 2 8
## 1358 6 2 10 182
## 1359 5 8 5 557
## 1360 2 1 4 79
## 1361 8 2 6 368
## 1362 2 1 2 6
## 1363 6 1 7 160
## 1364 8 7 11 488
## 1365 2 2 7 691
## 1366 6 3 6 543
## 1367 6 3 5 254
## 1368 1 0 3 5
## 1369 4 1 4 112
## 1370 3 2 5 134
## 1371 4 1 5 143
## 1372 2 0 4 51
## 1373 1 0 3 27
## 1374 4 5 7 459
## 1375 8 4 11 689
## 1376 7 2 4 283
## 1377 4 2 8 347
## 1378 2 1 2 5
## 1379 5 1 6 280
## 1380 4 2 6 187
## 1381 4 2 3 95
## 1382 3 1 4 84
## 1383 1 0 3 19
## 1384 1 0 2 5
## 1385 2 0 3 18
## 1386 5 10 5 992
## 1387 1 0 3 25
## 1388 1 0 3 9
## 1389 1 0 3 19
## 1390 8 6 6 709
## 1391 4 4 3 158
## 1392 2 1 4 10
## 1393 1 0 3 25
## 1394 1 1 2 8
## 1395 2 0 3 14
## 1396 6 3 12 622
## 1397 1 0 2 11
## 1398 2 1 3 25
## 1399 9 3 9 635
## 1400 6 2 4 100
## 1401 5 1 5 201
## 1402 9 2 9 642
## 1403 4 1 3 97
## 1404 5 2 4 204
## 1405 8 4 8 513
## 1406 3 0 4 88
## 1407 6 1 5 172
## 1408 7 5 8 329
## 1409 4 2 9 296
## 1410 3 2 2 100
## 1411 7 2 12 422
## 1412 5 3 6 1218
## 1413 1 0 2 5
## 1414 5 10 5 507
## 1415 5 0 3 52
## 1416 4 3 8 191
## 1417 2 1 2 2
## 1418 2 2 5 68
## 1419 2 0 3 20
## 1420 2 0 4 20
## 1421 1 0 2 7
## 1423 4 3 12 977
## 1424 1 0 3 30
## 1425 1 1 2 6
## 1426 2 0 4 3
## 1427 1 0 2 14
## 1428 1 0 2 10
## 1429 2 0 3 7
## 1430 6 1 6 33
## 1431 1 0 3 12
## 1432 1 0 3 2
## 1433 6 5 11 693
## 1434 2 0 3 9
## 1435 6 1 5 129
## 1436 1 1 2 16
## 1437 5 1 5 201
## 1438 0 1 2 5
## 1439 1 1 4 14
## 1440 3 0 4 29
## 1441 2 1 3 26
## 1442 1 0 2 9
## 1443 3 0 3 14
## 1444 3 7 10 972
## 1445 7 5 10 966
## 1446 2 2 8 99
## 1447 4 4 9 482
## 1448 10 7 5 714
## 1449 4 4 8 587
## 1450 4 4 5 399
## 1451 3 2 4 56
## 1452 3 4 9 227
## 1453 3 11 8 703
## 1454 2 0 3 37
## 1455 7 3 5 167
## 1456 4 4 7 458
## 1457 4 0 4 91
## 1458 2 0 4 15
## 1459 6 7 12 1302
## 1460 5 2 9 153
## 1461 7 3 7 508
## 1462 4 6 8 290
## 1463 1 0 3 38
## 1464 3 0 3 2
## 1465 1 0 3 30
## 1467 8 1 8 443
## 1468 4 4 11 901
## 1469 0 0 3 9
## 1470 9 4 8 846
## 1471 1 1 3 8
## 1472 4 1 3 72
## 1473 1 0 3 29
## 1474 8 5 4 169
## 1475 6 6 7 460
## 1476 3 0 4 69
## 1477 7 5 10 556
## 1478 2 1 3 73
## 1479 3 2 4 112
## 1480 7 5 13 944
## 1482 5 3 12 526
## 1483 1 0 3 2
## 1484 1 0 3 2
## 1485 7 3 6 378
## 1486 6 3 13 553
## 1487 4 6 4 751
## 1488 8 2 5 406
## 1489 11 8 8 1449
## 1490 6 2 5 123
## 1491 7 4 9 267
## 1492 6 1 4 209
## 1493 7 11 10 1259
## 1494 7 2 9 344
## 1495 2 0 4 22
## 1496 4 7 13 247
## 1497 2 0 3 38
## 1498 4 2 9 896
## 1499 9 5 7 931
## 1500 9 7 13 758
## 1501 4 3 5 216
## 1502 1 0 3 2
## 1503 7 1 6 244
## 1504 8 2 9 539
## 1506 4 3 6 750
## 1507 5 2 10 306
## 1509 2 8 13 331
## 1510 5 5 12 620
## 1511 3 4 10 434
## 1512 3 2 2 57
## 1513 10 4 9 811
## 1514 4 8 9 423
## 1515 3 1 2 2
## 1516 4 2 4 60
## 1517 10 3 8 675
## 1518 2 0 4 30
## 1519 3 0 3 40
## 1520 2 0 3 3
## 1523 2 1 3 34
## 1524 2 0 3 19
## 1525 0 0 0 2
## 1526 7 4 9 490
## 1527 4 6 7 332
## 1528 2 2 2 53
## 1529 4 6 4 784
## 1530 1 1 3 7
## 1531 6 3 13 1171
## 1532 5 1 5 215
## 1533 7 3 13 674
## 1534 3 2 2 57
## 1535 3 0 3 5
## 1536 5 1 5 104
## 1537 1 1 2 9
## 1538 3 6 6 431
## 1539 3 4 9 1000
## 1540 11 2 12 448
## 1541 3 0 4 33
## 1542 9 2 12 505
## 1543 5 4 10 267
## 1544 0 0 3 14
## 1545 9 2 10 631
## 1546 3 0 3 65
## 1547 2 0 3 10
## 1548 4 0 3 51
## 1549 8 3 7 293
## 1550 0 0 3 11
## 1551 1 1 4 50
## 1552 4 4 7 173
## 1553 6 4 6 423
## 1554 4 5 4 292
## 1555 9 6 12 757
## 1556 1 0 3 12
## 1557 4 2 4 167
## 1558 1 0 2 3
## 1559 2 1 4 30
## 1560 7 3 13 532
## 1561 3 0 4 29
## 1562 7 1 7 411
## 1563 1 0 2 5
## 1565 3 0 3 46
## 1566 6 3 5 268
## 1567 5 4 10 928
## 1568 5 4 12 459
## 1569 11 1 6 483
## 1570 6 3 5 733
## 1571 7 6 12 1006
## 1572 2 0 3 34
## 1574 1 0 3 7
## 1575 7 1 6 244
## 1576 5 1 5 233
## 1577 3 1 3 35
## 1578 4 5 8 1252
## 1579 2 1 4 34
## 1580 7 2 7 255
## 1581 1 0 2 8
## 1582 4 7 5 368
## 1583 5 3 6 255
## 1584 2 1 3 33
## 1586 1 1 2 15
## 1587 3 1 4 45
## 1588 3 2 6 48
## 1589 3 2 5 158
## 1590 7 5 12 754
## 1591 3 1 4 108
## 1592 4 3 5 199
## 1593 2 0 2 2
## 1594 6 1 5 202
## 1595 2 0 4 85
## 1596 7 1 6 322
## 1597 3 0 4 18
## 1598 7 1 4 141
## 1599 2 5 13 739
## 1600 1 1 3 18
## 1601 8 5 3 378
## 1602 4 7 12 1083
## 1603 4 5 10 1016
## 1604 1 0 3 23
## 1605 2 0 3 12
## 1606 2 0 2 35
## 1607 5 5 11 548
## 1608 10 5 4 342
## 1609 7 2 5 365
## 1610 4 4 8 397
## 1611 4 5 11 456
## 1612 2 0 3 5
## 1613 6 3 9 836
## 1614 5 1 5 100
## 1615 1 1 2 10
## 1616 5 3 13 238
## 1617 1 0 2 6
## 1618 3 2 7 158
## 1619 4 1 5 86
## 1620 9 6 9 856
## 1621 3 0 4 98
## 1622 2 0 4 4
## 1623 5 7 6 398
## 1624 8 1 6 313
## 1625 3 1 5 109
## 1626 5 1 4 216
## 1627 3 2 10 595
## 1628 6 2 8 123
## 1629 4 1 2 16
## 1630 3 0 3 11
## 1631 9 3 13 410
## 1632 4 1 5 159
## 1633 2 1 4 105
## 1634 1 0 2 5
## 1635 4 6 4 269
## 1636 11 2 7 629
## 1637 8 2 7 443
## 1638 3 6 12 217
## 1639 2 0 3 24
## 1640 1 0 3 9
## 1641 1 0 3 8
## 1643 9 1 7 230
## 1644 1 0 3 1
## 1646 0 0 3 7
## 1647 6 2 6 298
## 1648 5 3 12 479
## 1649 7 5 7 267
## 1650 2 1 4 67
## 1651 2 1 3 3
## 1652 3 6 12 980
## 1653 3 1 2 50
## 1655 1 0 3 19
## 1656 2 0 3 30
## 1657 5 2 5 213
## 1658 5 3 13 539
## 1659 7 4 6 284
## 1660 4 6 6 1003
## 1661 6 2 7 239
## 1662 5 1 3 51
## 1663 6 4 12 527
## 1664 3 1 2 19
## 1665 1 1 3 40
## 1666 2 0 3 21
## 1667 6 3 12 593
## 1668 1 1 4 21
## 1669 7 3 13 1181
## 1670 11 10 11 1004
## 1671 4 2 5 202
## 1672 5 6 6 446
## 1673 7 4 10 1184
## 1674 6 8 6 390
## 1675 8 9 13 726
## 1676 1 1 4 8
## 1677 5 1 4 50
## 1678 1 0 3 1
## 1679 5 1 8 308
## 1680 2 0 3 22
## 1681 5 10 7 690
## 1682 3 1 3 43
## 1683 2 0 4 27
## 1684 0 0 3 6
## 1685 4 2 5 205
## 1686 1 0 3 24
## 1687 4 6 5 667
## 1688 10 4 7 691
## 1689 8 3 12 493
## 1690 3 7 11 493
## 1691 7 2 9 494
## 1692 8 4 6 621
## 1693 1 0 2 9
## 1694 1 0 2 1
## 1695 2 0 3 12
## 1696 3 3 13 243
## 1697 1 0 2 11
## 1698 4 2 5 532
## 1699 1 0 3 29
## 1700 9 6 8 612
## 1701 8 4 11 387
## 1702 3 0 3 56
## 1703 3 0 4 6
## 1704 8 2 9 582
## 1705 3 1 3 6
## 1706 3 1 4 70
## 1707 7 8 13 962
## 1708 5 2 4 112
## 1709 7 2 10 293
## 1710 3 3 5 199
## 1711 4 7 10 1060
## 1712 8 7 7 940
## 1713 1 0 4 44
## 1714 5 8 12 342
## 1715 3 0 3 2
## 1716 6 1 5 75
## 1717 6 3 6 520
## 1718 2 0 3 5
## 1719 4 1 4 87
## 1720 7 5 9 462
## 1721 1 0 2 2
## 1723 5 6 7 704
## 1724 6 5 13 861
## 1725 6 1 5 172
## 1726 2 1 3 5
## 1727 4 1 6 194
## 1728 1 1 2 9
## 1729 9 2 12 505
## 1730 7 6 13 533
## 1731 2 0 3 48
## 1732 1 1 2 6
## 1733 1 1 2 18
## 1734 3 5 12 482
## 1735 5 2 10 204
## 1737 8 1 8 245
## 1738 4 5 13 560
## 1739 6 1 6 173
## 1740 1 0 3 22
## 1741 4 1 3 136
## 1742 6 3 5 275
## 1743 3 1 3 56
## 1744 6 5 13 303
## 1745 11 3 7 708
## 1746 4 11 7 324
## 1747 1 0 2 1
## 1748 6 4 13 620
## 1749 7 3 10 312
## 1751 8 3 5 918
## 1752 5 1 5 98
## 1753 1 0 3 3
## 1754 7 1 7 380
## 1755 2 0 3 15
## 1756 1 1 4 3
## 1757 2 1 3 24
## 1758 5 1 2 80
## 1759 1 0 4 31
## 1760 7 4 7 138
## 1761 7 2 8 166
## 1762 2 0 3 12
## 1763 3 3 8 178
## 1764 9 7 9 707
## 1765 2 1 3 5
## 1766 9 2 12 465
## 1767 1 0 3 16
## 1768 2 8 6 358
## 1769 2 0 3 1
## 1770 3 2 3 123
## 1771 3 0 3 40
## 1772 4 1 4 102
## 1773 3 5 12 347
## 1774 2 7 7 376
## 1775 1 0 3 21
## 1776 4 1 6 194
## 1777 3 1 4 64
## 1778 5 1 5 206
## 1779 3 1 2 71
## 1780 2 3 13 71
## 1781 2 0 3 0
## 1782 2 1 4 93
## 1783 9 4 10 920
## 1784 11 2 10 653
## 1785 5 2 5 199
## 1786 5 1 4 153
## 1787 6 3 6 376
## 1788 2 0 4 46
## 1790 6 6 11 425
## 1791 2 1 3 18
## 1792 1 0 4 52
## 1793 3 9 13 734
## 1794 2 1 3 34
## 1795 3 3 3 135
## 1796 1 1 2 11
## 1797 3 2 8 163
## 1798 3 0 3 29
## 1799 6 3 4 734
## 1801 7 7 10 453
## 1802 10 5 13 1073
## 1803 3 1 4 135
## 1804 5 1 8 231
## 1805 1 1 2 18
## 1806 5 5 12 620
## 1808 2 0 4 12
## 1810 3 5 8 965
## 1811 1 0 3 27
## 1812 4 4 7 777
## 1813 4 3 6 572
## 1814 2 3 6 438
## 1815 5 4 8 531
## 1816 1 0 3 17
## 1817 9 2 9 402
## 1818 5 7 9 503
## 1819 6 2 8 369
## 1820 1 0 2 5
## 1821 5 3 5 362
## 1822 2 0 3 56
## 1823 2 1 4 79
## 1824 4 4 12 387
## 1825 9 5 9 367
## 1826 1 1 2 15
## 1827 5 2 6 267
## 1828 4 6 5 298
## 1829 3 11 9 674
## 1830 4 1 2 16
## 1831 4 0 3 37
## 1832 4 1 4 159
## 1833 6 4 13 686
## 1834 4 1 4 97
## 1835 2 1 5 63
## 1836 2 1 3 56
## 1837 2 9 13 209
## 1838 4 1 6 198
## 1839 7 4 3 313
## 1840 8 5 9 941
## 1841 4 0 4 86
## 1842 3 10 4 167
## 1843 2 0 3 8
## 1844 4 4 6 389
## 1845 6 2 6 239
## 1846 6 10 6 179
## 1847 0 0 0 5
## 1848 2 0 3 2
## 1849 8 1 6 383
## 1850 1 0 3 2
## 1851 5 10 12 536
## 1852 1 0 2 2
## 1853 4 6 10 322
## 1854 4 5 4 539
## 1855 8 4 7 712
## 1856 10 8 10 1121
## 1857 2 0 4 68
## 1858 2 0 4 36
## 1859 2 8 12 707
## 1860 8 1 7 174
## 1861 5 3 5 666
## 1862 1 0 2 0
## 1863 4 2 8 162
## 1864 5 4 4 407
## 1865 6 6 7 823
## 1866 8 3 7 488
## 1867 2 1 3 28
## 1868 1 0 3 3
## 1869 9 0 4 284
## 1870 5 10 6 938
## 1871 2 0 3 13
## 1872 7 6 11 412
## 1873 2 0 3 31
## 1874 6 2 11 502
## 1875 1 0 3 18
## 1876 1 0 3 1
## 1877 9 1 8 100
## 1878 3 7 9 407
## 1879 7 7 10 664
## 1880 5 5 13 1045
## 1881 5 8 4 1218
## 1882 1 1 2 15
## 1883 4 0 4 128
## 1884 5 6 11 581
## 1885 1 1 3 6
## 1886 7 1 7 185
## 1887 1 1 2 22
## 1888 5 5 5 584
## 1889 9 5 7 355
## 1890 6 3 4 175
## 1891 4 10 5 864
## 1892 4 7 8 957
## 1893 2 0 3 25
## 1894 10 4 6 641
## 1895 2 3 5 273
## 1896 3 1 6 122
## 1897 1 1 2 1
## 1898 4 6 4 1020
## 1900 3 5 8 378
## 1901 2 0 3 42
## 1902 1 0 3 15
## 1903 4 4 6 272
## 1904 3 0 3 9
## 1905 3 1 8 279
## 1906 3 4 6 398
## 1907 6 11 7 637
## 1908 3 0 3 45
## 1909 1 0 3 21
## 1910 1 1 2 15
## 1911 3 5 13 493
## 1912 7 8 5 957
## 1913 4 6 13 829
## 1914 5 5 5 1017
## 1915 10 5 10 953
## 1916 4 4 8 159
## 1917 1 0 4 32
## 1918 3 0 3 23
## 1919 2 1 4 18
## 1920 1 0 2 15
## 1921 1 0 4 23
## 1922 6 2 12 200
## 1924 7 5 13 1193
## 1925 11 5 11 505
## 1926 1 0 3 2
## 1927 4 2 11 1103
## 1928 3 3 7 353
## 1929 9 3 6 652
## 1930 9 3 7 379
## 1931 2 0 4 46
## 1932 4 2 7 162
## 1933 3 0 3 8
## 1934 3 1 2 17
## 1935 6 6 9 340
## 1936 1 0 3 8
## 1937 4 2 9 154
## 1938 11 2 8 710
## 1939 0 0 3 8
## 1940 1 0 4 2
## 1941 5 11 5 1050
## 1942 1 0 3 19
## 1943 1 0 3 22
## 1944 4 6 12 274
## 1945 2 2 3 68
## 1946 3 4 10 344
## 1947 3 8 7 145
## 1948 4 7 10 217
## 1949 3 0 3 18
## 1950 3 0 4 69
## 1951 3 1 4 144
## 1952 3 3 10 256
## 1953 4 4 10 483
## 1954 10 4 8 1285
## 1955 4 2 9 338
## 1956 1 8 7 605
## 1957 1 0 3 8
## 1958 5 3 5 172
## 1960 2 1 4 67
## 1961 8 5 10 512
## 1963 2 0 4 20
## 1964 3 1 3 50
## 1965 3 0 4 102
## 1966 6 7 12 499
## 1967 8 2 10 381
## 1968 6 8 12 631
## 1969 3 10 7 526
## 1970 3 6 11 913
## 1971 6 3 5 673
## 1972 1 0 3 23
## 1973 5 2 5 199
## 1974 6 3 5 261
## 1975 3 1 5 111
## 1977 4 4 8 63
## 1978 3 0 4 58
## 1979 2 1 2 29
## 1980 1 0 2 3
## 1981 4 0 4 28
## 1982 3 0 3 40
## 1983 5 7 9 879
## 1984 2 1 4 62
## 1985 6 3 5 280
## 1986 0 0 3 9
## 1987 4 1 5 182
## 1988 3 5 3 83
## 1989 3 0 4 38
## 1990 3 3 8 228
## 1991 5 5 8 1092
## 1992 3 1 4 85
## 1993 9 7 11 1276
## 1994 5 5 5 1017
## 1995 1 0 3 6
## 1996 7 6 8 448
## 1997 6 5 4 504
## 1998 4 3 8 226
## 1999 7 1 6 239
## 2000 4 1 6 90
## 2001 1 0 3 7
## 2002 1 0 2 4
## 2003 3 2 2 16
## 2004 0 0 3 10
## 2005 2 0 4 68
## 2006 2 0 3 35
## 2007 8 4 8 575
## 2008 5 5 3 315
## 2009 3 1 7 182
## 2010 8 2 10 561
## 2011 5 6 5 587
## 2012 4 0 4 94
## 2013 7 7 9 908
## 2015 2 9 13 995
## 2016 0 0 3 11
## 2017 2 1 2 3
## 2018 2 0 3 12
## 2019 1 0 3 17
## 2020 0 0 3 8
## 2021 2 0 4 22
## 2022 2 0 3 14
## 2023 4 2 5 106
## 2024 8 3 6 820
## 2025 8 5 13 753
## 2026 2 0 4 13
## 2027 0 0 3 9
## 2028 1 0 3 19
## 2029 10 5 7 520
## 2030 2 1 3 5
## 2031 11 8 4 618
## 2032 7 2 11 315
## 2033 3 0 3 15
## 2034 11 6 8 384
## 2035 6 2 3 110
## 2036 3 3 7 208
## 2037 10 3 12 555
## 2038 4 4 10 240
## 2039 2 0 3 11
## 2040 10 3 10 848
## 2041 5 4 8 202
## 2042 4 6 9 433
## 2043 2 0 3 6
## 2044 2 0 3 37
## 2045 4 3 6 167
## 2046 4 1 4 45
## 2047 3 1 4 129
## 2048 7 8 12 713
## 2049 2 5 5 676
## 2050 5 6 10 450
## 2051 1 0 3 22
## 2052 7 2 6 367
## 2053 6 3 4 526
## 2054 3 0 3 51
## 2055 1 0 3 25
## 2056 3 0 3 28
## 2057 2 10 12 958
## 2058 7 3 13 532
## 2059 9 2 12 724
## 2060 4 10 4 375
## 2061 3 1 3 39
## 2062 3 0 3 23
## 2063 4 4 8 587
## 2064 2 0 3 29
## 2065 9 6 12 757
## 2066 4 5 4 544
## 2067 2 1 3 40
## 2068 4 7 4 1245
## 2069 3 0 4 19
## 2070 1 0 3 16
## 2071 6 2 8 376
## 2072 6 3 10 184
## 2073 1 1 2 15
## 2074 5 2 11 124
## 2075 9 6 5 627
## 2076 5 5 7 180
## 2077 1 1 2 14
## 2078 2 1 3 3
## 2079 2 1 3 71
## 2080 4 1 4 161
## 2081 3 0 4 8
## 2082 6 1 5 264
## 2083 6 2 5 293
## 2084 9 7 13 758
## 2085 5 5 11 532
## 2086 8 9 7 656
## 2087 4 6 7 196
## 2088 6 9 7 835
## 2089 1 1 4 16
## 2090 0 0 3 9
## 2091 5 1 8 229
## 2092 1 0 2 0
## 2093 4 1 7 121
## 2095 10 5 7 520
## 2096 1 0 3 26
## 2097 3 7 8 240
## 2098 4 1 5 178
## 2100 2 3 4 1115
## 2101 1 0 3 29
## 2102 6 7 11 529
## 2103 1 0 3 13
## 2104 8 4 6 934
## 2105 2 0 4 2
## 2106 2 0 3 4
## 2107 2 1 4 62
## 2108 7 2 8 158
## 2109 5 1 4 173
## 2111 8 2 7 189
## 2112 7 3 13 728
## 2113 1 0 3 7
## 2114 2 2 2 35
## 2115 7 1 6 188
## 2116 6 8 10 742
## 2117 2 0 3 0
## 2118 6 8 11 750
## 2119 3 10 8 816
## 2120 0 1 2 5
## 2121 3 0 4 37
## 2122 1 0 2 4
## 2123 3 0 4 99
## 2124 5 2 12 176
## 2125 1 0 4 54
## 2126 5 6 12 997
## 2127 7 1 8 356
## 2128 4 3 10 1311
## 2129 8 4 7 890
## 2130 1 0 2 4
## 2131 1 0 3 17
## 2132 5 6 8 960
## 2133 0 0 0 2
## 2134 2 1 2 1
## 2135 3 5 6 240
## 2136 8 2 4 301
## 2137 3 4 3 154
## 2138 1 1 2 2
## 2139 2 2 5 104
## 2140 3 2 2 70
## 2141 1 0 3 2
## 2142 2 0 3 23
## 2143 2 1 4 43
## 2144 2 0 4 4
## 2145 9 4 8 654
## 2146 11 3 4 912
## 2147 2 0 2 25
## 2148 3 1 3 24
## 2149 4 1 7 141
## 2150 1 1 4 71
## 2151 2 0 3 35
## 2153 3 1 3 9
## 2154 3 4 3 154
## 2155 1 0 3 9
## 2156 2 0 4 26
## 2157 3 1 4 77
## 2158 1 0 3 11
## 2159 7 4 9 576
## 2160 4 1 6 89
## 2161 9 10 4 1013
## 2162 6 2 4 224
## 2163 5 1 8 200
## 2164 6 5 11 570
## 2165 1 0 3 1
## 2166 2 1 3 62
## 2167 5 4 8 531
## 2169 4 8 5 675
## 2170 1 0 3 23
## 2171 9 1 7 492
## 2172 11 3 12 918
## 2173 6 4 11 224
## 2174 6 3 5 572
## 2175 9 3 8 626
## 2176 5 6 7 1074
## 2178 7 1 6 322
## 2179 7 3 3 254
## 2180 3 1 6 116
## 2181 3 0 3 22
## 2182 8 2 7 516
## 2183 1 1 4 14
## 2184 2 1 3 2
## 2185 1 0 3 28
## 2186 7 4 13 530
## 2187 8 3 11 519
## 2188 7 10 6 611
## 2189 3 5 6 240
## 2190 1 1 3 4
## 2191 7 5 12 671
## 2192 1 1 2 23
## 2193 0 0 3 9
## 2194 7 7 10 556
## 2195 9 5 6 833
## 2196 3 0 3 12
## 2197 3 0 4 56
## 2198 6 6 3 293
## 2199 5 4 4 297
## 2200 3 0 3 39
## 2201 2 2 2 5
## 2202 8 8 6 266
## 2203 7 1 6 322
## 2204 5 5 11 366
## 2205 1 0 4 32
## 2206 3 1 5 158
## 2207 9 3 4 269
## 2208 2 1 3 41
## 2209 1 0 3 3
## 2210 1 1 2 33
## 2211 8 1 7 302
## 2213 2 0 3 23
## 2214 4 6 8 594
## 2215 1 0 0 12
## 2216 1 0 2 4
## 2217 2 0 3 18
## 2218 4 6 7 332
## 2219 1 0 2 5
## 2220 6 1 6 171
## 2221 3 2 10 270
## 2222 3 6 11 712
## 2223 3 2 2 2
## 2224 2 0 4 21
## 2225 7 6 6 580
## 2226 8 2 6 368
## 2227 11 1 6 457
## 2228 4 2 8 229
## 2230 2 1 2 3
## 2231 3 1 2 24
## 2232 9 4 12 853
## 2233 0 0 3 5
## 2234 3 1 3 9
## 2235 1 0 2 3
## 2236 9 3 4 709
## 2237 8 2 5 406
## 2238 2 3 13 908
## 2239 6 5 10 428
## 2240 3 1 4 84
## MntMeatProducts MntFishProducts
## 1 546 172
## 2 6 2
## 3 127 111
## 4 20 10
## 5 118 46
## 6 98 0
## 7 164 50
## 8 56 3
## 9 24 3
## 10 6 1
## 11 6 0
## 12 11 11
## 13 480 225
## 14 53 3
## 15 17 6
## 16 115 59
## 17 19 2
## 18 38 150
## 19 498 0
## 20 19 30
## 21 73 69
## 23 86 0
## 24 102 21
## 25 27 39
## 26 25 15
## 27 30 3
## 29 42 20
## 30 801 21
## 31 10 2
## 32 44 34
## 33 5 2
## 34 96 33
## 35 471 119
## 36 19 2
## 37 151 0
## 38 14 15
## 39 6 2
## 40 206 160
## 41 536 82
## 42 29 3
## 43 6 3
## 44 50 3
## 45 10 3
## 46 266 227
## 47 14 15
## 48 15 3
## 49 48 6
## 50 317 50
## 51 125 37
## 52 780 27
## 53 20 30
## 54 550 156
## 55 124 12
## 56 432 180
## 57 482 121
## 58 8 2
## 59 22 2
## 60 28 0
## 61 538 69
## 62 102 16
## 63 134 37
## 64 48 0
## 65 367 119
## 66 6 3
## 67 1 0
## 68 309 201
## 69 159 7
## 70 487 58
## 71 460 189
## 72 43 17
## 73 291 84
## 74 65 0
## 75 13 4
## 76 6 2
## 77 925 97
## 78 779 137
## 79 5 0
## 80 64 0
## 81 68 7
## 82 5 2
## 83 19 7
## 84 44 34
## 86 14 10
## 87 16 0
## 88 37 0
## 89 568 110
## 90 39 4
## 91 192 49
## 92 8 2
## 93 359 98
## 94 10 0
## 95 14 0
## 96 11 12
## 97 26 0
## 98 7 0
## 99 447 75
## 100 92 65
## 101 5 2
## 102 6 2
## 103 183 185
## 104 276 80
## 105 690 50
## 106 6 10
## 107 32 2
## 108 271 75
## 109 31 4
## 110 106 31
## 111 292 23
## 112 311 23
## 113 21 0
## 114 125 29
## 115 101 0
## 116 21 0
## 117 812 151
## 118 94 123
## 119 25 0
## 120 7 11
## 121 133 39
## 122 29 0
## 123 7 3
## 124 14 7
## 125 102 44
## 126 124 40
## 127 951 173
## 128 16 0
## 129 27 10
## 130 110 16
## 131 73 65
## 132 47 0
## 133 189 23
## 134 196 38
## 135 33 3
## 136 590 38
## 137 3 10
## 138 34 2
## 139 8 4
## 140 12 3
## 142 232 13
## 143 756 36
## 144 132 43
## 145 41 73
## 146 141 32
## 147 18 20
## 148 10 0
## 149 90 12
## 150 29 12
## 151 78 39
## 152 48 23
## 153 57 8
## 154 24 19
## 155 57 0
## 156 269 34
## 157 69 4
## 158 7 2
## 159 57 10
## 160 387 149
## 161 3 0
## 162 249 43
## 163 49 7
## 164 240 16
## 166 32 6
## 167 98 134
## 168 33 7
## 169 305 173
## 170 19 8
## 171 10 8
## 172 6 11
## 173 24 2
## 174 6 0
## 175 12 0
## 176 449 69
## 177 119 86
## 178 14 0
## 179 5 2
## 180 447 75
## 181 22 2
## 182 10 3
## 183 195 34
## 184 6 0
## 185 7 2
## 186 18 10
## 187 2 0
## 188 107 19
## 189 537 140
## 190 18 3
## 191 10 29
## 192 432 147
## 193 8 7
## 194 21 3
## 195 45 8
## 196 10 3
## 197 106 32
## 198 813 27
## 199 482 50
## 200 79 7
## 201 34 6
## 202 553 224
## 203 337 42
## 204 138 76
## 205 13 0
## 206 1 7
## 207 13 7
## 208 113 47
## 209 7 0
## 210 320 42
## 211 68 65
## 212 319 33
## 213 30 0
## 214 59 19
## 215 554 254
## 216 171 25
## 217 4 0
## 218 417 42
## 219 33 0
## 220 162 42
## 221 25 29
## 222 540 80
## 223 154 19
## 224 25 0
## 225 207 15
## 226 16 2
## 227 79 0
## 228 204 0
## 229 740 67
## 230 9 3
## 231 137 4
## 233 8 4
## 234 5 6
## 235 464 28
## 236 20 6
## 237 4 0
## 238 124 15
## 239 10 12
## 240 5 7
## 241 757 186
## 242 276 75
## 243 7 2
## 244 503 218
## 245 133 0
## 246 5 0
## 247 272 104
## 248 179 133
## 249 768 150
## 251 25 6
## 252 7 0
## 253 444 32
## 254 52 21
## 255 353 45
## 256 8 0
## 257 118 13
## 258 87 28
## 259 2 10
## 260 4 0
## 261 8 4
## 262 215 11
## 263 62 24
## 264 6 4
## 265 71 3
## 266 22 4
## 267 398 205
## 268 35 0
## 269 298 162
## 270 19 8
## 271 499 95
## 272 23 0
## 273 43 6
## 274 14 8
## 275 40 3
## 276 99 10
## 277 224 101
## 278 396 188
## 279 512 33
## 280 100 20
## 281 9 28
## 282 79 0
## 283 38 150
## 284 149 20
## 285 8 0
## 286 20 4
## 287 230 150
## 288 242 55
## 289 565 166
## 290 81 4
## 291 5 0
## 292 56 20
## 293 573 216
## 294 22 21
## 295 3 0
## 296 80 0
## 297 7 4
## 298 16 0
## 299 263 60
## 300 80 0
## 301 12 2
## 302 154 19
## 303 46 4
## 304 93 20
## 305 21 2
## 306 112 219
## 307 25 17
## 308 400 15
## 309 27 0
## 310 46 20
## 311 14 2
## 312 8 2
## 313 461 60
## 314 561 77
## 315 28 3
## 316 7 0
## 317 21 6
## 318 128 65
## 319 7 3
## 320 172 52
## 321 119 38
## 322 7 6
## 323 3 0
## 324 353 78
## 325 118 7
## 326 275 45
## 327 28 3
## 328 11 0
## 329 5 0
## 330 59 10
## 331 6 3
## 332 15 8
## 333 218 0
## 334 13 2
## 335 9 3
## 336 247 151
## 337 293 72
## 338 16 11
## 339 570 40
## 340 562 104
## 341 832 75
## 342 38 11
## 343 45 0
## 344 68 19
## 345 7 0
## 346 204 172
## 347 9 0
## 348 379 111
## 349 12 7
## 350 3 0
## 351 255 11
## 352 455 52
## 353 514 13
## 354 410 119
## 355 217 0
## 356 14 0
## 357 11 0
## 358 785 84
## 359 177 69
## 360 69 15
## 361 818 212
## 362 83 0
## 363 10 11
## 364 6 4
## 365 160 6
## 366 92 28
## 367 815 129
## 368 20 6
## 369 549 151
## 370 142 12
## 371 7 0
## 372 45 6
## 373 6 3
## 374 253 16
## 375 22 3
## 376 27 0
## 377 15 13
## 378 14 4
## 379 97 32
## 380 13 2
## 381 5 0
## 382 5 0
## 383 96 78
## 384 90 12
## 385 1 0
## 386 7 6
## 387 53 4
## 388 142 33
## 389 11 2
## 390 151 28
## 391 786 33
## 392 61 0
## 393 335 93
## 394 63 2
## 395 113 0
## 396 505 99
## 397 42 12
## 398 16 3
## 399 6 8
## 400 9 6
## 401 25 0
## 402 125 137
## 403 61 3
## 404 74 38
## 405 26 0
## 406 11 3
## 407 26 10
## 408 80 13
## 409 24 3
## 410 92 6
## 411 11 3
## 412 221 58
## 413 204 38
## 414 54 102
## 415 309 0
## 416 591 156
## 417 9 28
## 418 282 52
## 419 108 179
## 420 100 19
## 421 19 3
## 422 11 12
## 423 2 2
## 424 103 29
## 425 716 55
## 426 7 2
## 427 792 179
## 428 297 0
## 429 11 10
## 430 189 97
## 431 349 43
## 432 235 19
## 433 181 149
## 434 400 12
## 435 22 2
## 436 7 2
## 437 271 28
## 438 35 6
## 439 15 2
## 440 5 4
## 441 13 8
## 442 31 16
## 443 2 4
## 444 14 4
## 445 3 7
## 446 1 2
## 447 74 13
## 448 537 61
## 449 11 11
## 450 82 30
## 451 322 43
## 452 161 62
## 453 30 8
## 454 106 72
## 455 364 25
## 456 103 12
## 457 974 197
## 458 72 3
## 459 60 24
## 460 447 220
## 461 257 32
## 462 253 199
## 463 6 2
## 464 398 205
## 465 39 17
## 466 420 16
## 467 413 23
## 468 5 2
## 469 127 28
## 470 166 11
## 471 384 84
## 472 8 2
## 473 125 11
## 474 13 4
## 475 6 4
## 476 193 110
## 477 4 2
## 478 39 0
## 479 39 6
## 480 84 15
## 481 19 0
## 482 13 2
## 483 35 25
## 484 44 0
## 485 100 120
## 487 232 13
## 488 109 16
## 489 5 2
## 490 108 29
## 491 594 99
## 492 88 15
## 494 69 10
## 495 131 8
## 496 265 25
## 497 9 2
## 499 356 63
## 500 218 91
## 501 21 4
## 502 4 0
## 503 21 20
## 504 140 67
## 505 7 2
## 506 239 28
## 507 387 106
## 508 324 146
## 509 66 3
## 510 65 60
## 511 56 0
## 512 300 86
## 513 68 8
## 514 408 72
## 515 55 0
## 516 613 80
## 517 46 4
## 518 9 3
## 519 389 42
## 520 670 25
## 521 12 2
## 522 351 56
## 523 64 38
## 525 64 16
## 526 15 7
## 527 319 16
## 528 153 67
## 530 67 30
## 531 83 97
## 532 260 127
## 533 24 0
## 534 92 3
## 535 22 2
## 536 112 8
## 537 11 0
## 538 292 65
## 539 32 37
## 540 19 4
## 541 8 11
## 542 83 7
## 543 42 4
## 545 252 32
## 546 10 6
## 547 925 60
## 548 43 20
## 549 21 2
## 550 3 0
## 551 10 3
## 552 24 11
## 553 24 6
## 554 47 19
## 555 520 111
## 556 97 15
## 557 137 102
## 558 761 29
## 559 13 15
## 561 12 8
## 563 132 136
## 564 259 168
## 565 81 28
## 566 29 3
## 567 161 65
## 568 2 2
## 569 3 0
## 570 4 0
## 571 106 49
## 572 5 0
## 573 49 17
## 574 44 0
## 575 25 6
## 576 144 0
## 577 22 13
## 578 17 10
## 579 11 0
## 580 46 17
## 581 10 0
## 582 27 39
## 583 16 6
## 584 23 8
## 585 7 0
## 586 13 7
## 587 530 32
## 588 188 54
## 589 30 6
## 590 9 2
## 591 35 6
## 592 797 106
## 593 635 132
## 594 2 11
## 595 168 20
## 596 16 3
## 597 18 7
## 598 9 0
## 599 15 13
## 600 31 2
## 601 2 0
## 602 135 10
## 603 519 71
## 604 114 0
## 605 26 4
## 606 46 2
## 607 6 2
## 608 13 3
## 609 5 15
## 610 592 147
## 611 76 20
## 612 53 16
## 613 1 4
## 614 8 2
## 615 248 64
## 616 87 17
## 617 5 0
## 618 16 2
## 619 10 6
## 620 83 19
## 621 27 10
## 622 12 11
## 623 169 58
## 624 11 0
## 625 323 104
## 626 15 2
## 627 507 231
## 628 572 93
## 629 33 24
## 630 129 10
## 631 199 39
## 632 207 36
## 633 259 168
## 634 15 13
## 635 732 42
## 636 1 0
## 638 69 8
## 639 279 54
## 640 250 85
## 641 142 33
## 642 653 17
## 643 102 16
## 644 27 4
## 646 40 8
## 647 104 202
## 648 73 8
## 649 152 119
## 650 62 41
## 651 711 125
## 652 17 6
## 653 217 29
## 654 25 0
## 655 100 26
## 656 1 1
## 657 28 2
## 658 52 21
## 659 420 0
## 660 39 6
## 661 65 7
## 662 5 0
## 663 213 104
## 664 11 41
## 665 11 6
## 666 7 23
## 667 3 0
## 668 11 19
## 669 6 0
## 670 37 7
## 671 428 80
## 672 122 19
## 673 194 58
## 674 107 69
## 675 142 12
## 676 5 0
## 677 145 32
## 678 149 25
## 679 76 17
## 680 117 34
## 681 123 10
## 682 384 175
## 683 137 179
## 684 82 6
## 685 435 28
## 686 126 47
## 687 838 133
## 689 480 0
## 690 559 63
## 691 24 6
## 692 224 119
## 693 80 17
## 694 7 3
## 695 20 0
## 696 18 3
## 697 11 2
## 698 28 3
## 699 178 62
## 700 388 104
## 701 309 33
## 702 177 15
## 703 278 0
## 704 352 21
## 705 21 16
## 706 455 52
## 707 8 6
## 708 42 16
## 709 45 0
## 710 13 2
## 711 4 2
## 712 83 32
## 713 21 19
## 714 201 21
## 715 66 43
## 716 294 121
## 717 501 63
## 718 18 7
## 719 368 0
## 720 5 3
## 721 249 0
## 722 134 28
## 723 6 2
## 724 597 172
## 725 12 13
## 726 7 0
## 727 706 80
## 728 218 164
## 729 77 10
## 730 132 59
## 731 3 0
## 732 78 6
## 733 124 12
## 734 99 7
## 735 211 37
## 736 617 43
## 737 341 177
## 738 63 55
## 739 1 7
## 740 497 78
## 741 86 13
## 742 25 4
## 743 21 3
## 744 24 13
## 745 360 138
## 746 345 75
## 747 12 4
## 748 372 138
## 749 7 0
## 750 252 15
## 751 742 55
## 752 66 17
## 753 213 104
## 754 689 41
## 755 374 104
## 756 314 93
## 757 375 16
## 758 101 13
## 759 23 0
## 760 7 0
## 761 22 12
## 762 223 21
## 763 391 175
## 764 9 2
## 765 305 46
## 766 38 4
## 768 291 127
## 769 23 29
## 770 74 10
## 771 348 76
## 772 243 150
## 773 91 28
## 774 22 3
## 775 12 2
## 776 3 0
## 777 17 0
## 778 392 75
## 779 11 0
## 780 522 227
## 781 546 78
## 782 5 8
## 783 6 4
## 784 8 2
## 785 15 6
## 786 5 3
## 787 19 0
## 788 186 39
## 789 125 25
## 790 71 13
## 791 706 80
## 792 446 30
## 793 11 12
## 794 64 7
## 795 35 26
## 796 60 12
## 797 136 75
## 798 212 46
## 799 597 159
## 800 16 12
## 801 159 36
## 802 10 2
## 803 29 29
## 804 228 15
## 805 204 153
## 806 26 0
## 807 19 2
## 808 136 32
## 809 178 23
## 810 470 123
## 811 8 3
## 812 17 6
## 813 256 50
## 814 239 90
## 815 747 76
## 816 83 19
## 817 4 2
## 818 226 51
## 819 49 0
## 820 9 13
## 821 804 23
## 822 13 3
## 823 64 7
## 824 47 19
## 826 476 39
## 827 287 20
## 828 8 2
## 829 409 73
## 830 5 13
## 831 28 11
## 832 156 7
## 833 90 0
## 834 7 0
## 835 9 2
## 836 274 46
## 837 97 0
## 838 774 28
## 839 6 0
## 840 82 7
## 841 15 12
## 842 52 10
## 843 24 19
## 844 28 16
## 845 431 134
## 846 929 97
## 847 399 0
## 848 140 0
## 849 54 13
## 850 15 0
## 851 25 7
## 852 102 21
## 853 845 202
## 854 2 0
## 855 21 0
## 857 7 0
## 858 116 84
## 859 10 0
## 860 350 29
## 861 18 6
## 862 89 0
## 863 3 4
## 864 69 84
## 865 78 58
## 866 119 10
## 867 68 25
## 868 4 0
## 869 90 68
## 870 15 19
## 871 396 23
## 872 267 62
## 873 16 17
## 874 57 24
## 875 168 43
## 876 500 210
## 877 93 12
## 878 59 19
## 879 569 89
## 880 38 30
## 881 12 3
## 882 14 4
## 883 5 0
## 884 19 6
## 885 838 133
## 887 55 0
## 888 2 0
## 889 156 82
## 890 207 78
## 891 20 4
## 892 47 23
## 893 446 40
## 894 1 8
## 895 206 160
## 896 53 11
## 897 161 76
## 898 354 160
## 899 134 15
## 900 18 6
## 901 493 59
## 902 11 0
## 903 405 29
## 904 69 39
## 905 89 0
## 906 391 194
## 907 873 29
## 908 5 10
## 909 29 0
## 910 49 24
## 911 674 91
## 912 523 63
## 913 71 0
## 914 67 8
## 916 265 138
## 917 154 50
## 919 56 30
## 920 464 146
## 921 2 0
## 922 473 220
## 923 25 2
## 924 20 0
## 925 431 237
## 926 217 10
## 927 384 250
## 928 704 145
## 929 335 93
## 930 466 17
## 931 510 99
## 932 27 16
## 933 72 12
## 934 3 8
## 935 305 46
## 936 15 2
## 937 311 167
## 938 447 23
## 939 238 23
## 940 76 110
## 941 249 75
## 942 54 16
## 943 606 48
## 944 790 160
## 945 14 7
## 946 48 0
## 947 144 55
## 948 51 23
## 949 18 2
## 950 142 49
## 951 13 2
## 952 17 0
## 953 58 6
## 954 43 19
## 955 8 2
## 956 23 3
## 957 44 4
## 958 233 69
## 959 15 2
## 960 30 4
## 961 171 25
## 962 37 7
## 963 9 6
## 964 46 0
## 965 84 13
## 966 227 7
## 967 925 31
## 968 27 0
## 969 2 0
## 970 234 86
## 971 400 45
## 972 11 4
## 973 30 8
## 974 75 63
## 975 430 60
## 976 407 150
## 978 77 10
## 979 12 2
## 980 133 11
## 981 3 0
## 982 1 1
## 983 18 0
## 984 337 42
## 986 84 4
## 987 651 49
## 988 708 89
## 989 640 180
## 990 12 0
## 991 311 45
## 992 7 0
## 993 136 7
## 994 282 137
## 995 16 0
## 996 11 2
## 997 545 95
## 998 19 8
## 999 292 130
## 1000 32 7
## 1001 288 25
## 1003 144 28
## 1004 11 3
## 1005 31 0
## 1006 127 68
## 1007 288 20
## 1008 345 75
## 1009 21 2
## 1010 3 0
## 1012 31 2
## 1013 66 0
## 1014 21 7
## 1015 11 0
## 1016 165 30
## 1017 254 132
## 1018 73 15
## 1019 6 6
## 1020 24 15
## 1021 26 4
## 1022 24 0
## 1023 168 16
## 1024 3 0
## 1025 16 17
## 1026 172 116
## 1027 29 0
## 1028 11 19
## 1029 2 0
## 1030 161 120
## 1031 733 110
## 1033 356 106
## 1034 13 3
## 1035 568 110
## 1036 130 41
## 1037 16 2
## 1038 16 0
## 1039 9 4
## 1040 134 13
## 1041 29 6
## 1042 14 0
## 1043 66 7
## 1044 415 63
## 1045 16 0
## 1046 37 0
## 1047 33 13
## 1048 333 168
## 1049 141 43
## 1050 91 17
## 1051 254 132
## 1052 3 0
## 1053 780 145
## 1054 12 7
## 1055 13 2
## 1056 534 17
## 1057 53 0
## 1058 12 0
## 1059 491 30
## 1060 282 184
## 1061 45 0
## 1062 181 12
## 1063 267 85
## 1064 8 4
## 1065 69 12
## 1066 4 3
## 1067 678 134
## 1068 249 64
## 1069 7 0
## 1070 382 11
## 1071 15 2
## 1072 279 82
## 1073 176 19
## 1074 5 2
## 1075 30 4
## 1076 555 77
## 1077 107 58
## 1078 7 0
## 1079 77 19
## 1080 6 2
## 1081 334 65
## 1082 125 21
## 1083 548 64
## 1084 8 2
## 1085 842 99
## 1086 158 21
## 1087 7 2
## 1089 9 2
## 1090 411 240
## 1091 843 25
## 1092 18 19
## 1093 389 42
## 1094 22 3
## 1095 9 2
## 1096 100 55
## 1097 216 21
## 1098 369 67
## 1099 5 0
## 1100 160 58
## 1101 430 186
## 1102 109 80
## 1103 206 25
## 1104 30 7
## 1105 16 7
## 1106 400 17
## 1107 8 0
## 1108 13 15
## 1109 70 21
## 1110 57 20
## 1111 449 86
## 1112 115 30
## 1113 4 0
## 1114 711 125
## 1115 18 3
## 1116 140 0
## 1117 18 3
## 1118 54 64
## 1119 11 8
## 1120 59 23
## 1121 215 84
## 1122 42 2
## 1123 93 7
## 1124 23 43
## 1125 137 26
## 1126 147 4
## 1127 494 82
## 1128 17 3
## 1129 4 2
## 1131 53 11
## 1132 2 2
## 1133 20 6
## 1134 864 219
## 1135 750 0
## 1136 107 11
## 1137 34 2
## 1138 395 116
## 1139 10 2
## 1140 56 3
## 1141 133 39
## 1142 26 7
## 1143 8 4
## 1144 12 0
## 1145 249 50
## 1146 25 2
## 1147 59 2
## 1148 171 8
## 1149 39 0
## 1150 8 0
## 1151 183 52
## 1152 196 91
## 1153 3 3
## 1154 731 39
## 1155 37 6
## 1156 11 0
## 1157 112 19
## 1159 483 123
## 1160 329 138
## 1161 28 7
## 1162 171 8
## 1163 29 0
## 1164 604 34
## 1165 6 0
## 1166 83 7
## 1167 18 10
## 1168 37 12
## 1169 162 29
## 1170 425 158
## 1171 2 3
## 1172 3 7
## 1173 547 86
## 1174 35 0
## 1175 15 0
## 1176 19 8
## 1177 8 0
## 1178 64 62
## 1179 19 0
## 1181 83 6
## 1182 76 6
## 1183 60 0
## 1184 3 21
## 1185 11 0
## 1186 8 2
## 1187 20 2
## 1188 101 0
## 1189 28 13
## 1190 7 0
## 1191 549 216
## 1192 70 37
## 1193 11 17
## 1194 34 10
## 1195 51 4
## 1196 100 20
## 1197 23 29
## 1198 137 15
## 1199 259 34
## 1201 57 13
## 1202 169 102
## 1203 29 4
## 1204 8 4
## 1205 689 84
## 1206 85 8
## 1207 801 21
## 1208 9 0
## 1209 4 0
## 1210 25 3
## 1211 24 4
## 1212 93 95
## 1213 242 50
## 1214 913 25
## 1215 39 6
## 1216 45 3
## 1217 88 32
## 1218 16 0
## 1219 505 99
## 1220 22 3
## 1221 3 4
## 1222 4 3
## 1223 109 48
## 1224 7 2
## 1225 16 3
## 1226 180 47
## 1227 106 20
## 1228 12 2
## 1229 17 4
## 1230 14 0
## 1231 59 7
## 1232 11 2
## 1233 8 8
## 1234 19 3
## 1235 9 0
## 1236 280 60
## 1237 19 2
## 1238 414 99
## 1239 13 8
## 1240 35 0
## 1241 2 3
## 1242 12 3
## 1243 147 54
## 1244 270 101
## 1245 121 12
## 1246 3 1
## 1247 18 8
## 1248 5 0
## 1249 4 0
## 1250 133 12
## 1251 514 38
## 1252 259 12
## 1253 265 115
## 1254 421 13
## 1255 123 10
## 1256 87 4
## 1257 47 20
## 1258 86 168
## 1259 2 0
## 1260 946 219
## 1261 8 4
## 1262 672 23
## 1263 415 90
## 1264 11 0
## 1265 12 0
## 1266 430 186
## 1267 152 8
## 1268 9 6
## 1269 33 2
## 1270 611 44
## 1271 104 50
## 1272 186 151
## 1273 52 3
## 1274 64 7
## 1275 29 12
## 1276 96 16
## 1277 11 2
## 1278 27 8
## 1279 106 55
## 1280 71 4
## 1281 687 145
## 1282 239 99
## 1283 20 0
## 1284 204 34
## 1285 78 133
## 1286 18 2
## 1287 24 6
## 1288 10 6
## 1289 842 137
## 1290 151 51
## 1291 5 6
## 1292 7 2
## 1293 24 6
## 1294 5 0
## 1295 9 0
## 1296 57 19
## 1297 14 3
## 1298 114 37
## 1299 622 207
## 1300 4 13
## 1301 9 2
## 1302 790 160
## 1303 8 6
## 1304 65 3
## 1305 376 94
## 1306 155 10
## 1307 51 8
## 1308 249 38
## 1309 69 0
## 1310 154 54
## 1311 189 0
## 1312 717 210
## 1313 74 11
## 1314 209 41
## 1315 111 36
## 1316 17 0
## 1317 73 59
## 1318 20 3
## 1319 21 6
## 1320 9 4
## 1321 537 34
## 1322 97 24
## 1323 231 112
## 1324 107 7
## 1325 13 16
## 1326 235 19
## 1327 25 6
## 1328 44 6
## 1329 26 4
## 1330 528 98
## 1331 17 3
## 1332 100 71
## 1333 217 172
## 1335 480 0
## 1336 54 71
## 1337 413 141
## 1338 40 4
## 1339 7 0
## 1340 78 20
## 1341 21 4
## 1342 61 0
## 1343 45 0
## 1344 8 23
## 1345 2 0
## 1346 21 19
## 1347 4 3
## 1348 92 65
## 1349 84 0
## 1350 395 116
## 1351 573 0
## 1352 452 182
## 1353 7 4
## 1354 75 33
## 1355 459 124
## 1356 215 171
## 1357 27 0
## 1358 259 77
## 1359 984 193
## 1360 31 4
## 1361 68 38
## 1362 14 8
## 1363 196 15
## 1364 238 56
## 1365 69 0
## 1366 205 160
## 1367 108 20
## 1368 10 2
## 1369 21 16
## 1370 59 15
## 1371 52 11
## 1372 24 4
## 1373 5 0
## 1374 24 6
## 1375 167 11
## 1376 38 0
## 1377 35 4
## 1378 14 0
## 1379 18 0
## 1380 65 26
## 1381 64 2
## 1382 34 11
## 1383 12 2
## 1384 9 2
## 1385 17 3
## 1386 694 51
## 1387 13 0
## 1388 7 0
## 1389 17 2
## 1390 374 104
## 1391 76 13
## 1392 29 4
## 1393 13 0
## 1394 12 15
## 1395 6 0
## 1396 115 30
## 1397 3 0
## 1398 16 8
## 1399 100 20
## 1400 79 65
## 1401 43 3
## 1402 49 0
## 1403 41 6
## 1404 39 17
## 1405 133 46
## 1406 21 4
## 1407 112 8
## 1408 222 130
## 1409 104 11
## 1410 16 2
## 1411 238 69
## 1412 272 104
## 1413 7 2
## 1414 520 242
## 1415 50 4
## 1416 139 51
## 1417 11 8
## 1418 39 16
## 1419 10 6
## 1420 16 0
## 1421 1 0
## 1423 253 16
## 1424 8 0
## 1425 7 23
## 1426 26 11
## 1427 2 0
## 1428 7 0
## 1429 17 8
## 1430 64 175
## 1431 13 2
## 1432 10 11
## 1433 118 110
## 1434 15 2
## 1435 67 3
## 1436 11 3
## 1437 43 3
## 1438 5 4
## 1439 11 3
## 1440 59 19
## 1441 19 10
## 1442 4 3
## 1443 23 4
## 1444 595 180
## 1445 672 246
## 1446 102 28
## 1447 553 72
## 1448 99 11
## 1449 348 71
## 1450 159 58
## 1451 92 19
## 1452 573 98
## 1453 601 0
## 1454 17 0
## 1455 180 86
## 1456 356 106
## 1457 52 2
## 1458 16 11
## 1459 731 89
## 1460 123 116
## 1461 21 7
## 1462 177 77
## 1463 2 0
## 1464 6 7
## 1465 10 2
## 1467 75 0
## 1468 345 75
## 1469 3 0
## 1470 352 91
## 1471 9 19
## 1472 58 13
## 1473 5 0
## 1474 553 188
## 1475 422 33
## 1476 26 12
## 1477 717 210
## 1478 13 0
## 1479 54 7
## 1480 60 0
## 1482 135 10
## 1483 12 3
## 1484 9 10
## 1485 259 197
## 1486 142 65
## 1487 687 20
## 1488 30 0
## 1489 161 69
## 1490 171 39
## 1491 309 55
## 1492 40 3
## 1493 815 97
## 1494 178 15
## 1495 30 0
## 1496 295 210
## 1497 12 3
## 1498 101 13
## 1499 253 91
## 1500 385 33
## 1501 57 20
## 1502 10 11
## 1503 108 4
## 1504 91 8
## 1506 125 11
## 1507 109 21
## 1509 170 58
## 1510 165 0
## 1511 400 45
## 1512 27 0
## 1513 428 99
## 1514 706 73
## 1515 10 6
## 1516 87 6
## 1517 85 10
## 1518 12 8
## 1519 40 4
## 1520 26 20
## 1523 21 11
## 1524 19 3
## 1525 1 0
## 1526 184 10
## 1527 377 149
## 1528 17 13
## 1529 560 42
## 1530 3 10
## 1531 219 19
## 1532 33 3
## 1533 134 0
## 1534 27 0
## 1535 7 0
## 1536 101 24
## 1537 7 2
## 1538 441 80
## 1539 76 0
## 1540 469 80
## 1541 24 4
## 1542 270 36
## 1543 701 149
## 1544 3 0
## 1545 115 10
## 1546 16 0
## 1547 12 25
## 1548 50 12
## 1549 179 46
## 1550 2 2
## 1551 27 6
## 1552 255 35
## 1553 368 13
## 1554 415 63
## 1555 217 29
## 1556 6 0
## 1557 44 6
## 1558 3 8
## 1559 22 8
## 1560 168 69
## 1561 59 19
## 1562 26 0
## 1563 4 4
## 1565 40 3
## 1566 88 15
## 1567 254 0
## 1568 171 142
## 1569 108 0
## 1570 180 12
## 1571 115 59
## 1572 14 0
## 1574 23 7
## 1575 108 4
## 1576 23 0
## 1577 67 10
## 1578 465 46
## 1579 66 3
## 1580 134 37
## 1581 5 0
## 1582 639 13
## 1583 573 52
## 1584 10 2
## 1586 8 4
## 1587 52 25
## 1588 68 16
## 1589 45 8
## 1590 625 63
## 1591 28 13
## 1592 315 97
## 1593 5 2
## 1594 74 11
## 1595 3 0
## 1596 50 4
## 1597 19 0
## 1598 129 3
## 1599 309 140
## 1600 6 3
## 1601 88 19
## 1602 649 253
## 1603 215 16
## 1604 6 0
## 1605 21 2
## 1606 4 0
## 1607 422 0
## 1608 230 34
## 1609 15 4
## 1610 69 12
## 1611 832 75
## 1612 15 11
## 1613 575 24
## 1614 128 23
## 1615 10 3
## 1616 215 169
## 1617 5 2
## 1618 99 15
## 1619 75 33
## 1620 76 12
## 1621 17 0
## 1622 20 0
## 1623 447 220
## 1624 104 6
## 1625 16 24
## 1626 6 0
## 1627 153 120
## 1628 142 71
## 1629 23 3
## 1630 35 3
## 1631 420 0
## 1632 51 6
## 1633 10 0
## 1634 8 0
## 1635 69 15
## 1636 70 0
## 1637 71 21
## 1638 373 111
## 1639 10 2
## 1640 5 4
## 1641 14 2
## 1643 214 13
## 1644 6 10
## 1646 6 0
## 1647 68 4
## 1648 179 28
## 1649 599 34
## 1650 32 17
## 1651 8 23
## 1652 265 35
## 1653 28 6
## 1655 5 0
## 1656 23 4
## 1657 76 4
## 1658 92 80
## 1659 160 84
## 1660 536 134
## 1661 143 45
## 1662 82 33
## 1663 230 32
## 1664 12 10
## 1665 15 8
## 1666 20 15
## 1667 91 29
## 1668 3 10
## 1669 199 39
## 1670 265 115
## 1671 46 3
## 1672 768 33
## 1673 673 52
## 1674 323 104
## 1675 363 123
## 1676 22 24
## 1677 110 39
## 1678 4 11
## 1679 73 0
## 1680 31 7
## 1681 499 76
## 1682 28 7
## 1683 10 0
## 1684 3 0
## 1685 41 3
## 1686 8 0
## 1687 850 21
## 1688 61 10
## 1689 206 116
## 1690 324 146
## 1691 82 7
## 1692 414 78
## 1693 5 0
## 1694 2 8
## 1695 19 12
## 1696 217 85
## 1697 4 2
## 1698 127 26
## 1699 2 0
## 1700 520 258
## 1701 342 0
## 1702 14 0
## 1703 19 16
## 1704 65 0
## 1705 16 6
## 1706 69 2
## 1707 194 16
## 1708 107 30
## 1709 124 179
## 1710 31 3
## 1711 835 80
## 1712 396 0
## 1713 11 2
## 1714 936 207
## 1715 11 12
## 1716 141 43
## 1717 367 39
## 1718 9 6
## 1719 71 7
## 1720 184 10
## 1721 1 3
## 1723 853 120
## 1724 558 62
## 1725 115 16
## 1726 31 15
## 1727 56 0
## 1728 13 3
## 1729 270 36
## 1730 217 198
## 1731 14 0
## 1732 7 23
## 1733 10 0
## 1734 509 104
## 1735 97 21
## 1737 223 21
## 1738 442 29
## 1739 131 32
## 1740 11 0
## 1741 12 0
## 1742 86 10
## 1743 29 2
## 1744 751 82
## 1745 62 0
## 1746 693 27
## 1747 3 7
## 1748 195 34
## 1749 206 102
## 1751 118 13
## 1752 106 49
## 1753 7 15
## 1754 47 6
## 1755 12 7
## 1756 4 7
## 1757 23 0
## 1758 60 4
## 1759 6 2
## 1760 204 16
## 1761 96 119
## 1762 8 8
## 1763 85 71
## 1764 171 65
## 1765 7 17
## 1766 250 93
## 1767 2 0
## 1768 413 141
## 1769 7 2
## 1770 26 2
## 1771 30 10
## 1772 63 2
## 1773 534 17
## 1774 462 168
## 1775 3 0
## 1776 56 0
## 1777 68 7
## 1778 46 3
## 1779 18 0
## 1780 112 138
## 1781 7 11
## 1782 21 0
## 1783 168 36
## 1784 170 34
## 1785 60 8
## 1786 56 0
## 1787 38 11
## 1788 30 12
## 1790 292 23
## 1791 15 12
## 1792 9 0
## 1793 350 151
## 1794 21 11
## 1795 41 10
## 1796 10 0
## 1797 90 0
## 1798 30 3
## 1799 70 11
## 1801 279 188
## 1802 629 145
## 1803 10 0
## 1804 137 4
## 1805 5 0
## 1806 165 0
## 1808 2 10
## 1810 586 89
## 1811 10 0
## 1812 163 0
## 1813 232 23
## 1814 565 91
## 1815 300 150
## 1816 9 0
## 1817 106 101
## 1818 419 90
## 1819 87 12
## 1820 3 0
## 1821 398 80
## 1822 9 0
## 1823 31 4
## 1824 141 73
## 1825 241 104
## 1826 11 0
## 1827 54 8
## 1828 697 216
## 1829 736 39
## 1830 36 37
## 1831 24 16
## 1832 22 2
## 1833 142 23
## 1834 66 12
## 1835 57 13
## 1836 24 4
## 1837 456 160
## 1838 43 0
## 1839 47 20
## 1840 397 76
## 1841 56 2
## 1842 602 63
## 1843 19 0
## 1844 408 37
## 1845 119 4
## 1846 273 0
## 1847 1 1
## 1848 28 13
## 1849 53 6
## 1850 8 6
## 1851 590 38
## 1852 4 3
## 1853 899 34
## 1854 816 20
## 1855 420 65
## 1856 72 0
## 1857 13 3
## 1858 18 6
## 1859 603 95
## 1860 203 6
## 1861 124 69
## 1862 0 6
## 1863 100 55
## 1864 239 103
## 1865 459 124
## 1866 71 15
## 1867 13 4
## 1868 10 3
## 1869 52 8
## 1870 754 159
## 1871 15 2
## 1872 153 150
## 1873 8 0
## 1874 132 0
## 1875 3 3
## 1876 6 4
## 1877 243 108
## 1878 445 181
## 1879 240 50
## 1880 338 60
## 1881 304 23
## 1882 6 0
## 1883 16 0
## 1884 157 43
## 1885 12 6
## 1886 133 56
## 1887 9 0
## 1888 835 65
## 1889 177 90
## 1890 110 54
## 1891 768 150
## 1892 612 99
## 1893 16 20
## 1894 56 0
## 1895 208 177
## 1896 43 25
## 1897 10 29
## 1898 430 62
## 1900 68 19
## 1901 18 3
## 1902 14 0
## 1903 80 20
## 1904 24 2
## 1905 18 0
## 1906 265 138
## 1907 237 12
## 1908 16 2
## 1909 9 7
## 1910 13 0
## 1911 352 184
## 1912 175 158
## 1913 430 60
## 1914 500 65
## 1915 71 0
## 1916 120 0
## 1917 8 23
## 1918 15 0
## 1919 24 15
## 1920 4 0
## 1921 5 10
## 1922 100 46
## 1924 281 129
## 1925 401 104
## 1926 9 0
## 1927 45 0
## 1928 753 40
## 1929 350 94
## 1930 157 25
## 1931 36 2
## 1932 127 8
## 1933 19 3
## 1934 18 3
## 1935 185 130
## 1936 15 3
## 1937 202 39
## 1938 30 20
## 1939 4 0
## 1940 4 13
## 1941 322 0
## 1942 14 3
## 1943 6 6
## 1944 216 151
## 1945 38 3
## 1946 654 104
## 1947 459 205
## 1948 350 111
## 1949 34 10
## 1950 26 12
## 1951 7 0
## 1952 103 90
## 1953 567 94
## 1954 653 28
## 1955 89 11
## 1956 345 84
## 1957 7 3
## 1958 86 45
## 1960 32 17
## 1961 98 81
## 1963 14 7
## 1964 44 10
## 1965 15 2
## 1966 815 173
## 1967 172 56
## 1968 239 128
## 1969 553 123
## 1970 376 17
## 1971 199 37
## 1972 9 0
## 1973 60 8
## 1974 73 4
## 1975 37 7
## 1977 137 153
## 1978 18 2
## 1979 17 0
## 1980 12 0
## 1981 62 11
## 1982 30 10
## 1983 797 106
## 1984 44 6
## 1985 81 20
## 1986 6 3
## 1987 33 0
## 1988 101 64
## 1989 54 3
## 1990 130 4
## 1991 592 145
## 1992 27 13
## 1993 746 94
## 1994 417 108
## 1995 9 2
## 1996 125 52
## 1997 117 179
## 1998 133 41
## 1999 141 0
## 2000 67 33
## 2001 8 3
## 2002 5 2
## 2003 19 20
## 2004 3 0
## 2005 16 0
## 2006 13 2
## 2007 428 208
## 2008 31 4
## 2009 49 17
## 2010 113 10
## 2011 932 180
## 2012 33 13
## 2013 735 40
## 2015 417 42
## 2016 2 2
## 2017 14 15
## 2018 16 4
## 2019 2 0
## 2020 5 0
## 2021 17 12
## 2022 29 4
## 2023 68 52
## 2024 242 45
## 2025 226 69
## 2026 17 7
## 2027 3 0
## 2028 6 4
## 2029 223 32
## 2030 17 13
## 2031 215 0
## 2032 322 46
## 2033 23 0
## 2034 364 119
## 2035 92 28
## 2036 76 36
## 2037 257 93
## 2038 216 63
## 2039 36 15
## 2040 323 201
## 2041 197 55
## 2042 650 16
## 2043 15 10
## 2044 7 3
## 2045 64 49
## 2046 99 4
## 2047 21 0
## 2048 264 120
## 2049 426 210
## 2050 535 73
## 2051 12 0
## 2052 51 6
## 2053 214 69
## 2054 16 0
## 2055 11 3
## 2056 27 12
## 2057 447 20
## 2058 168 69
## 2059 143 0
## 2060 48 94
## 2061 56 20
## 2062 15 0
## 2063 348 71
## 2064 11 0
## 2065 217 29
## 2066 133 23
## 2067 15 17
## 2068 332 21
## 2069 20 16
## 2070 15 2
## 2071 94 12
## 2072 178 103
## 2073 11 0
## 2074 267 85
## 2075 414 121
## 2076 241 13
## 2077 4 0
## 2078 24 34
## 2079 16 0
## 2080 22 0
## 2081 46 38
## 2082 21 12
## 2083 23 13
## 2084 385 33
## 2085 490 164
## 2086 161 62
## 2087 607 67
## 2088 380 114
## 2089 15 2
## 2090 5 2
## 2091 140 10
## 2092 4 15
## 2093 124 24
## 2095 223 32
## 2096 10 2
## 2097 445 250
## 2098 26 8
## 2100 128 33
## 2101 8 2
## 2102 356 63
## 2103 8 7
## 2104 230 16
## 2105 11 16
## 2106 5 3
## 2107 44 6
## 2108 179 0
## 2109 39 3
## 2111 253 56
## 2112 133 11
## 2113 9 2
## 2114 17 7
## 2115 180 20
## 2116 152 25
## 2117 5 26
## 2118 174 13
## 2119 450 55
## 2120 8 2
## 2121 56 12
## 2122 4 0
## 2123 11 4
## 2124 98 136
## 2125 10 0
## 2126 414 99
## 2127 107 19
## 2128 359 46
## 2129 292 0
## 2130 2 0
## 2131 14 7
## 2132 883 50
## 2133 2 1
## 2134 2 20
## 2135 500 199
## 2136 61 4
## 2137 50 6
## 2138 6 4
## 2139 48 4
## 2140 37 4
## 2141 9 3
## 2142 11 3
## 2143 12 8
## 2144 11 16
## 2145 92 0
## 2146 170 47
## 2147 8 0
## 2148 22 0
## 2149 114 15
## 2150 13 3
## 2151 16 0
## 2153 11 13
## 2154 50 6
## 2155 5 4
## 2156 23 4
## 2157 44 10
## 2158 7 4
## 2159 115 19
## 2160 89 34
## 2161 399 60
## 2162 48 4
## 2163 111 50
## 2164 614 133
## 2165 3 8
## 2166 20 4
## 2167 300 150
## 2169 133 94
## 2170 10 0
## 2171 32 13
## 2172 129 13
## 2173 155 192
## 2174 286 50
## 2175 70 0
## 2176 518 193
## 2178 50 4
## 2179 44 30
## 2180 82 6
## 2181 18 0
## 2182 21 0
## 2183 11 3
## 2184 10 12
## 2185 9 3
## 2186 217 62
## 2187 167 130
## 2188 749 59
## 2189 500 199
## 2190 12 11
## 2191 655 145
## 2192 7 0
## 2193 2 3
## 2194 845 202
## 2195 363 52
## 2196 13 4
## 2197 48 10
## 2198 124 11
## 2199 38 13
## 2200 16 2
## 2201 16 21
## 2202 300 65
## 2203 50 4
## 2204 156 71
## 2205 8 23
## 2206 23 0
## 2207 495 182
## 2208 10 0
## 2209 3 15
## 2210 5 0
## 2211 131 32
## 2213 17 2
## 2214 631 72
## 2215 7 1
## 2216 5 0
## 2217 19 3
## 2218 377 149
## 2219 8 0
## 2220 129 26
## 2221 88 11
## 2222 538 69
## 2223 11 3
## 2224 12 0
## 2225 58 8
## 2226 68 38
## 2227 106 15
## 2228 137 4
## 2230 8 20
## 2231 26 7
## 2232 143 13
## 2233 6 3
## 2234 18 8
## 2235 7 6
## 2236 182 42
## 2237 30 0
## 2238 217 32
## 2239 214 80
## 2240 61 2
##
## $subset
## NULL
##
## $outlierMethod
## [1] "none"
##
## attr(,"class")
## [1] "mvn"Kode ini digunakan untuk menguji normalitas multivariat menggunakan uji Mardia. Uji ini penting dalam SEM karena asumsi normalitas multivariat harus dipenuhi agar estimasi model valid. Hasil uji Mardia menunjukkan nilai skewness sebesar 7683,090 dan kurtosis sebesar 77,558 dengan p-value < 0,001, sehingga data tidak berdistribusi normal secara multivariat. Uji Anderson-Darling pada seluruh variabel juga menghasilkan p-value < 0,001 yang menunjukkan tidak adanya variabel yang berdistribusi normal. Nilai skewness tertinggi terdapat pada MntFishProducts (1,941) dan MntMeatProducts (1,738), sedangkan nilai kurtosis tertinggi terdapat pada MntFishProducts (6,248). Selain itu, deteksi outlier menggunakan Mahalanobis Distance mengidentifikasi beberapa observasi yang berada jauh di atas batas kritis hingga mencapai sekitar 200. Oleh karena itu, data dinyatakan tidak memenuhi asumsi normalitas dan mengandung outlier multivariat.
# Reliabilitas Customer Engagement
psych::alpha(
sem_data[, c(
"NumWebPurchases",
"NumCatalogPurchases",
"NumStorePurchases"
)]
)## Number of categories should be increased in order to count frequencies.##
## Reliability analysis
## Call: psych::alpha(x = sem_data[, c("NumWebPurchases", "NumCatalogPurchases",
## "NumStorePurchases")])
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd median_r
## 0.78 0.78 0.71 0.55 3.6 0.0079 4.1 2.4 0.57
##
## 95% confidence boundaries
## lower alpha upper
## Feldt 0.76 0.78 0.8
## Duhachek 0.77 0.78 0.8
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se var.r
## NumWebPurchases 0.74 0.75 0.59 0.59 2.9 0.011 NA
## NumCatalogPurchases 0.72 0.73 0.57 0.57 2.6 0.012 NA
## NumStorePurchases 0.64 0.64 0.48 0.48 1.8 0.015 NA
## med.r
## NumWebPurchases 0.59
## NumCatalogPurchases 0.57
## NumStorePurchases 0.48
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## NumWebPurchases 2171 0.80 0.82 0.66 0.59 4.0 2.6
## NumCatalogPurchases 2171 0.82 0.83 0.69 0.61 2.5 2.7
## NumStorePurchases 2171 0.88 0.86 0.77 0.68 5.7 3.2# Reliabilitas Customer Spending
psych::alpha(
sem_data[, c(
"MntWines",
"MntMeatProducts",
"MntFishProducts"
)]
)## Number of categories should be increased in order to count frequencies.##
## Reliability analysis
## Call: psych::alpha(x = sem_data[, c("MntWines", "MntMeatProducts",
## "MntFishProducts")])
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd median_r
## 0.64 0.79 0.74 0.56 3.8 0.0079 161 170 0.62
##
## 95% confidence boundaries
## lower alpha upper
## Feldt 0.61 0.64 0.66
## Duhachek 0.62 0.64 0.65
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se var.r med.r
## MntWines 0.46 0.78 0.64 0.64 3.5 0.0088 NA 0.64
## MntMeatProducts 0.23 0.58 0.41 0.41 1.4 0.0095 NA 0.41
## MntFishProducts 0.72 0.77 0.62 0.62 3.3 0.0102 NA 0.62
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## MntWines 2171 0.93 0.81 0.66 0.62 292 323
## MntMeatProducts 2171 0.86 0.90 0.84 0.68 156 205
## MntFishProducts 2171 0.62 0.81 0.67 0.55 35 51Kode ini digunakan untuk mengukur reliabilitas setiap konstruk menggunakan Cronbach’s Alpha. Nilai alpha di atas 0.6 menunjukkan bahwa indikator-indikator dalam satu konstruk memiliki konsistensi internal yang cukup baik.
#Standarisasi
sem_data <- scale(sem_data)
sem_data <- as.data.frame(sem_data)Kode ini digunakan untuk menstandarisasi semua variabel agar memiliki mean 0 dan standar deviasi 1. Hal ini dilakukan agar skala antar variabel seragam sehingga hasil analisis lebih mudah dibandingkan.
#model CFA V1
model_cfa <- '
# Konstruk Customer Engagement
CustomerEngagement =~
NumWebPurchases +
NumCatalogPurchases +
NumStorePurchases
# Konstruk Customer Spending
CustomerSpending =~
MntWines +
MntMeatProducts +
MntFishProducts
# Covariance antar indikator
MntWines ~~ MntMeatProducts
MntMeatProducts ~~ MntFishProducts
'Kode ini mendefinisikan dan mengestimasi model CFA awal dengan dua konstruk laten. Estimator MLR digunakan karena lebih robust terhadap data yang tidak normal sempurna. Model Confirmatory Factor Analysis (CFA) terdiri atas dua konstruk laten, yaitu Customer Engagement dan Customer Spending. Konstruk Customer Engagement diukur menggunakan tiga indikator, yaitu jumlah pembelian melalui website (NumWebPurchases), katalog (NumCatalogPurchases), dan toko fisik (NumStorePurchases). Sementara itu, konstruk Customer Spending diukur menggunakan pengeluaran pelanggan pada produk wine (MntWines), produk daging (MntMeatProducts), dan produk ikan (MntFishProducts). Selain hubungan antara konstruk laten dan indikatornya, model juga mengakomodasi kovarians antar indikator MntWines dengan MntMeatProducts serta MntMeatProducts dengan MntFishProducts untuk menangkap hubungan tambahan yang tidak sepenuhnya dijelaskan oleh konstruk Customer Spending.
#CFA
fit_cfa <- cfa(model_cfa,
data = sem_data,
estimator = "MLR")## Warning: lavaan->lav_object_post_check():
## covariance matrix of latent variables is not positive definite ; use
## lavInspect(fit, "cov.lv") to investigate.#Hasil CFA
summary(fit_cfa,
fit.measures = TRUE,
standardized = TRUE)## lavaan 0.6-21 ended normally after 35 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 15
##
## Number of observations 2171
##
## Model Test User Model:
## Standard Scaled
## Test Statistic 424.563 264.132
## Degrees of freedom 6 6
## P-value (Chi-square) 0.000 0.000
## Scaling correction factor 1.607
## Yuan-Bentler correction (Mplus variant)
##
## Model Test Baseline Model:
##
## Test statistic 7414.729 3909.062
## Degrees of freedom 15 15
## P-value 0.000 0.000
## Scaling correction factor 1.897
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.943 0.934
## Tucker-Lewis Index (TLI) 0.859 0.834
##
## Robust Comparative Fit Index (CFI) 0.944
## Robust Tucker-Lewis Index (TLI) 0.860
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -14985.009 -14985.009
## Scaling correction factor 1.844
## for the MLR correction
## Loglikelihood unrestricted model (H1) -14772.728 -14772.728
## Scaling correction factor 1.777
## for the MLR correction
##
## Akaike (AIC) 30000.018 30000.018
## Bayesian (BIC) 30085.263 30085.263
## Sample-size adjusted Bayesian (SABIC) 30037.606 30037.606
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.179 0.141
## 90 Percent confidence interval - lower 0.165 0.130
## 90 Percent confidence interval - upper 0.194 0.152
## P-value H_0: RMSEA <= 0.050 0.000 0.000
## P-value H_0: RMSEA >= 0.080 1.000 1.000
##
## Robust RMSEA 0.178
## 90 Percent confidence interval - lower 0.160
## 90 Percent confidence interval - upper 0.197
## P-value H_0: Robust RMSEA <= 0.050 0.000
## P-value H_0: Robust RMSEA >= 0.080 1.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.052 0.052
##
## Parameter Estimates:
##
## Standard errors Sandwich
## Information bread Observed
## Observed information based on Hessian
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## CustomerEngagement =~
## NumWebPurchass 1.000 0.608 0.608
## NumCatlgPrchss 1.384 0.053 25.976 0.000 0.841 0.841
## NumStorePrchss 1.202 0.041 29.139 0.000 0.730 0.731
## CustomerSpending =~
## MntWines 1.000 0.740 0.740
## MntMeatProdcts 0.903 0.029 31.583 0.000 0.668 0.669
## MntFishProdcts 0.750 0.031 24.511 0.000 0.555 0.555
##
## Covariances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .MntWines ~~
## .MntMeatProdcts 0.130 0.017 7.851 0.000 0.130 0.260
## .MntMeatProducts ~~
## .MntFishProdcts 0.267 0.022 12.358 0.000 0.267 0.432
## CustomerEngagement ~~
## CustomerSpndng 0.541 0.022 25.164 0.000 1.203 1.203
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .NumWebPurchass 0.630 0.023 27.942 0.000 0.630 0.631
## .NumCatlgPrchss 0.292 0.018 15.853 0.000 0.292 0.293
## .NumStorePrchss 0.466 0.019 24.206 0.000 0.466 0.466
## .MntWines 0.452 0.029 15.808 0.000 0.452 0.452
## .MntMeatProdcts 0.553 0.030 18.541 0.000 0.553 0.553
## .MntFishProdcts 0.692 0.037 18.654 0.000 0.692 0.692
## CustomrEnggmnt 0.369 0.023 15.928 0.000 1.000 1.000
## CustomerSpndng 0.548 0.028 19.299 0.000 1.000 1.000Hasil Confirmatory Factor Analysis (CFA) menunjukkan bahwa model terdiri atas dua konstruk laten, yaitu Customer Engagement dan Customer Spending. Seluruh indikator memiliki loading factor di atas 0,50 dan signifikan pada tingkat signifikansi 5% (p < 0,001), sehingga dinyatakan valid dalam mengukur konstruknya masing-masing. Pada konstruk Customer Engagement, indikator dengan kontribusi terbesar adalah NumCatalogPurchases (0,841), sedangkan pada konstruk Customer Spending indikator terkuat adalah MntWines (0,740). Evaluasi goodness of fit menunjukkan nilai CFI sebesar 0,943 dan SRMR sebesar 0,052 yang mengindikasikan kecocokan model yang baik, namun nilai TLI sebesar 0,859 dan RMSEA sebesar 0,179 menunjukkan model belum sepenuhnya fit. Oleh karena itu, model dapat dikatakan memiliki kecocokan yang cukup baik tetapi masih memerlukan modifikasi untuk memperoleh tingkat fit yang lebih optimal. Selain itu, terdapat hubungan positif yang signifikan antara Customer Engagement dan Customer Spending (0,541), yang menunjukkan bahwa pelanggan dengan tingkat keterlibatan yang lebih tinggi cenderung memiliki pengeluaran yang lebih besar.
Loading Factor CFA
subset(
standardizedSolution(fit_cfa),
op == "=~"
)## lhs op rhs est.std se z pvalue
## 1 CustomerEngagement =~ NumWebPurchases 0.608 0.015 40.171 0
## 2 CustomerEngagement =~ NumCatalogPurchases 0.841 0.009 97.081 0
## 3 CustomerEngagement =~ NumStorePurchases 0.731 0.012 59.108 0
## 4 CustomerSpending =~ MntWines 0.740 0.016 47.320 0
## 5 CustomerSpending =~ MntMeatProducts 0.669 0.015 44.380 0
## 6 CustomerSpending =~ MntFishProducts 0.555 0.016 35.667 0
## ci.lower ci.upper
## 1 0.578 0.637
## 2 0.824 0.858
## 3 0.706 0.755
## 4 0.710 0.771
## 5 0.639 0.698
## 6 0.525 0.586Visualisasi Loading Factor CFA
loading_factor <- subset(
standardizedSolution(fit_cfa),
op == "=~"
)
ggplot(
loading_factor,
aes(
x = rhs,
y = est.std,
fill = lhs
)
) +
geom_bar(
stat = "identity",
position = "dodge"
) +
labs(
title = "Loading Factor CFA",
x = "Indikator",
y = "Loading Factor Standar"
) +
theme_minimal()
Berdasarkan grafik loading factor CFA, seluruh indikator memiliki nilai
loading factor di atas 0.50 sehingga dinyatakan valid dalam mengukur
konstruk laten yang dibentuk. Pada konstruk Customer Engagement,
indikator yang paling dominan adalah NumCatalogPurchases dengan loading
factor sebesar 0.841, diikuti oleh NumStorePurchases sebesar 0.731 dan
NumWebPurchases sebesar 0.608. Sementara itu, pada konstruk Customer
Spending, indikator dengan kontribusi terbesar adalah MntWines sebesar
0.740, diikuti MntMeatProducts sebesar 0.669 dan MntFishProducts sebesar
0.555. Hasil ini menunjukkan bahwa seluruh indikator mampu
merepresentasikan konstruknya dengan baik, dengan pembelian melalui
katalog menjadi indikator terkuat untuk Customer Engagement dan
pengeluaran wine menjadi indikator terkuat untuk Customer Spending.
#Fit
fitMeasures(fit_cfa,
c(
"chisq",
"df",
"pvalue",
"cfi",
"tli",
"gfi",
"agfi",
"rmsea",
"srmr"
)
)## chisq df pvalue cfi tli gfi agfi rmsea srmr
## 424.563 6.000 0.000 0.943 0.859 0.935 0.772 0.179 0.052Hasil CFA v1 menunjukkan model belum fit dimana, TLI sebesar 0.859 (di bawah threshold 0.90) dan RMSEA sebesar 0.179 (jauh di atas threshold 0.08 (poor fit)). Meskipun CFI = 0.943 dan SRMR = 0.052 sudah memenuhi, RMSEA yang sangat tinggi mengindikasikan model perlu diperbaiki. Solusi yang dapat dilakukan adalah cek Modification Index untuk identifikasi dan kovariansi residual yang perlu ditambahkan.
reliability(fit_cfa)## Warning in reliability(fit_cfa):
## The reliability() function was deprecated in 2022 and will cease to be included in future versions of semTools. See help('semTools-deprecated) for details.
##
## It is replaced by the compRelSEM() function, which can estimate alpha and model-based reliability in an even wider variety of models and data types, with greater control in specifying the desired type of reliability coefficient (i.e., more explicitly choosing assumptions).
##
## The average variance extracted should never have been included because it is not a reliability coefficient. It is now available from the AVE() function.## CustomerEngagement CustomerSpending
## alpha 0.7832987 0.7911385
## omega 0.7737228 0.6075702
## omega2 0.7737228 0.6075702
## omega3 0.7565854 0.6075702
## avevar 0.5369089 0.4343634Hasil pengujian reliabilitas menunjukkan bahwa konstruk Customer Engagement memiliki nilai Cronbach’s Alpha sebesar 0.783 dan Composite Reliability sebesar 0.774, sedangkan Customer Spending memiliki nilai Cronbach’s Alpha sebesar 0.791 dan Composite Reliability sebesar 0.608. Berdasarkan nilai tersebut, Customer Engagement memenuhi kriteria reliabilitas yang baik, sementara Customer Spending masih berada pada kategori cukup karena nilai Composite Reliability sedikit di atas batas minimum 0.60. Pengujian validitas konvergen menggunakan Average Variance Extracted (AVE) menunjukkan bahwa Customer Engagement memiliki nilai AVE sebesar 0.537 sehingga memenuhi kriteria validitas konvergen (>0.50). Sebaliknya, Customer Spending memiliki nilai AVE sebesar 0.434 yang masih berada di bawah batas yang direkomendasikan, sehingga validitas konvergennya belum optimal. Secara keseluruhan, konstruk Customer Engagement menunjukkan kualitas pengukuran yang lebih baik dibandingkan Customer Spending baik dari aspek reliabilitas maupun validitas konstruk.
Modification Index
modindices(
fit_cfa,
sort = TRUE,
minimum.value = 10
)## Warning: lavaan->lav_start_check_cov():
## starting values imply a correlation larger than 1; variables involved are:
## CustomerEngagement CustomerSpending## lhs op rhs mi epc sepc.lv sepc.all
## 31 NumCatalogPurchases ~~ MntMeatProducts 213.111 0.147 0.147 0.366
## 26 NumWebPurchases ~~ MntWines 192.808 0.185 0.185 0.347
## 29 NumCatalogPurchases ~~ NumStorePurchases 155.638 -0.217 -0.217 -0.587
## 18 CustomerEngagement =~ MntWines 119.370 0.650 0.395 0.395
## 24 NumWebPurchases ~~ NumCatalogPurchases 107.321 -0.148 -0.148 -0.345
## 25 NumWebPurchases ~~ NumStorePurchases 95.313 0.139 0.139 0.257
## 36 MntWines ~~ MntFishProducts 92.661 -0.299 -0.299 -0.536
## 33 NumStorePurchases ~~ MntWines 90.860 0.116 0.116 0.252
## 27 NumWebPurchases ~~ MntMeatProducts 83.121 -0.108 -0.108 -0.182
## 32 NumCatalogPurchases ~~ MntFishProducts 17.878 0.050 0.050 0.110
## 4 CustomerSpending =~ MntWines 17.150 0.216 0.160 0.160
## 34 NumStorePurchases ~~ MntMeatProducts 16.958 -0.044 -0.044 -0.087
## 20 CustomerEngagement =~ MntFishProducts 15.076 0.209 0.127 0.127
## 19 CustomerEngagement =~ MntMeatProducts 11.630 0.159 0.097 0.097
## sepc.nox
## 31 0.366
## 26 0.347
## 29 -0.587
## 18 0.395
## 24 -0.345
## 25 0.257
## 36 -0.536
## 33 0.252
## 27 -0.182
## 32 0.110
## 4 0.160
## 34 -0.087
## 20 0.127
## 19 0.097Kode ini digunakan untuk mengidentifikasi kovariansi residual yang perlu ditambahkan ke model. Pasangan indikator dengan nilai MI tinggi menunjukkan adanya hubungan yang belum tertangkap oleh model.
model_cfa_v2 <- '
# Konstruk
CustomerEngagement =~
NumWebPurchases +
NumCatalogPurchases +
NumStorePurchases
CustomerSpending =~
MntWines +
MntMeatProducts +
MntFishProducts
# Kovariansi residual yang sudah ada
MntWines ~~ MntMeatProducts
MntMeatProducts ~~ MntFishProducts
# Tambahan baru berdasarkan MI
NumCatalogPurchases ~~ MntMeatProducts
NumWebPurchases ~~ MntWines
NumCatalogPurchases ~~ NumStorePurchases
NumWebPurchases ~~ NumCatalogPurchases
'Kode diatas ini mendefinisikan dan mengestimasi model CFA yang sudah diperbaiki dengan menambahkan kovariansi residual berdasarkan hasil Modification Index. Hasilnya menunjukkan peningkatan fit yang signifikan.
fit_cfa_v2 <- cfa(model_cfa_v2,
data = sem_data,
estimator = "MLR")## Warning: lavaan->lav_object_post_check():
## some estimated ov variances are negative# Cek fit measures v2
fitMeasures(fit_cfa_v2,
c("chisq", "df", "pvalue",
"cfi", "tli", "rmsea", "srmr"))## chisq df pvalue cfi tli rmsea srmr
## 31.938 2.000 0.000 0.996 0.970 0.083 0.015Berdasarkan hasil evaluasi goodness of fit, model menunjukkan tingkat kecocokan yang sangat baik dengan data. Nilai Comparative Fit Index (CFI = 0.996) dan Tucker-Lewis Index (TLI = 0.970) telah melebihi batas minimum 0.95, sedangkan nilai Standardized Root Mean Square Residual (SRMR = 0.015) berada jauh di bawah batas maksimum 0.08. Meskipun nilai Root Mean Square Error of Approximation (RMSEA = 0.083) masih sedikit di atas batas ideal 0.08 dan uji Chi-Square menghasilkan p-value < 0.001, kondisi ini masih dapat diterima mengingat ukuran sampel yang besar. Oleh karena itu, secara keseluruhan model dapat dinyatakan memiliki good fit dan layak digunakan untuk analisis lebih lanjut.
modindices(
fit_cfa_v2,
sort = TRUE,
minimum.value = 10
)## Warning in sqrt(var.lhs.value * var.rhs.value): NaNs produced## Warning: lavaan->lav_start_check_cov():
## starting values imply NaN for a correlation value; variables involved are:
## NumCatalogPurchases MntMeatProducts## lhs op rhs mi epc sepc.lv sepc.all
## 26 CustomerSpending =~ NumCatalogPurchases 132.293 -0.456 -0.330 -0.330
## 22 CustomerEngagement =~ MntWines 72.499 0.447 0.273 0.274
## 4 CustomerSpending =~ MntWines 70.353 0.403 0.292 0.292
## 31 NumCatalogPurchases ~~ MntWines 56.544 0.132 0.132 0.191
## 36 MntWines ~~ MntFishProducts 47.240 -0.176 -0.176 -0.311
## 32 NumCatalogPurchases ~~ MntFishProducts 38.949 0.134 0.134 0.164
## 35 NumStorePurchases ~~ MntFishProducts 22.449 -0.074 -0.074 -0.225
## sepc.nox
## 26 -0.330
## 22 0.274
## 4 0.292
## 31 0.191
## 36 -0.311
## 32 0.164
## 35 -0.225Visualisasi Model CFA
# Perbesar ukuran output
options(repr.plot.width = 12, repr.plot.height = 8)semPaths(
fit_cfa_v2,
what = "std",
whatLabels = "std",
layout = "tree",
edge.label.cex = 1.2, # ukuran label angka
residuals = FALSE,
intercepts = FALSE,
nCharNodes = 0,
sizeMan = 8, # ukuran kotak indikator (lebih besar)
sizeLat = 10, # ukuran lingkaran konstruk (lebih besar)
width = 10, # lebar diagram
height = 6, # tinggi diagram
mar = c(3, 3, 3, 3) # margin
)
Berdasarkan gambar diatas, diagram CFA menunjukkan hubungan antara dua
konstruk utama yaitu Customer Engagement dan Customer Spending dengan
masing-masing indikatornya. Konstruk Customer Engagement diukur melalui
NumWebPurchases (0.61), NumCatalogPurchases (1.03), dan
NumStorePurchases (0.92), sedangkan Customer Spending diukur melalui
MntWines (0.72), MntMeatProducts (0.61), dan MntFishProducts (0.57).
Seluruh indikator memiliki nilai loading factor yang valid dalam
mengukur konstruknya masing-masing. Garis putus-putus dengan nilai 0.98
menunjukkan bahwa kedua konstruk memiliki hubungan yang sangat erat.
Sementara garis merah menunjukkan kovariansi residual negatif antar
beberapa indikator, dimana pelanggan yang sering belanja via katalog
cenderung lebih jarang belanja langsung ke toko (-3.44), dan pelanggan
yang sering belanja online cenderung lebih jarang menggunakan katalog
(-0.76). Hal ini wajar karena ketiga channel tersebut saling
menggantikan satu sama lain.
#Model SEM
model_sem_v2<- '
CustomerEngagement =~
NumWebPurchases +
NumCatalogPurchases +
NumStorePurchases
CustomerSpending =~
MntWines +
MntMeatProducts +
MntFishProducts
# Structural
CustomerSpending ~ CustomerEngagement
# Kovariansi residual
MntWines ~~ MntMeatProducts
MntMeatProducts ~~ MntFishProducts
NumCatalogPurchases ~~ MntMeatProducts
NumWebPurchases ~~ MntWines
NumCatalogPurchases ~~ NumStorePurchases
NumWebPurchases ~~ NumCatalogPurchases
'
fit_sem_v2 <- sem(model_sem_v2,
data = sem_data,
estimator = "MLR")## Warning: lavaan->lav_object_post_check():
## some estimated ov variances are negative#Hasil SEM
summary(fit_sem_v2,
fit.measures = TRUE,
standardized = TRUE,
rsquare = TRUE)## lavaan 0.6-21 ended normally after 38 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 19
##
## Number of observations 2171
##
## Model Test User Model:
## Standard Scaled
## Test Statistic 31.938 20.473
## Degrees of freedom 2 2
## P-value (Chi-square) 0.000 0.000
## Scaling correction factor 1.560
## Yuan-Bentler correction (Mplus variant)
##
## Model Test Baseline Model:
##
## Test statistic 7414.729 3909.062
## Degrees of freedom 15 15
## P-value 0.000 0.000
## Scaling correction factor 1.897
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.996 0.995
## Tucker-Lewis Index (TLI) 0.970 0.964
##
## Robust Comparative Fit Index (CFI) 0.996
## Robust Tucker-Lewis Index (TLI) 0.971
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -14788.697 -14788.697
## Scaling correction factor 1.799
## for the MLR correction
## Loglikelihood unrestricted model (H1) -14772.728 -14772.728
## Scaling correction factor 1.777
## for the MLR correction
##
## Akaike (AIC) 29615.394 29615.394
## Bayesian (BIC) 29723.370 29723.370
## Sample-size adjusted Bayesian (SABIC) 29663.004 29663.004
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.083 0.065
## 90 Percent confidence interval - lower 0.059 0.046
## 90 Percent confidence interval - upper 0.110 0.087
## P-value H_0: RMSEA <= 0.050 0.013 0.094
## P-value H_0: RMSEA >= 0.080 0.613 0.134
##
## Robust RMSEA 0.081
## 90 Percent confidence interval - lower 0.052
## 90 Percent confidence interval - upper 0.115
## P-value H_0: Robust RMSEA <= 0.050 0.041
## P-value H_0: Robust RMSEA >= 0.080 0.575
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.015 0.015
##
## Parameter Estimates:
##
## Standard errors Sandwich
## Information bread Observed
## Observed information based on Hessian
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## CustomerEngagement =~
## NumWebPurchass 1.000 0.611 0.613
## NumCatlgPrchss 1.687 0.082 20.454 0.000 1.031 1.032
## NumStorePrchss 1.499 0.068 22.133 0.000 0.916 0.916
## CustomerSpending =~
## MntWines 1.000 0.723 0.725
## MntMeatProdcts 0.848 0.030 28.269 0.000 0.613 0.615
## MntFishProdcts 0.792 0.033 23.695 0.000 0.573 0.573
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## CustomerSpending ~
## CustomrEnggmnt 1.155 0.038 30.040 0.000 0.975 0.975
##
## Covariances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .MntWines ~~
## .MntMeatProdcts 0.184 0.018 10.307 0.000 0.184 0.340
## .MntMeatProducts ~~
## .MntFishProdcts 0.276 0.021 13.299 0.000 0.276 0.429
## .NumCatalogPurchases ~~
## .MntMeatProdcts 0.120 0.019 6.351 0.000 0.120 0.599
## .NumWebPurchases ~~
## .MntWines 0.169 0.021 8.133 0.000 0.169 0.313
## .NumCatalogPurchases ~~
## .NumStorePrchss -0.350 0.037 -9.449 0.000 -0.350 -3.444
## .NumWebPurchases ~~
## .NumCatlgPrchss -0.153 0.020 -7.794 0.000 -0.153 -0.764
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .NumWebPurchass 0.621 0.027 23.110 0.000 0.621 0.624
## .NumCatlgPrchss -0.064 0.049 -1.325 0.185 -0.064 -0.065
## .NumStorePrchss 0.160 0.032 4.970 0.000 0.160 0.160
## .MntWines 0.473 0.028 17.089 0.000 0.473 0.475
## .MntMeatProdcts 0.619 0.035 17.580 0.000 0.619 0.622
## .MntFishProdcts 0.672 0.036 18.476 0.000 0.672 0.672
## CustomrEnggmnt 0.373 0.024 15.423 0.000 1.000 1.000
## .CustomerSpndng 0.025 0.024 1.066 0.286 0.049 0.049
##
## R-Square:
## Estimate
## NumWebPurchass 0.376
## NumCatlgPrchss NA
## NumStorePrchss 0.840
## MntWines 0.525
## MntMeatProdcts 0.378
## MntFishProdcts 0.328
## CustomerSpndng 0.951Kode ini menunjukkan adanya seluruh indikator memiliki nilai p-value kurang dari 0,05 sehingga signifikan dalam membentuk konstruk laten yang diukur. Konstruk Customer Engagement dibentuk oleh indikator NumWebPurchases, NumCatalogPurchases, dan NumStorePurchases. Sementara itu, konstruk Customer Spending dibentuk oleh indikator MntWines, MntMeatProducts, dan MntFishProducts. Selain itu, terdapat pengaruh positif yang signifikan dari Customer Engagement terhadap Customer Spending dengan koefisien standar sebesar 0,975 (p < 0,001).
#FIT Measures
fitMeasures(
fit_sem_v2,
c(
"chisq",
"df",
"pvalue",
"cfi",
"tli",
"gfi",
"agfi",
"rmsea",
"srmr"
)
)## chisq df pvalue cfi tli gfi agfi rmsea srmr
## 31.938 2.000 0.000 0.996 0.970 0.995 0.949 0.083 0.015Kode ini sebagian besar indeks Goodness of Fit menunjukkan bahwa model memiliki tingkat kecocokan yang baik. Nilai CFI (0,996), TLI (0,970), GFI (0,995), AGFI (0,949), dan SRMR (0,015) telah memenuhi kriteria model fit. Nilai RMSEA sebesar 0,083 berada sedikit di atas batas ideal 0,08 sehingga dikategorikan sebagai marginal fit. Meskipun nilai p-value Chi-Square menunjukkan hasil yang signifikan (p < 0,05), indeks fit lainnya menunjukkan bahwa model secara keseluruhan memiliki kecocokan yang baik dan layak digunakan untuk analisis lebih lanjut.
fit <- fitMeasures(
fit_sem_v2,
c(
"cfi",
"tli",
"rmsea",
"srmr"
)
)
cat("Interpretasi Goodness of Fit\n")## Interpretasi Goodness of Fitif(fit["cfi"] > 0.90){
cat("- CFI menunjukkan model baik\n")
} else {
cat("- CFI menunjukkan model kurang baik\n")
}## - CFI menunjukkan model baikif(fit["tli"] > 0.90){
cat("- TLI menunjukkan model baik\n")
} else {
cat("- TLI menunjukkan model kurang baik\n")
}## - TLI menunjukkan model baikif(fit["rmsea"] < 0.08){
cat("- RMSEA menunjukkan fit yang baik\n")
} else {
cat("- RMSEA menunjukkan fit kurang baik\n")
}## - RMSEA menunjukkan fit kurang baikif(fit["srmr"] < 0.08){
cat("- SRMR menunjukkan fit yang baik\n")
} else {
cat("- SRMR menunjukkan fit kurang baik\n")
}## - SRMR menunjukkan fit yang baikstandardizedSolution(fit_sem_v2)## lhs op rhs est.std se z pvalue
## 1 CustomerEngagement =~ NumWebPurchases 0.613 0.017 35.226 0.000
## 2 CustomerEngagement =~ NumCatalogPurchases 1.032 0.024 43.775 0.000
## 3 CustomerEngagement =~ NumStorePurchases 0.916 0.018 52.175 0.000
## 4 CustomerSpending =~ MntWines 0.725 0.015 47.489 0.000
## 5 CustomerSpending =~ MntMeatProducts 0.615 0.018 34.538 0.000
## 6 CustomerSpending =~ MntFishProducts 0.573 0.016 36.076 0.000
## 7 CustomerSpending ~ CustomerEngagement 0.975 0.023 42.615 0.000
## 8 MntWines ~~ MntMeatProducts 0.340 0.024 13.945 0.000
## 9 MntMeatProducts ~~ MntFishProducts 0.429 0.023 18.794 0.000
## 10 NumCatalogPurchases ~~ MntMeatProducts 0.599 0.268 2.236 0.025
## 11 NumWebPurchases ~~ MntWines 0.313 0.034 9.171 0.000
## 12 NumCatalogPurchases ~~ NumStorePurchases -3.444 0.880 -3.913 0.000
## 13 NumWebPurchases ~~ NumCatalogPurchases -0.764 0.256 -2.982 0.003
## 14 NumWebPurchases ~~ NumWebPurchases 0.624 0.021 29.277 0.000
## 15 NumCatalogPurchases ~~ NumCatalogPurchases -0.065 0.049 -1.327 0.184
## 16 NumStorePurchases ~~ NumStorePurchases 0.160 0.032 4.973 0.000
## 17 MntWines ~~ MntWines 0.475 0.022 21.461 0.000
## 18 MntMeatProducts ~~ MntMeatProducts 0.622 0.022 28.449 0.000
## 19 MntFishProducts ~~ MntFishProducts 0.672 0.018 36.926 0.000
## 20 CustomerEngagement ~~ CustomerEngagement 1.000 0.000 NA NA
## 21 CustomerSpending ~~ CustomerSpending 0.049 0.045 1.087 0.277
## ci.lower ci.upper
## 1 0.579 0.647
## 2 0.986 1.078
## 3 0.882 0.951
## 4 0.695 0.755
## 5 0.580 0.649
## 6 0.542 0.604
## 7 0.931 1.020
## 8 0.292 0.388
## 9 0.384 0.473
## 10 0.074 1.125
## 11 0.246 0.380
## 12 -5.168 -1.719
## 13 -1.266 -0.262
## 14 0.583 0.666
## 15 -0.160 0.031
## 16 0.097 0.223
## 17 0.431 0.518
## 18 0.579 0.665
## 19 0.636 0.707
## 20 1.000 1.000
## 21 -0.039 0.136Visualisasi Loading Factor SEM
path_coef <- subset(
standardizedSolution(fit_sem_v2),
op == "~"
)
ggplot(
path_coef,
aes(
x = paste(rhs, "→", lhs),
y = est.std
)
) +
geom_bar(stat = "identity") +
coord_flip() +
labs(
title = "Koefisien Jalur SEM",
x = "Hubungan Variabel",
y = "Koefisien Standar"
) +
theme_minimal()
Grafik koefisien jalur SEM menunjukkan adanya pengaruh positif yang
sangat kuat dari Customer Engagement terhadap Customer Spending. Nilai
koefisien standar yang mendekati 1 menunjukkan bahwa peningkatan
keterlibatan pelanggan, yang diukur melalui frekuensi pembelian pada
berbagai saluran, berkontribusi besar terhadap peningkatan pengeluaran
pelanggan. Dengan demikian, Customer Engagement merupakan faktor penting
yang memengaruhi Customer Spending, sehingga upaya peningkatan
keterlibatan pelanggan berpotensi meningkatkan nilai pembelian yang
dilakukan pelanggan.
lavInspect(fit_sem_v2, "r2")## NumWebPurchases NumCatalogPurchases NumStorePurchases MntWines
## 0.376 NA 0.840 0.525
## MntMeatProducts MntFishProducts CustomerSpending
## 0.378 0.328 0.951Kode ini menampilkan nilai R² untuk setiap variabel dalam model, yang menunjukkan seberapa besar variansi setiap variabel dapat dijelaskan oleh konstruk latennya. Nilai R² untuk konstruk CustomerSpending sebesar 0,951, yang berarti 95,1% variasi CustomerSpending dapat dijelaskan oleh CustomerEngagement dalam model yang dibangun. Sementara itu, sebesar 4,9% variasi lainnya dipengaruhi oleh faktor-faktor di luar model penelitian. Nilai R² yang tinggi menunjukkan bahwa model memiliki kemampuan yang sangat baik dalam menjelaskan hubungan antara keterlibatan pelanggan (Customer Engagement) dan tingkat pengeluaran pelanggan (Customer Spending).
semPaths(fit_sem_v2,
what = "std",
whatLabels = "std",
layout = "tree",
style = "lisrel",
edge.label.cex = 1,
sizeMan = 6,
sizeLat = 8,
residuals = FALSE,
intercepts = FALSE)
Gambar menunjukkan hasil visualisasi model SEM yang terdiri atas dua
konstruk laten, yaitu Customer Engagement dan Customer Spending.
Customer Engagement dibentuk oleh indikator NumWebPurchases,
NumCatalogPurchases, dan NumStorePurchases, sedangkan Customer Spending
dibentuk oleh indikator MntWines, MntMeatProducts, dan MntFishProducts.
Koefisien jalur sebesar 0,98 menunjukkan bahwa Customer Engagement
memiliki pengaruh positif yang sangat kuat terhadap Customer Spending.
Selain itu, seluruh indikator memiliki loading factor yang signifikan
dalam membentuk konstruk laten masing-masing.