Millet Bread Acceptance
May
July 14, 2022
- Setting up
- Call Data
- Demographics
- Phytic acid
- Reliability
- Drivers of liking
- Interactions between conditions
- Difference - Overall
- Difference - Overall, unfermented, compared to 0%
- Difference - Overall, fermented, compared to 0%
- Unfermented vs fermented dose response curve
- Millet ratio to predict overall liking
- Difference - Appearance
- Difference - Color
- Acceptability: Logistic regression
- Buy: Logistic regression
- Purchase intent: Chi-square
- Purchase intent: Bar graph
Setting up
Call Data
Demographics
## Age & Food Neophobia
Demo %>%
ggplot(aes(x = Age, y = FNSscore)) +
geom_point() +
geom_smooth(method = "lm") +
theme_bw() +
stat_cor()## `geom_smooth()` using formula 'y ~ x'
## Age & WW Score
Demo %>%
ggplot(aes(x = Age, y = WWscore)) +
geom_point() +
geom_smooth(method = "lm") +
theme_bw() +
stat_cor()## `geom_smooth()` using formula 'y ~ x'
## BMI & Food Neophobia
Demo %>%
ggplot(aes(x = BMI, y = FNSscore)) +
geom_point() +
geom_smooth(method = "lm") +
theme_bw() +
stat_cor()## `geom_smooth()` using formula 'y ~ x'
## BMI & WW Score
Demo %>%
ggplot(aes(x = BMI, y = WWscore)) +
geom_point() +
geom_smooth(method = "lm") +
theme_bw() +
stat_cor()## `geom_smooth()` using formula 'y ~ x'
## FNS & WW Score
Demo %>%
ggplot(aes(x = FNSscore, y = WWscore)) +
geom_point() +
geom_smooth(method = "lm") +
theme_bw() +
stat_cor()## `geom_smooth()` using formula 'y ~ x'
## FNS & WW Intake
Demo %>%
ggplot(aes(x = FNSscore, y = WWoz)) +
geom_point() +
geom_smooth(method = "lm") +
theme_bw() +
stat_cor()## `geom_smooth()` using formula 'y ~ x'
## WW Score & WW Intake
Demo %>%
ggplot(aes(x = WWscore, y = WWoz)) +
geom_point() +
geom_smooth(method = "lm") +
theme_bw() +
stat_cor()## `geom_smooth()` using formula 'y ~ x'
Phytic acid
Reliability
## Overall
MB.Wide %>%
ggplot(aes(x = Overall_1, y = Overall_2)) +
geom_point() +
geom_smooth(method = "lm") +
theme_bw() +
stat_cor()## `geom_smooth()` using formula 'y ~ x'
## Appearance
MB.Wide %>%
ggplot(aes(x = Appearance_1, y = Appearance_2)) +
geom_point() +
geom_smooth(method = "lm") +
theme_bw() +
stat_cor()## `geom_smooth()` using formula 'y ~ x'
## Color
MB.Wide %>%
ggplot(aes(x = Color_1, y = Color_2)) +
geom_point() +
geom_smooth(method = "lm") +
theme_bw() +
stat_cor()## `geom_smooth()` using formula 'y ~ x'
## Aroma
MB.Wide %>%
ggplot(aes(x = Aroma_1, y = Aroma_2)) +
geom_point() +
geom_smooth(method = "lm") +
theme_bw() +
stat_cor()## `geom_smooth()` using formula 'y ~ x'
## Texture
MB.Wide %>%
ggplot(aes(x = Texture_1, y = Texture_2)) +
geom_point() +
geom_smooth(method = "lm") +
theme_bw() +
stat_cor()## `geom_smooth()` using formula 'y ~ x'
## Flavor
MB.Wide %>%
ggplot(aes(x = Flavor_1, y = Flavor_2)) +
geom_point() +
geom_smooth(method = "lm") +
theme_bw() +
stat_cor()## `geom_smooth()` using formula 'y ~ x'
Drivers of liking
Please note that for the purchase intent question, 1 is coded as “Buy”, 2 is coded as “Maybe”, 3 is coded as “Not Buy”. That is why the relationship between liking and purchase intent is negative.
## Appearance
Decision %>%
ggplot(aes(x = Appearance, y = Overall)) +
geom_jitter() +
geom_smooth(method = "lm") +
theme_bw() +
stat_cor()## `geom_smooth()` using formula 'y ~ x'
## Aroma
Decision %>%
ggplot(aes(x = Aroma, y = Overall)) +
geom_jitter() +
geom_smooth(method = "lm") +
theme_bw() +
stat_cor()## `geom_smooth()` using formula 'y ~ x'
## Color
Decision %>%
ggplot(aes(x = Color, y = Overall)) +
geom_jitter() +
geom_smooth(method = "lm") +
theme_bw() +
stat_cor()## `geom_smooth()` using formula 'y ~ x'
## Texture
Decision %>%
ggplot(aes(x = Texture, y = Overall)) +
geom_jitter() +
geom_smooth(method = "lm") +
theme_bw() +
stat_cor()## `geom_smooth()` using formula 'y ~ x'
## Flavor
Decision %>%
ggplot(aes(x = Flavor, y = Overall)) +
geom_jitter() +
geom_smooth(method = "lm") +
theme_bw() +
stat_cor()## `geom_smooth()` using formula 'y ~ x'
## Buy
Decision %>%
ggplot(aes(x = as.numeric(Buy), y = Overall, fill = as.numeric(Buy))) +
geom_jitter() +
geom_smooth(method = "lm") +
theme_bw() +
stat_cor()## `geom_smooth()` using formula 'y ~ x'
## CorrPlot
AttCorr.df <- Decision %>%
dplyr::select("Buy", "Appearance", "Color", "Aroma", "Flavor", "Texture", "Flavor", "Overall")
AttCorr.df$Buy <- as.numeric(AttCorr.df$Buy)
AttCorr <- AttCorr.df %>%
cor(method = "pearson")
corrplot(AttCorr, method = "color", order = "original", tl.col="black") 
Interactions between conditions
## Summary stats
SummStats <- MB.Long %>%
group_by(Ferm.Type, Millet.Ratio, Attribute) %>%
get_summary_stats(Rating, type = "mean_sd")
## Fermentation*Ratio*Attribute interaction
FermRatioAtt.aov <- aov(Rating ~ Ferm.Type*as.factor(Millet.Ratio)*Attribute, MB.Long)
summary(FermRatioAtt.aov)## Df Sum Sq Mean Sq F value
## Ferm.Type 1 257 257.0 138.427
## as.factor(Millet.Ratio) 5 3951 790.3 425.747
## Attribute 5 428 85.5 46.084
## Ferm.Type:as.factor(Millet.Ratio) 5 387 77.4 41.720
## Ferm.Type:Attribute 5 75 15.1 8.118
## as.factor(Millet.Ratio):Attribute 25 947 37.9 20.417
## Ferm.Type:as.factor(Millet.Ratio):Attribute 25 90 3.6 1.931
## Residuals 8568 15904 1.9
## Pr(>F)
## Ferm.Type < 2e-16 ***
## as.factor(Millet.Ratio) < 2e-16 ***
## Attribute < 2e-16 ***
## Ferm.Type:as.factor(Millet.Ratio) < 2e-16 ***
## Ferm.Type:Attribute 1.18e-07 ***
## as.factor(Millet.Ratio):Attribute < 2e-16 ***
## Ferm.Type:as.factor(Millet.Ratio):Attribute 0.00353 **
## Residuals
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Difference - Overall
## Overall
Overall <- MB.Long %>%
filter(Attribute == "Overall")
Overall.aov <- aov(Rating ~ Ferm.Type*as.factor(Millet.Ratio), Overall)
summary(Overall.aov)## Df Sum Sq Mean Sq F value Pr(>F)
## Ferm.Type 1 98.7 98.70 54.57 2.54e-13 ***
## as.factor(Millet.Ratio) 5 1254.7 250.93 138.73 < 2e-16 ***
## Ferm.Type:as.factor(Millet.Ratio) 5 111.4 22.27 12.31 1.03e-11 ***
## Residuals 1428 2582.9 1.81
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 ## Scatter plot
Overall %>%
ggplot(aes(x = Millet.Ratio, y = Rating, color = Ferm.Type, group = Ferm.Type)) +
geom_jitter() +
geom_smooth(method = "lm")+
scale_color_manual(values = c("#AFB42B", "#2E7D32"))+
stat_cor()+
theme_bw()## `geom_smooth()` using formula 'y ~ x'
## Boxplot
## Overall
Overall %>%
ggplot(aes(x = Ferm.Type, y = Rating, color = Ferm.Type)) +
geom_boxplot() +
geom_jitter()+
stat_compare_means(paired = TRUE) +
scale_color_manual(values = c("#AFB42B", "#2E7D32"))+
theme_bw()
## Faceted by millet ratio
Overall %>%
ggplot(aes(x = Ferm.Type, y = Rating, color = Ferm.Type)) +
geom_boxplot() +
geom_jitter()+
facet_wrap(~as.factor(Millet.Ratio)) +
stat_compare_means(paired = TRUE) +
scale_color_manual(values = c("#AFB42B", "#2E7D32"))+
theme_bw()
Difference - Overall, unfermented, compared to 0%
Overall.Unferm <- MB.Long %>%
filter(Attribute == "Overall") %>%
filter(Ferm.Type == "Unfermented") %>%
group_by(Millet.Ratio, Participant) %>%
summarize(Rating = mean(Rating))## `summarise()` has grouped output by 'Millet.Ratio'. You can override using the `.groups` argument.Overall.unferm.aov <- aov(Rating ~ as.factor(Millet.Ratio), Overall.Unferm)
summary(Overall.unferm.aov)## Df Sum Sq Mean Sq F value Pr(>F)
## as.factor(Millet.Ratio) 5 80.5 16.099 14.54 6.68e-12 ***
## Residuals 174 192.6 1.107
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 ## Boxplot
Overall.Unferm %>%
ggplot(aes(x = as.factor(Millet.Ratio), y = Rating, color = as.factor(Millet.Ratio))) +
geom_boxplot() +
geom_jitter()+
scale_color_manual(values = c("#2E7D32", "#2E7D32", "#2E7D32", "#2E7D32", "#2E7D32", "#2E7D32"))+
theme_bw() +
scale_y_continuous(breaks = seq(0, 9), limits = c(0, 9))+
ggtitle("Unfermented Millet Subsitution Ratio vs Liking")
## 0 vs 10
Overall.Unferm %>%
filter(Millet.Ratio%in%c("0", "10")) %>%
ggplot(aes(x = as.factor(Millet.Ratio), y = Rating, color = as.factor(Millet.Ratio))) +
geom_boxplot() +
geom_jitter()+
stat_compare_means(paired = TRUE) +
scale_color_manual(values = c("#2E7D32", "#2E7D32"))+
theme_bw()
## 0 vs 20
Overall.Unferm %>%
filter(Millet.Ratio%in%c("0", "20")) %>%
ggplot(aes(x = as.factor(Millet.Ratio), y = Rating, color = as.factor(Millet.Ratio))) +
geom_boxplot() +
geom_jitter()+
stat_compare_means(paired = TRUE) +
scale_color_manual(values = c("#2E7D32", "#2E7D32"))+
theme_bw()
## 0 vs 30
Overall.Unferm %>%
filter(Millet.Ratio%in%c("0", "30")) %>%
ggplot(aes(x = as.factor(Millet.Ratio), y = Rating, color = as.factor(Millet.Ratio))) +
geom_boxplot() +
geom_jitter()+
stat_compare_means(paired = TRUE) +
scale_color_manual(values = c("#2E7D32", "#2E7D32"))+
theme_bw()
## 0 vs 40
Overall.Unferm %>%
filter(Millet.Ratio%in%c("0", "40")) %>%
ggplot(aes(x = as.factor(Millet.Ratio), y = Rating, color = as.factor(Millet.Ratio))) +
geom_boxplot() +
geom_jitter()+
stat_compare_means(paired = TRUE) +
scale_color_manual(values = c("#2E7D32", "#2E7D32"))+
theme_bw() 
## 0 vs 50
Overall.Unferm %>%
filter(Millet.Ratio%in%c("0", "50")) %>%
ggplot(aes(x = as.factor(Millet.Ratio), y = Rating, color = as.factor(Millet.Ratio))) +
geom_boxplot() +
geom_jitter()+
stat_compare_means(paired = TRUE) +
scale_color_manual(values = c("#2E7D32", "#2E7D32"))+
theme_bw()
Difference - Overall, fermented, compared to 0%
Overall.Ferm <- MB.Long %>%
filter(Attribute == "Overall") %>%
filter(Ferm.Type == "Fermented") %>%
group_by(Millet.Ratio, Participant) %>%
summarize(Rating = mean(Rating))## `summarise()` has grouped output by 'Millet.Ratio'. You can override using the `.groups` argument.Overall.ferm.aov <- aov(Rating ~ as.factor(Millet.Ratio), Overall.Ferm)
summary(Overall.ferm.aov)## Df Sum Sq Mean Sq F value Pr(>F)
## as.factor(Millet.Ratio) 5 261.0 52.2 47.4 <2e-16 ***
## Residuals 174 191.6 1.1
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 ## Boxplot
Overall.Ferm %>%
ggplot(aes(x = as.factor(Millet.Ratio), y = Rating, color = as.factor(Millet.Ratio))) +
geom_boxplot() +
geom_jitter()+
theme_bw() +
scale_color_manual(values = c("#FBC02D", "#FBC02D", "#FBC02D", "#FBC02D", "#FBC02D", "#FBC02D"))+
scale_y_continuous(breaks = seq(0, 9), limits = c(0, 9))+
ggtitle("Fermented Millet Subsitution Ratio vs Liking")
## 0 vs 10
Overall.Ferm %>%
filter(Millet.Ratio%in%c("0", "10")) %>%
ggplot(aes(x = as.factor(Millet.Ratio), y = Rating, color = as.factor(Millet.Ratio))) +
geom_boxplot() +
geom_jitter()+
stat_compare_means(paired = TRUE) +
scale_color_manual(values = c("#AFB42B", "#AFB42B"))+
theme_bw()
## 0 vs 20
Overall.Ferm %>%
filter(Millet.Ratio%in%c("0", "20")) %>%
ggplot(aes(x = as.factor(Millet.Ratio), y = Rating, color = as.factor(Millet.Ratio))) +
geom_boxplot() +
geom_jitter()+
stat_compare_means(paired = TRUE) +
scale_color_manual(values = c("#AFB42B", "#AFB42B"))+
theme_bw()
## 0 vs 30
Overall.Ferm %>%
filter(Millet.Ratio%in%c("0", "30")) %>%
ggplot(aes(x = as.factor(Millet.Ratio), y = Rating, color = as.factor(Millet.Ratio))) +
geom_boxplot() +
geom_jitter()+
stat_compare_means(paired = TRUE) +
scale_color_manual(values = c("#AFB42B", "#AFB42B"))+
theme_bw()
## 0 vs 40
Overall.Ferm %>%
filter(Millet.Ratio %in% c("0", "40")) %>%
ggplot(aes(x = as.factor(Millet.Ratio), y = Rating, color = as.factor(Millet.Ratio))) +
geom_boxplot() +
geom_jitter()+
stat_compare_means(paired = TRUE) +
scale_color_manual(values = c("#AFB42B", "#AFB42B"))+
theme_bw() 
## 0 vs 50
Overall.Ferm %>%
filter(Millet.Ratio%in%c("40", "50")) %>%
ggplot(aes(x = as.factor(Millet.Ratio), y = Rating, color = as.factor(Millet.Ratio))) +
geom_boxplot() +
geom_jitter()+
stat_compare_means(paired = TRUE) +
scale_color_manual(values = c("#AFB42B", "#AFB42B"))+
theme_bw()
Unfermented vs fermented dose response curve
MilletDose.Overall <- MB.Wide %>%
mutate(Overall = (Overall_1 + Overall_2) /2) %>%
group_by(Millet.Ratio, Ferm.Type) %>%
summarize(Overall = mean(Overall), SD = sd(c(Overall_1 + Overall_2))) %>%
mutate(Ratio = case_when(Ferm.Type == "Fermented" ~ Millet.Ratio + 1,
Ferm.Type == "Unfermented" ~ Millet.Ratio))## `summarise()` has grouped output by 'Millet.Ratio'. You can override using the `.groups` argument.MilletDose.Overall %>%
ggplot(aes(x = Ratio, y = Overall, color = Ferm.Type)) +
geom_point() +
geom_line(aes(group = Ferm.Type))+
geom_errorbar(aes(ymin = (Overall - (SD/sqrt(11))), ymax = (Overall + (SD/sqrt(11)))), width = 1) +
theme_bw() +
scale_color_manual(values = c("#FBC02D", "#2E7D32"))+
scale_y_continuous(breaks = seq(0, 9), limits = c(0, 9))
Millet ratio to predict overall liking
## Unfermented
Overall.Unferm <- MB.Long %>%
filter(Attribute == "Overall") %>%
filter(Ferm.Type == "Unfermented")
Unferm.lm <- lm(Rating ~ as.numeric(Millet.Ratio), Overall.Unferm)
summary(Unferm.lm)##
## Call:
## lm(formula = Rating ~ as.numeric(Millet.Ratio), data = Overall.Unferm)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.2976 -0.9219 0.0781 0.8295 3.5810
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 7.297619 0.088870 82.11 <2e-16 ***
## as.numeric(Millet.Ratio) -0.037571 0.002935 -12.80 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.345 on 718 degrees of freedom
## Multiple R-squared: 0.1858, Adjusted R-squared: 0.1847
## F-statistic: 163.8 on 1 and 718 DF, p-value: < 2.2e-16 ## Millet ratio liking function
Overall.Unferm %>%
ggplot(aes(x = as.numeric(Millet.Ratio), y = Rating)) +
geom_jitter() +
geom_smooth(method = "lm")+
theme_bw() +
stat_cor() +
ggtitle("Unfermented millet sub ratio vs liking")## `geom_smooth()` using formula 'y ~ x'
## Fermented
Overall.Ferm <- MB.Long %>%
filter(Attribute == "Overall") %>%
filter(Ferm.Type == "Fermented")
Ferm.lm <- lm(Rating ~ as.numeric(Millet.Ratio), Overall.Ferm)
summary(Ferm.lm)##
## Call:
## lm(formula = Rating ~ as.numeric(Millet.Ratio), data = Overall.Ferm)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.5067 -0.8379 -0.1627 1.1621 3.4997
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 7.506746 0.092716 80.97 <2e-16 ***
## as.numeric(Millet.Ratio) -0.066881 0.003062 -21.84 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.403 on 718 degrees of freedom
## Multiple R-squared: 0.3992, Adjusted R-squared: 0.3983
## F-statistic: 477 on 1 and 718 DF, p-value: < 2.2e-16 ## Millet ratio liking function
Overall.Ferm %>%
ggplot(aes(x = as.numeric(Millet.Ratio), y = Rating)) +
geom_jitter() +
geom_smooth(method = "lm")+
theme_bw() +
stat_cor() +
ggtitle("Fermented millet sub ratio vs liking")## `geom_smooth()` using formula 'y ~ x'
Difference - Appearance
## Appearance
Appearance <- MB.Long %>%
filter(Attribute == "Appearance")
Appearance.aov <- aov(Rating ~ Ferm.Type*as.factor(Millet.Ratio), Appearance)
summary(Appearance.aov)## Df Sum Sq Mean Sq F value Pr(>F)
## Ferm.Type 1 6.1 6.14 3.098 0.0786 .
## as.factor(Millet.Ratio) 5 619.9 123.97 62.598 <2e-16 ***
## Ferm.Type:as.factor(Millet.Ratio) 5 19.8 3.96 1.999 0.0760 .
## Residuals 1428 2828.1 1.98
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 ## Scatter plot
Appearance %>%
ggplot(aes(x = Millet.Ratio, y = Rating, color = Ferm.Type, group = Ferm.Type)) +
geom_jitter() +
geom_smooth(method = "lm")+
scale_color_manual(values = c("#AFB42B", "#2E7D32"))+
stat_cor()+
theme_bw()## `geom_smooth()` using formula 'y ~ x'
## Boxplot
## Overall
Appearance %>%
ggplot(aes(x = Ferm.Type, y = Rating, color = Ferm.Type)) +
geom_boxplot() +
geom_jitter()+
stat_compare_means(method = "t.test", paired = TRUE) +
scale_color_manual(values = c("#AFB42B", "#2E7D32"))+
theme_bw()
## Faceted by millet ratio
Appearance %>%
ggplot(aes(x = Ferm.Type, y = Rating, color = Ferm.Type)) +
geom_boxplot() +
geom_jitter()+
facet_wrap(~as.factor(Millet.Ratio)) +
stat_compare_means(method = "t.test", paired = TRUE) +
scale_color_manual(values = c("#AFB42B", "#2E7D32"))+
theme_bw()
Difference - Color
## Color
Color <- MB.Long %>%
filter(Attribute == "Color")
Color.aov <- aov(Rating ~ Ferm.Type*as.factor(Millet.Ratio), Color)
summary(Color.aov)## Df Sum Sq Mean Sq F value Pr(>F)
## Ferm.Type 1 0.8 0.803 0.501 0.479
## as.factor(Millet.Ratio) 5 108.2 21.632 13.501 6.86e-13 ***
## Ferm.Type:as.factor(Millet.Ratio) 5 14.1 2.819 1.760 0.118
## Residuals 1428 2287.9 1.602
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 ## Scatter plot
Color %>%
ggplot(aes(x = Millet.Ratio, y = Rating, color = Ferm.Type, group = Ferm.Type)) +
geom_jitter() +
geom_smooth(method = "lm")+
scale_color_manual(values = c("#AFB42B", "#2E7D32"))+
stat_cor()+
theme_bw()## `geom_smooth()` using formula 'y ~ x'
## Boxplot
## Overall
Color %>%
ggplot(aes(x = Ferm.Type, y = Rating, color = Ferm.Type)) +
geom_boxplot() +
geom_jitter()+
stat_compare_means(method = "t.test", paired = TRUE) +
scale_color_manual(values = c("#AFB42B", "#2E7D32"))+
theme_bw()
## Faceted by millet ratio
Color %>%
ggplot(aes(x = Ferm.Type, y = Rating, color = Ferm.Type)) +
geom_boxplot() +
geom_jitter()+
facet_wrap(~as.factor(Millet.Ratio)) +
stat_compare_means(method = "t.test", paired = TRUE) +
scale_color_manual(values = c("#AFB42B", "#2E7D32"))+
theme_bw()
## Difference - Aroma
## Aroma
Aroma <- MB.Long %>%
filter(Attribute == "Aroma")
Aroma.aov <- aov(Rating ~ Ferm.Type*as.factor(Millet.Ratio), Aroma)
summary(Aroma.aov)## Df Sum Sq Mean Sq F value Pr(>F)
## Ferm.Type 1 76.5 76.54 45.89 1.82e-11 ***
## as.factor(Millet.Ratio) 5 165.3 33.05 19.82 < 2e-16 ***
## Ferm.Type:as.factor(Millet.Ratio) 5 113.0 22.61 13.55 6.09e-13 ***
## Residuals 1428 2381.8 1.67
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 ## Scatter plot
Aroma %>%
ggplot(aes(x = Millet.Ratio, y = Rating, color = Ferm.Type, group = Ferm.Type)) +
geom_jitter() +
geom_smooth(method = "lm")+
scale_color_manual(values = c("#AFB42B", "#2E7D32"))+
stat_cor()+
theme_bw()## `geom_smooth()` using formula 'y ~ x'
## Boxplot
## Overall
Aroma %>%
ggplot(aes(x = Ferm.Type, y = Rating, color = Ferm.Type)) +
geom_boxplot() +
geom_jitter()+
stat_compare_means(method = "t.test", paired = TRUE) +
scale_color_manual(values = c("#AFB42B", "#2E7D32"))+
theme_bw()
## Faceted by millet ratio
Aroma %>%
ggplot(aes(x = Ferm.Type, y = Rating, color = Ferm.Type)) +
geom_boxplot() +
geom_jitter()+
facet_wrap(~as.factor(Millet.Ratio)) +
stat_compare_means(method = "t.test", paired = TRUE) +
scale_color_manual(values = c("#AFB42B", "#2E7D32"))+
theme_bw()
## Difference - Texture
## Texture
Texture <- MB.Long %>%
filter(Attribute == "Texture")
Texture.aov <- aov(Rating ~ Ferm.Type*as.factor(Millet.Ratio), Texture)
summary(Texture.aov)## Df Sum Sq Mean Sq F value Pr(>F)
## Ferm.Type 1 57.6 57.6 26.973 2.36e-07 ***
## as.factor(Millet.Ratio) 5 2127.6 425.5 199.265 < 2e-16 ***
## Ferm.Type:as.factor(Millet.Ratio) 5 72.2 14.4 6.758 3.09e-06 ***
## Residuals 1428 3049.4 2.1
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 ## Scatter plot
Texture %>%
ggplot(aes(x = Millet.Ratio, y = Rating, color = Ferm.Type, group = Ferm.Type)) +
geom_jitter() +
geom_smooth(method = "lm")+
scale_color_manual(values = c("#AFB42B", "#2E7D32"))+
stat_cor()+
theme_bw()## `geom_smooth()` using formula 'y ~ x'
## Boxplot
## Overall
Texture %>%
ggplot(aes(x = Ferm.Type, y = Rating, color = Ferm.Type)) +
geom_boxplot() +
geom_jitter()+
stat_compare_means(method = "t.test", paired = TRUE) +
scale_color_manual(values = c("#AFB42B", "#2E7D32"))+
theme_bw()
## Faceted by millet ratio
Texture %>%
ggplot(aes(x = Ferm.Type, y = Rating, color = Ferm.Type)) +
geom_boxplot() +
geom_jitter()+
facet_wrap(~as.factor(Millet.Ratio)) +
stat_compare_means(method = "t.test", paired = TRUE) +
scale_color_manual(values = c("#AFB42B", "#2E7D32"))+
theme_bw()
## Difference - Flavor
## Flavor
Flavor <- MB.Long %>%
filter(Attribute == "Flavor")
Flavor.aov <- aov(Rating ~ Ferm.Type*as.factor(Millet.Ratio), Flavor)
summary(Flavor.aov)## Df Sum Sq Mean Sq F value Pr(>F)
## Ferm.Type 1 92.5 92.52 47.62 7.74e-12 ***
## as.factor(Millet.Ratio) 5 623.4 124.68 64.18 < 2e-16 ***
## Ferm.Type:as.factor(Millet.Ratio) 5 146.4 29.27 15.07 1.92e-14 ***
## Residuals 1428 2774.2 1.94
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 ## Scatter plot
Flavor %>%
ggplot(aes(x = Millet.Ratio, y = Rating, color = Ferm.Type, group = Ferm.Type)) +
geom_jitter() +
geom_smooth(method = "lm")+
scale_color_manual(values = c("#AFB42B", "#2E7D32"))+
stat_cor()+
theme_bw()## `geom_smooth()` using formula 'y ~ x'
## Boxplot
## Overall
Flavor %>%
ggplot(aes(x = Ferm.Type, y = Rating, color = Ferm.Type)) +
geom_boxplot() +
geom_jitter()+
stat_compare_means(method = "t.test", paired = TRUE) +
scale_color_manual(values = c("#AFB42B", "#2E7D32"))+
theme_bw()
## Faceted by millet ratio
Flavor %>%
ggplot(aes(x = Ferm.Type, y = Rating, color = Ferm.Type)) +
geom_boxplot() +
geom_jitter()+
facet_wrap(~as.factor(Millet.Ratio)) +
stat_compare_means(method = "t.test", paired = TRUE) +
scale_color_manual(values = c("#AFB42B", "#2E7D32"))+
theme_bw()
Acceptability: Logistic regression
## Liking on Acceptability
Decision %>%
ggplot(aes(x = as.factor(Acceptability), y = Overall)) +
geom_jitter(aes(color = Ferm.Type)) +
geom_boxplot(aes(color = Ferm.Type), alpha = 0.7)+
scale_color_manual(values = c("#FBC02D", "#2E7D32"))+
scale_y_continuous(breaks = seq(0, 9), limits = c(0, 9))+
theme_bw() ## Warning: Removed 27 rows containing missing values (geom_point).
## Logistic regression
Accept.Mod <- glm(as.factor(Acceptability) ~ Millet.Ratio, family = binomial, data = Decision)
summary(Accept.Mod)##
## Call:
## glm(formula = as.factor(Acceptability) ~ Millet.Ratio, family = binomial,
## data = Decision)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -1.0595 -0.5596 -0.3934 -0.1895 2.8387
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -4.01108 0.23352 -17.18 <2e-16 ***
## Millet.Ratio 0.07454 0.00592 12.59 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 1271.5 on 1439 degrees of freedom
## Residual deviance: 1048.9 on 1438 degrees of freedom
## AIC: 1052.9
##
## Number of Fisher Scoring iterations: 5Buy: Logistic regression
## Liking on Acceptability
Decision %>%
ggplot(aes(x = as.factor(Buy), y = Overall)) +
geom_jitter(aes(color = Ferm.Type)) +
geom_boxplot(aes(color = Ferm.Type), alpha = 0.7)+
scale_color_manual(values = c("#FBC02D", "#2E7D32"))+
scale_y_continuous(breaks = seq(0, 9), limits = c(0, 9))+
theme_bw() ## Warning: Removed 29 rows containing missing values (geom_point).
## Logistic regression
Buy.Mod <- multinom(as.factor(Buy) ~ Millet.Ratio, data = Decision)## # weights: 9 (4 variable)
## initial value 1582.001696
## iter 10 value 1336.847483
## final value 1336.846815
## convergedsummary(Buy.Mod)## Call:
## multinom(formula = as.factor(Buy) ~ Millet.Ratio, data = Decision)
##
## Coefficients:
## (Intercept) Millet.Ratio
## 2 -1.200962 0.04325437
## 3 -3.059086 0.09597508
##
## Std. Errors:
## (Intercept) Millet.Ratio
## 2 0.1120586 0.004253926
## 3 0.1832462 0.005504098
##
## Residual Deviance: 2673.694
## AIC: 2681.694predict(Buy.Mod, Decision, typ="prob")## 1 2 3
## 1 0.7419305 0.2232503 0.03481922
## 2 0.7419305 0.2232503 0.03481922
## 3 0.7419305 0.2232503 0.03481922
## 4 0.7419305 0.2232503 0.03481922
## 5 0.7419305 0.2232503 0.03481922
## 6 0.7419305 0.2232503 0.03481922
## 7 0.7419305 0.2232503 0.03481922
## 8 0.7419305 0.2232503 0.03481922
## 9 0.7419305 0.2232503 0.03481922
## 10 0.7419305 0.2232503 0.03481922
## 11 0.7419305 0.2232503 0.03481922
## 12 0.7419305 0.2232503 0.03481922
## 13 0.7419305 0.2232503 0.03481922
## 14 0.7419305 0.2232503 0.03481922
## 15 0.7419305 0.2232503 0.03481922
## 16 0.7419305 0.2232503 0.03481922
## 17 0.7419305 0.2232503 0.03481922
## 18 0.7419305 0.2232503 0.03481922
## 19 0.7419305 0.2232503 0.03481922
## 20 0.7419305 0.2232503 0.03481922
## 21 0.7419305 0.2232503 0.03481922
## 22 0.7419305 0.2232503 0.03481922
## 23 0.7419305 0.2232503 0.03481922
## 24 0.7419305 0.2232503 0.03481922
## 25 0.7419305 0.2232503 0.03481922
## 26 0.7419305 0.2232503 0.03481922
## 27 0.7419305 0.2232503 0.03481922
## 28 0.7419305 0.2232503 0.03481922
## 29 0.7419305 0.2232503 0.03481922
## 30 0.7419305 0.2232503 0.03481922
## 31 0.7419305 0.2232503 0.03481922
## 32 0.7419305 0.2232503 0.03481922
## 33 0.7419305 0.2232503 0.03481922
## 34 0.7419305 0.2232503 0.03481922
## 35 0.7419305 0.2232503 0.03481922
## 36 0.7419305 0.2232503 0.03481922
## 37 0.7419305 0.2232503 0.03481922
## 38 0.7419305 0.2232503 0.03481922
## 39 0.7419305 0.2232503 0.03481922
## 40 0.7419305 0.2232503 0.03481922
## 41 0.7419305 0.2232503 0.03481922
## 42 0.7419305 0.2232503 0.03481922
## 43 0.7419305 0.2232503 0.03481922
## 44 0.7419305 0.2232503 0.03481922
## 45 0.7419305 0.2232503 0.03481922
## 46 0.7419305 0.2232503 0.03481922
## 47 0.7419305 0.2232503 0.03481922
## 48 0.7419305 0.2232503 0.03481922
## 49 0.7419305 0.2232503 0.03481922
## 50 0.7419305 0.2232503 0.03481922
## 51 0.7419305 0.2232503 0.03481922
## 52 0.7419305 0.2232503 0.03481922
## 53 0.7419305 0.2232503 0.03481922
## 54 0.7419305 0.2232503 0.03481922
## 55 0.7419305 0.2232503 0.03481922
## 56 0.7419305 0.2232503 0.03481922
## 57 0.7419305 0.2232503 0.03481922
## 58 0.7419305 0.2232503 0.03481922
## 59 0.7419305 0.2232503 0.03481922
## 60 0.7419305 0.2232503 0.03481922
## 61 0.7419305 0.2232503 0.03481922
## 62 0.7419305 0.2232503 0.03481922
## 63 0.7419305 0.2232503 0.03481922
## 64 0.7419305 0.2232503 0.03481922
## 65 0.7419305 0.2232503 0.03481922
## 66 0.7419305 0.2232503 0.03481922
## 67 0.7419305 0.2232503 0.03481922
## 68 0.7419305 0.2232503 0.03481922
## 69 0.7419305 0.2232503 0.03481922
## 70 0.7419305 0.2232503 0.03481922
## 71 0.7419305 0.2232503 0.03481922
## 72 0.7419305 0.2232503 0.03481922
## 73 0.7419305 0.2232503 0.03481922
## 74 0.7419305 0.2232503 0.03481922
## 75 0.7419305 0.2232503 0.03481922
## 76 0.7419305 0.2232503 0.03481922
## 77 0.7419305 0.2232503 0.03481922
## 78 0.7419305 0.2232503 0.03481922
## 79 0.7419305 0.2232503 0.03481922
## 80 0.7419305 0.2232503 0.03481922
## 81 0.7419305 0.2232503 0.03481922
## 82 0.7419305 0.2232503 0.03481922
## 83 0.7419305 0.2232503 0.03481922
## 84 0.7419305 0.2232503 0.03481922
## 85 0.7419305 0.2232503 0.03481922
## 86 0.7419305 0.2232503 0.03481922
## 87 0.7419305 0.2232503 0.03481922
## 88 0.7419305 0.2232503 0.03481922
## 89 0.7419305 0.2232503 0.03481922
## 90 0.7419305 0.2232503 0.03481922
## 91 0.7419305 0.2232503 0.03481922
## 92 0.7419305 0.2232503 0.03481922
## 93 0.7419305 0.2232503 0.03481922
## 94 0.7419305 0.2232503 0.03481922
## 95 0.7419305 0.2232503 0.03481922
## 96 0.7419305 0.2232503 0.03481922
## 97 0.7419305 0.2232503 0.03481922
## 98 0.7419305 0.2232503 0.03481922
## 99 0.7419305 0.2232503 0.03481922
## 100 0.7419305 0.2232503 0.03481922
## 101 0.7419305 0.2232503 0.03481922
## 102 0.7419305 0.2232503 0.03481922
## 103 0.7419305 0.2232503 0.03481922
## 104 0.7419305 0.2232503 0.03481922
## 105 0.7419305 0.2232503 0.03481922
## 106 0.7419305 0.2232503 0.03481922
## 107 0.7419305 0.2232503 0.03481922
## 108 0.7419305 0.2232503 0.03481922
## 109 0.7419305 0.2232503 0.03481922
## 110 0.7419305 0.2232503 0.03481922
## 111 0.7419305 0.2232503 0.03481922
## 112 0.7419305 0.2232503 0.03481922
## 113 0.7419305 0.2232503 0.03481922
## 114 0.7419305 0.2232503 0.03481922
## 115 0.7419305 0.2232503 0.03481922
## 116 0.7419305 0.2232503 0.03481922
## 117 0.7419305 0.2232503 0.03481922
## 118 0.7419305 0.2232503 0.03481922
## 119 0.7419305 0.2232503 0.03481922
## 120 0.7419305 0.2232503 0.03481922
## 121 0.7419305 0.2232503 0.03481922
## 122 0.7419305 0.2232503 0.03481922
## 123 0.7419305 0.2232503 0.03481922
## 124 0.7419305 0.2232503 0.03481922
## 125 0.7419305 0.2232503 0.03481922
## 126 0.7419305 0.2232503 0.03481922
## 127 0.7419305 0.2232503 0.03481922
## 128 0.7419305 0.2232503 0.03481922
## 129 0.7419305 0.2232503 0.03481922
## 130 0.7419305 0.2232503 0.03481922
## 131 0.7419305 0.2232503 0.03481922
## 132 0.7419305 0.2232503 0.03481922
## 133 0.7419305 0.2232503 0.03481922
## 134 0.7419305 0.2232503 0.03481922
## 135 0.7419305 0.2232503 0.03481922
## 136 0.7419305 0.2232503 0.03481922
## 137 0.7419305 0.2232503 0.03481922
## 138 0.7419305 0.2232503 0.03481922
## 139 0.7419305 0.2232503 0.03481922
## 140 0.7419305 0.2232503 0.03481922
## 141 0.7419305 0.2232503 0.03481922
## 142 0.7419305 0.2232503 0.03481922
## 143 0.7419305 0.2232503 0.03481922
## 144 0.7419305 0.2232503 0.03481922
## 145 0.7419305 0.2232503 0.03481922
## 146 0.7419305 0.2232503 0.03481922
## 147 0.7419305 0.2232503 0.03481922
## 148 0.7419305 0.2232503 0.03481922
## 149 0.7419305 0.2232503 0.03481922
## 150 0.7419305 0.2232503 0.03481922
## 151 0.7419305 0.2232503 0.03481922
## 152 0.7419305 0.2232503 0.03481922
## 153 0.7419305 0.2232503 0.03481922
## 154 0.7419305 0.2232503 0.03481922
## 155 0.7419305 0.2232503 0.03481922
## 156 0.7419305 0.2232503 0.03481922
## 157 0.7419305 0.2232503 0.03481922
## 158 0.7419305 0.2232503 0.03481922
## 159 0.7419305 0.2232503 0.03481922
## 160 0.7419305 0.2232503 0.03481922
## 161 0.7419305 0.2232503 0.03481922
## 162 0.7419305 0.2232503 0.03481922
## 163 0.7419305 0.2232503 0.03481922
## 164 0.7419305 0.2232503 0.03481922
## 165 0.7419305 0.2232503 0.03481922
## 166 0.7419305 0.2232503 0.03481922
## 167 0.7419305 0.2232503 0.03481922
## 168 0.7419305 0.2232503 0.03481922
## 169 0.7419305 0.2232503 0.03481922
## 170 0.7419305 0.2232503 0.03481922
## 171 0.7419305 0.2232503 0.03481922
## 172 0.7419305 0.2232503 0.03481922
## 173 0.7419305 0.2232503 0.03481922
## 174 0.7419305 0.2232503 0.03481922
## 175 0.7419305 0.2232503 0.03481922
## 176 0.7419305 0.2232503 0.03481922
## 177 0.7419305 0.2232503 0.03481922
## 178 0.7419305 0.2232503 0.03481922
## 179 0.7419305 0.2232503 0.03481922
## 180 0.7419305 0.2232503 0.03481922
## 181 0.7419305 0.2232503 0.03481922
## 182 0.7419305 0.2232503 0.03481922
## 183 0.7419305 0.2232503 0.03481922
## 184 0.7419305 0.2232503 0.03481922
## 185 0.7419305 0.2232503 0.03481922
## 186 0.7419305 0.2232503 0.03481922
## 187 0.7419305 0.2232503 0.03481922
## 188 0.7419305 0.2232503 0.03481922
## 189 0.7419305 0.2232503 0.03481922
## 190 0.7419305 0.2232503 0.03481922
## 191 0.7419305 0.2232503 0.03481922
## 192 0.7419305 0.2232503 0.03481922
## 193 0.7419305 0.2232503 0.03481922
## 194 0.7419305 0.2232503 0.03481922
## 195 0.7419305 0.2232503 0.03481922
## 196 0.7419305 0.2232503 0.03481922
## 197 0.7419305 0.2232503 0.03481922
## 198 0.7419305 0.2232503 0.03481922
## 199 0.7419305 0.2232503 0.03481922
## 200 0.7419305 0.2232503 0.03481922
## 201 0.7419305 0.2232503 0.03481922
## 202 0.7419305 0.2232503 0.03481922
## 203 0.7419305 0.2232503 0.03481922
## 204 0.7419305 0.2232503 0.03481922
## 205 0.7419305 0.2232503 0.03481922
## 206 0.7419305 0.2232503 0.03481922
## 207 0.7419305 0.2232503 0.03481922
## 208 0.7419305 0.2232503 0.03481922
## 209 0.7419305 0.2232503 0.03481922
## 210 0.7419305 0.2232503 0.03481922
## 211 0.7419305 0.2232503 0.03481922
## 212 0.7419305 0.2232503 0.03481922
## 213 0.7419305 0.2232503 0.03481922
## 214 0.7419305 0.2232503 0.03481922
## 215 0.7419305 0.2232503 0.03481922
## 216 0.7419305 0.2232503 0.03481922
## 217 0.7419305 0.2232503 0.03481922
## 218 0.7419305 0.2232503 0.03481922
## 219 0.7419305 0.2232503 0.03481922
## 220 0.7419305 0.2232503 0.03481922
## 221 0.7419305 0.2232503 0.03481922
## 222 0.7419305 0.2232503 0.03481922
## 223 0.7419305 0.2232503 0.03481922
## 224 0.7419305 0.2232503 0.03481922
## 225 0.7419305 0.2232503 0.03481922
## 226 0.7419305 0.2232503 0.03481922
## 227 0.7419305 0.2232503 0.03481922
## 228 0.7419305 0.2232503 0.03481922
## 229 0.7419305 0.2232503 0.03481922
## 230 0.7419305 0.2232503 0.03481922
## 231 0.7419305 0.2232503 0.03481922
## 232 0.7419305 0.2232503 0.03481922
## 233 0.7419305 0.2232503 0.03481922
## 234 0.7419305 0.2232503 0.03481922
## 235 0.7419305 0.2232503 0.03481922
## 236 0.7419305 0.2232503 0.03481922
## 237 0.7419305 0.2232503 0.03481922
## 238 0.7419305 0.2232503 0.03481922
## 239 0.7419305 0.2232503 0.03481922
## 240 0.7419305 0.2232503 0.03481922
## 241 0.6304042 0.2923475 0.07724838
## 242 0.6304042 0.2923475 0.07724838
## 243 0.6304042 0.2923475 0.07724838
## 244 0.6304042 0.2923475 0.07724838
## 245 0.6304042 0.2923475 0.07724838
## 246 0.6304042 0.2923475 0.07724838
## 247 0.6304042 0.2923475 0.07724838
## 248 0.6304042 0.2923475 0.07724838
## 249 0.6304042 0.2923475 0.07724838
## 250 0.6304042 0.2923475 0.07724838
## 251 0.6304042 0.2923475 0.07724838
## 252 0.6304042 0.2923475 0.07724838
## 253 0.6304042 0.2923475 0.07724838
## 254 0.6304042 0.2923475 0.07724838
## 255 0.6304042 0.2923475 0.07724838
## 256 0.6304042 0.2923475 0.07724838
## 257 0.6304042 0.2923475 0.07724838
## 258 0.6304042 0.2923475 0.07724838
## 259 0.6304042 0.2923475 0.07724838
## 260 0.6304042 0.2923475 0.07724838
## 261 0.6304042 0.2923475 0.07724838
## 262 0.6304042 0.2923475 0.07724838
## 263 0.6304042 0.2923475 0.07724838
## 264 0.6304042 0.2923475 0.07724838
## 265 0.6304042 0.2923475 0.07724838
## 266 0.6304042 0.2923475 0.07724838
## 267 0.6304042 0.2923475 0.07724838
## 268 0.6304042 0.2923475 0.07724838
## 269 0.6304042 0.2923475 0.07724838
## 270 0.6304042 0.2923475 0.07724838
## 271 0.6304042 0.2923475 0.07724838
## 272 0.6304042 0.2923475 0.07724838
## 273 0.6304042 0.2923475 0.07724838
## 274 0.6304042 0.2923475 0.07724838
## 275 0.6304042 0.2923475 0.07724838
## 276 0.6304042 0.2923475 0.07724838
## 277 0.6304042 0.2923475 0.07724838
## 278 0.6304042 0.2923475 0.07724838
## 279 0.6304042 0.2923475 0.07724838
## 280 0.6304042 0.2923475 0.07724838
## 281 0.6304042 0.2923475 0.07724838
## 282 0.6304042 0.2923475 0.07724838
## 283 0.6304042 0.2923475 0.07724838
## 284 0.6304042 0.2923475 0.07724838
## 285 0.6304042 0.2923475 0.07724838
## 286 0.6304042 0.2923475 0.07724838
## 287 0.6304042 0.2923475 0.07724838
## 288 0.6304042 0.2923475 0.07724838
## 289 0.6304042 0.2923475 0.07724838
## 290 0.6304042 0.2923475 0.07724838
## 291 0.6304042 0.2923475 0.07724838
## 292 0.6304042 0.2923475 0.07724838
## 293 0.6304042 0.2923475 0.07724838
## 294 0.6304042 0.2923475 0.07724838
## 295 0.6304042 0.2923475 0.07724838
## 296 0.6304042 0.2923475 0.07724838
## 297 0.6304042 0.2923475 0.07724838
## 298 0.6304042 0.2923475 0.07724838
## 299 0.6304042 0.2923475 0.07724838
## 300 0.6304042 0.2923475 0.07724838
## 301 0.6304042 0.2923475 0.07724838
## 302 0.6304042 0.2923475 0.07724838
## 303 0.6304042 0.2923475 0.07724838
## 304 0.6304042 0.2923475 0.07724838
## 305 0.6304042 0.2923475 0.07724838
## 306 0.6304042 0.2923475 0.07724838
## 307 0.6304042 0.2923475 0.07724838
## 308 0.6304042 0.2923475 0.07724838
## 309 0.6304042 0.2923475 0.07724838
## 310 0.6304042 0.2923475 0.07724838
## 311 0.6304042 0.2923475 0.07724838
## 312 0.6304042 0.2923475 0.07724838
## 313 0.6304042 0.2923475 0.07724838
## 314 0.6304042 0.2923475 0.07724838
## 315 0.6304042 0.2923475 0.07724838
## 316 0.6304042 0.2923475 0.07724838
## 317 0.6304042 0.2923475 0.07724838
## 318 0.6304042 0.2923475 0.07724838
## 319 0.6304042 0.2923475 0.07724838
## 320 0.6304042 0.2923475 0.07724838
## 321 0.6304042 0.2923475 0.07724838
## 322 0.6304042 0.2923475 0.07724838
## 323 0.6304042 0.2923475 0.07724838
## 324 0.6304042 0.2923475 0.07724838
## 325 0.6304042 0.2923475 0.07724838
## 326 0.6304042 0.2923475 0.07724838
## 327 0.6304042 0.2923475 0.07724838
## 328 0.6304042 0.2923475 0.07724838
## 329 0.6304042 0.2923475 0.07724838
## 330 0.6304042 0.2923475 0.07724838
## 331 0.6304042 0.2923475 0.07724838
## 332 0.6304042 0.2923475 0.07724838
## 333 0.6304042 0.2923475 0.07724838
## 334 0.6304042 0.2923475 0.07724838
## 335 0.6304042 0.2923475 0.07724838
## 336 0.6304042 0.2923475 0.07724838
## 337 0.6304042 0.2923475 0.07724838
## 338 0.6304042 0.2923475 0.07724838
## 339 0.6304042 0.2923475 0.07724838
## 340 0.6304042 0.2923475 0.07724838
## 341 0.6304042 0.2923475 0.07724838
## 342 0.6304042 0.2923475 0.07724838
## 343 0.6304042 0.2923475 0.07724838
## 344 0.6304042 0.2923475 0.07724838
## 345 0.6304042 0.2923475 0.07724838
## 346 0.6304042 0.2923475 0.07724838
## 347 0.6304042 0.2923475 0.07724838
## 348 0.6304042 0.2923475 0.07724838
## 349 0.6304042 0.2923475 0.07724838
## 350 0.6304042 0.2923475 0.07724838
## 351 0.6304042 0.2923475 0.07724838
## 352 0.6304042 0.2923475 0.07724838
## 353 0.6304042 0.2923475 0.07724838
## 354 0.6304042 0.2923475 0.07724838
## 355 0.6304042 0.2923475 0.07724838
## 356 0.6304042 0.2923475 0.07724838
## 357 0.6304042 0.2923475 0.07724838
## 358 0.6304042 0.2923475 0.07724838
## 359 0.6304042 0.2923475 0.07724838
## 360 0.6304042 0.2923475 0.07724838
## 361 0.6304042 0.2923475 0.07724838
## 362 0.6304042 0.2923475 0.07724838
## 363 0.6304042 0.2923475 0.07724838
## 364 0.6304042 0.2923475 0.07724838
## 365 0.6304042 0.2923475 0.07724838
## 366 0.6304042 0.2923475 0.07724838
## 367 0.6304042 0.2923475 0.07724838
## 368 0.6304042 0.2923475 0.07724838
## 369 0.6304042 0.2923475 0.07724838
## 370 0.6304042 0.2923475 0.07724838
## 371 0.6304042 0.2923475 0.07724838
## 372 0.6304042 0.2923475 0.07724838
## 373 0.6304042 0.2923475 0.07724838
## 374 0.6304042 0.2923475 0.07724838
## 375 0.6304042 0.2923475 0.07724838
## 376 0.6304042 0.2923475 0.07724838
## 377 0.6304042 0.2923475 0.07724838
## 378 0.6304042 0.2923475 0.07724838
## 379 0.6304042 0.2923475 0.07724838
## 380 0.6304042 0.2923475 0.07724838
## 381 0.6304042 0.2923475 0.07724838
## 382 0.6304042 0.2923475 0.07724838
## 383 0.6304042 0.2923475 0.07724838
## 384 0.6304042 0.2923475 0.07724838
## 385 0.6304042 0.2923475 0.07724838
## 386 0.6304042 0.2923475 0.07724838
## 387 0.6304042 0.2923475 0.07724838
## 388 0.6304042 0.2923475 0.07724838
## 389 0.6304042 0.2923475 0.07724838
## 390 0.6304042 0.2923475 0.07724838
## 391 0.6304042 0.2923475 0.07724838
## 392 0.6304042 0.2923475 0.07724838
## 393 0.6304042 0.2923475 0.07724838
## 394 0.6304042 0.2923475 0.07724838
## 395 0.6304042 0.2923475 0.07724838
## 396 0.6304042 0.2923475 0.07724838
## 397 0.6304042 0.2923475 0.07724838
## 398 0.6304042 0.2923475 0.07724838
## 399 0.6304042 0.2923475 0.07724838
## 400 0.6304042 0.2923475 0.07724838
## 401 0.6304042 0.2923475 0.07724838
## 402 0.6304042 0.2923475 0.07724838
## 403 0.6304042 0.2923475 0.07724838
## 404 0.6304042 0.2923475 0.07724838
## 405 0.6304042 0.2923475 0.07724838
## 406 0.6304042 0.2923475 0.07724838
## 407 0.6304042 0.2923475 0.07724838
## 408 0.6304042 0.2923475 0.07724838
## 409 0.6304042 0.2923475 0.07724838
## 410 0.6304042 0.2923475 0.07724838
## 411 0.6304042 0.2923475 0.07724838
## 412 0.6304042 0.2923475 0.07724838
## 413 0.6304042 0.2923475 0.07724838
## 414 0.6304042 0.2923475 0.07724838
## 415 0.6304042 0.2923475 0.07724838
## 416 0.6304042 0.2923475 0.07724838
## 417 0.6304042 0.2923475 0.07724838
## 418 0.6304042 0.2923475 0.07724838
## 419 0.6304042 0.2923475 0.07724838
## 420 0.6304042 0.2923475 0.07724838
## 421 0.6304042 0.2923475 0.07724838
## 422 0.6304042 0.2923475 0.07724838
## 423 0.6304042 0.2923475 0.07724838
## 424 0.6304042 0.2923475 0.07724838
## 425 0.6304042 0.2923475 0.07724838
## 426 0.6304042 0.2923475 0.07724838
## 427 0.6304042 0.2923475 0.07724838
## 428 0.6304042 0.2923475 0.07724838
## 429 0.6304042 0.2923475 0.07724838
## 430 0.6304042 0.2923475 0.07724838
## 431 0.6304042 0.2923475 0.07724838
## 432 0.6304042 0.2923475 0.07724838
## 433 0.6304042 0.2923475 0.07724838
## 434 0.6304042 0.2923475 0.07724838
## 435 0.6304042 0.2923475 0.07724838
## 436 0.6304042 0.2923475 0.07724838
## 437 0.6304042 0.2923475 0.07724838
## 438 0.6304042 0.2923475 0.07724838
## 439 0.6304042 0.2923475 0.07724838
## 440 0.6304042 0.2923475 0.07724838
## 441 0.6304042 0.2923475 0.07724838
## 442 0.6304042 0.2923475 0.07724838
## 443 0.6304042 0.2923475 0.07724838
## 444 0.6304042 0.2923475 0.07724838
## 445 0.6304042 0.2923475 0.07724838
## 446 0.6304042 0.2923475 0.07724838
## 447 0.6304042 0.2923475 0.07724838
## 448 0.6304042 0.2923475 0.07724838
## 449 0.6304042 0.2923475 0.07724838
## 450 0.6304042 0.2923475 0.07724838
## 451 0.6304042 0.2923475 0.07724838
## 452 0.6304042 0.2923475 0.07724838
## 453 0.6304042 0.2923475 0.07724838
## 454 0.6304042 0.2923475 0.07724838
## 455 0.6304042 0.2923475 0.07724838
## 456 0.6304042 0.2923475 0.07724838
## 457 0.6304042 0.2923475 0.07724838
## 458 0.6304042 0.2923475 0.07724838
## 459 0.6304042 0.2923475 0.07724838
## 460 0.6304042 0.2923475 0.07724838
## 461 0.6304042 0.2923475 0.07724838
## 462 0.6304042 0.2923475 0.07724838
## 463 0.6304042 0.2923475 0.07724838
## 464 0.6304042 0.2923475 0.07724838
## 465 0.6304042 0.2923475 0.07724838
## 466 0.6304042 0.2923475 0.07724838
## 467 0.6304042 0.2923475 0.07724838
## 468 0.6304042 0.2923475 0.07724838
## 469 0.6304042 0.2923475 0.07724838
## 470 0.6304042 0.2923475 0.07724838
## 471 0.6304042 0.2923475 0.07724838
## 472 0.6304042 0.2923475 0.07724838
## 473 0.6304042 0.2923475 0.07724838
## 474 0.6304042 0.2923475 0.07724838
## 475 0.6304042 0.2923475 0.07724838
## 476 0.6304042 0.2923475 0.07724838
## 477 0.6304042 0.2923475 0.07724838
## 478 0.6304042 0.2923475 0.07724838
## 479 0.6304042 0.2923475 0.07724838
## 480 0.6304042 0.2923475 0.07724838
## 481 0.4914814 0.3512681 0.15725045
## 482 0.4914814 0.3512681 0.15725045
## 483 0.4914814 0.3512681 0.15725045
## 484 0.4914814 0.3512681 0.15725045
## 485 0.4914814 0.3512681 0.15725045
## 486 0.4914814 0.3512681 0.15725045
## 487 0.4914814 0.3512681 0.15725045
## 488 0.4914814 0.3512681 0.15725045
## 489 0.4914814 0.3512681 0.15725045
## 490 0.4914814 0.3512681 0.15725045
## 491 0.4914814 0.3512681 0.15725045
## 492 0.4914814 0.3512681 0.15725045
## 493 0.4914814 0.3512681 0.15725045
## 494 0.4914814 0.3512681 0.15725045
## 495 0.4914814 0.3512681 0.15725045
## 496 0.4914814 0.3512681 0.15725045
## 497 0.4914814 0.3512681 0.15725045
## 498 0.4914814 0.3512681 0.15725045
## 499 0.4914814 0.3512681 0.15725045
## 500 0.4914814 0.3512681 0.15725045
## 501 0.4914814 0.3512681 0.15725045
## 502 0.4914814 0.3512681 0.15725045
## 503 0.4914814 0.3512681 0.15725045
## 504 0.4914814 0.3512681 0.15725045
## 505 0.4914814 0.3512681 0.15725045
## 506 0.4914814 0.3512681 0.15725045
## 507 0.4914814 0.3512681 0.15725045
## 508 0.4914814 0.3512681 0.15725045
## 509 0.4914814 0.3512681 0.15725045
## 510 0.4914814 0.3512681 0.15725045
## 511 0.4914814 0.3512681 0.15725045
## 512 0.4914814 0.3512681 0.15725045
## 513 0.4914814 0.3512681 0.15725045
## 514 0.4914814 0.3512681 0.15725045
## 515 0.4914814 0.3512681 0.15725045
## 516 0.4914814 0.3512681 0.15725045
## 517 0.4914814 0.3512681 0.15725045
## 518 0.4914814 0.3512681 0.15725045
## 519 0.4914814 0.3512681 0.15725045
## 520 0.4914814 0.3512681 0.15725045
## 521 0.4914814 0.3512681 0.15725045
## 522 0.4914814 0.3512681 0.15725045
## 523 0.4914814 0.3512681 0.15725045
## 524 0.4914814 0.3512681 0.15725045
## 525 0.4914814 0.3512681 0.15725045
## 526 0.4914814 0.3512681 0.15725045
## 527 0.4914814 0.3512681 0.15725045
## 528 0.4914814 0.3512681 0.15725045
## 529 0.4914814 0.3512681 0.15725045
## 530 0.4914814 0.3512681 0.15725045
## 531 0.4914814 0.3512681 0.15725045
## 532 0.4914814 0.3512681 0.15725045
## 533 0.4914814 0.3512681 0.15725045
## 534 0.4914814 0.3512681 0.15725045
## 535 0.4914814 0.3512681 0.15725045
## 536 0.4914814 0.3512681 0.15725045
## 537 0.4914814 0.3512681 0.15725045
## 538 0.4914814 0.3512681 0.15725045
## 539 0.4914814 0.3512681 0.15725045
## 540 0.4914814 0.3512681 0.15725045
## 541 0.4914814 0.3512681 0.15725045
## 542 0.4914814 0.3512681 0.15725045
## 543 0.4914814 0.3512681 0.15725045
## 544 0.4914814 0.3512681 0.15725045
## 545 0.4914814 0.3512681 0.15725045
## 546 0.4914814 0.3512681 0.15725045
## 547 0.4914814 0.3512681 0.15725045
## 548 0.4914814 0.3512681 0.15725045
## 549 0.4914814 0.3512681 0.15725045
## 550 0.4914814 0.3512681 0.15725045
## 551 0.4914814 0.3512681 0.15725045
## 552 0.4914814 0.3512681 0.15725045
## 553 0.4914814 0.3512681 0.15725045
## 554 0.4914814 0.3512681 0.15725045
## 555 0.4914814 0.3512681 0.15725045
## 556 0.4914814 0.3512681 0.15725045
## 557 0.4914814 0.3512681 0.15725045
## 558 0.4914814 0.3512681 0.15725045
## 559 0.4914814 0.3512681 0.15725045
## 560 0.4914814 0.3512681 0.15725045
## 561 0.4914814 0.3512681 0.15725045
## 562 0.4914814 0.3512681 0.15725045
## 563 0.4914814 0.3512681 0.15725045
## 564 0.4914814 0.3512681 0.15725045
## 565 0.4914814 0.3512681 0.15725045
## 566 0.4914814 0.3512681 0.15725045
## 567 0.4914814 0.3512681 0.15725045
## 568 0.4914814 0.3512681 0.15725045
## 569 0.4914814 0.3512681 0.15725045
## 570 0.4914814 0.3512681 0.15725045
## 571 0.4914814 0.3512681 0.15725045
## 572 0.4914814 0.3512681 0.15725045
## 573 0.4914814 0.3512681 0.15725045
## 574 0.4914814 0.3512681 0.15725045
## 575 0.4914814 0.3512681 0.15725045
## 576 0.4914814 0.3512681 0.15725045
## 577 0.4914814 0.3512681 0.15725045
## 578 0.4914814 0.3512681 0.15725045
## 579 0.4914814 0.3512681 0.15725045
## 580 0.4914814 0.3512681 0.15725045
## 581 0.4914814 0.3512681 0.15725045
## 582 0.4914814 0.3512681 0.15725045
## 583 0.4914814 0.3512681 0.15725045
## 584 0.4914814 0.3512681 0.15725045
## 585 0.4914814 0.3512681 0.15725045
## 586 0.4914814 0.3512681 0.15725045
## 587 0.4914814 0.3512681 0.15725045
## 588 0.4914814 0.3512681 0.15725045
## 589 0.4914814 0.3512681 0.15725045
## 590 0.4914814 0.3512681 0.15725045
## 591 0.4914814 0.3512681 0.15725045
## 592 0.4914814 0.3512681 0.15725045
## 593 0.4914814 0.3512681 0.15725045
## 594 0.4914814 0.3512681 0.15725045
## 595 0.4914814 0.3512681 0.15725045
## 596 0.4914814 0.3512681 0.15725045
## 597 0.4914814 0.3512681 0.15725045
## 598 0.4914814 0.3512681 0.15725045
## 599 0.4914814 0.3512681 0.15725045
## 600 0.4914814 0.3512681 0.15725045
## 601 0.4914814 0.3512681 0.15725045
## 602 0.4914814 0.3512681 0.15725045
## 603 0.4914814 0.3512681 0.15725045
## 604 0.4914814 0.3512681 0.15725045
## 605 0.4914814 0.3512681 0.15725045
## 606 0.4914814 0.3512681 0.15725045
## 607 0.4914814 0.3512681 0.15725045
## 608 0.4914814 0.3512681 0.15725045
## 609 0.4914814 0.3512681 0.15725045
## 610 0.4914814 0.3512681 0.15725045
## 611 0.4914814 0.3512681 0.15725045
## 612 0.4914814 0.3512681 0.15725045
## 613 0.4914814 0.3512681 0.15725045
## 614 0.4914814 0.3512681 0.15725045
## 615 0.4914814 0.3512681 0.15725045
## 616 0.4914814 0.3512681 0.15725045
## 617 0.4914814 0.3512681 0.15725045
## 618 0.4914814 0.3512681 0.15725045
## 619 0.4914814 0.3512681 0.15725045
## 620 0.4914814 0.3512681 0.15725045
## 621 0.4914814 0.3512681 0.15725045
## 622 0.4914814 0.3512681 0.15725045
## 623 0.4914814 0.3512681 0.15725045
## 624 0.4914814 0.3512681 0.15725045
## 625 0.4914814 0.3512681 0.15725045
## 626 0.4914814 0.3512681 0.15725045
## 627 0.4914814 0.3512681 0.15725045
## 628 0.4914814 0.3512681 0.15725045
## 629 0.4914814 0.3512681 0.15725045
## 630 0.4914814 0.3512681 0.15725045
## 631 0.4914814 0.3512681 0.15725045
## 632 0.4914814 0.3512681 0.15725045
## 633 0.4914814 0.3512681 0.15725045
## 634 0.4914814 0.3512681 0.15725045
## 635 0.4914814 0.3512681 0.15725045
## 636 0.4914814 0.3512681 0.15725045
## 637 0.4914814 0.3512681 0.15725045
## 638 0.4914814 0.3512681 0.15725045
## 639 0.4914814 0.3512681 0.15725045
## 640 0.4914814 0.3512681 0.15725045
## 641 0.4914814 0.3512681 0.15725045
## 642 0.4914814 0.3512681 0.15725045
## 643 0.4914814 0.3512681 0.15725045
## 644 0.4914814 0.3512681 0.15725045
## 645 0.4914814 0.3512681 0.15725045
## 646 0.4914814 0.3512681 0.15725045
## 647 0.4914814 0.3512681 0.15725045
## 648 0.4914814 0.3512681 0.15725045
## 649 0.4914814 0.3512681 0.15725045
## 650 0.4914814 0.3512681 0.15725045
## 651 0.4914814 0.3512681 0.15725045
## 652 0.4914814 0.3512681 0.15725045
## 653 0.4914814 0.3512681 0.15725045
## 654 0.4914814 0.3512681 0.15725045
## 655 0.4914814 0.3512681 0.15725045
## 656 0.4914814 0.3512681 0.15725045
## 657 0.4914814 0.3512681 0.15725045
## 658 0.4914814 0.3512681 0.15725045
## 659 0.4914814 0.3512681 0.15725045
## 660 0.4914814 0.3512681 0.15725045
## 661 0.4914814 0.3512681 0.15725045
## 662 0.4914814 0.3512681 0.15725045
## 663 0.4914814 0.3512681 0.15725045
## 664 0.4914814 0.3512681 0.15725045
## 665 0.4914814 0.3512681 0.15725045
## 666 0.4914814 0.3512681 0.15725045
## 667 0.4914814 0.3512681 0.15725045
## 668 0.4914814 0.3512681 0.15725045
## 669 0.4914814 0.3512681 0.15725045
## 670 0.4914814 0.3512681 0.15725045
## 671 0.4914814 0.3512681 0.15725045
## 672 0.4914814 0.3512681 0.15725045
## 673 0.4914814 0.3512681 0.15725045
## 674 0.4914814 0.3512681 0.15725045
## 675 0.4914814 0.3512681 0.15725045
## 676 0.4914814 0.3512681 0.15725045
## 677 0.4914814 0.3512681 0.15725045
## 678 0.4914814 0.3512681 0.15725045
## 679 0.4914814 0.3512681 0.15725045
## 680 0.4914814 0.3512681 0.15725045
## 681 0.4914814 0.3512681 0.15725045
## 682 0.4914814 0.3512681 0.15725045
## 683 0.4914814 0.3512681 0.15725045
## 684 0.4914814 0.3512681 0.15725045
## 685 0.4914814 0.3512681 0.15725045
## 686 0.4914814 0.3512681 0.15725045
## 687 0.4914814 0.3512681 0.15725045
## 688 0.4914814 0.3512681 0.15725045
## 689 0.4914814 0.3512681 0.15725045
## 690 0.4914814 0.3512681 0.15725045
## 691 0.4914814 0.3512681 0.15725045
## 692 0.4914814 0.3512681 0.15725045
## 693 0.4914814 0.3512681 0.15725045
## 694 0.4914814 0.3512681 0.15725045
## 695 0.4914814 0.3512681 0.15725045
## 696 0.4914814 0.3512681 0.15725045
## 697 0.4914814 0.3512681 0.15725045
## 698 0.4914814 0.3512681 0.15725045
## 699 0.4914814 0.3512681 0.15725045
## 700 0.4914814 0.3512681 0.15725045
## 701 0.4914814 0.3512681 0.15725045
## 702 0.4914814 0.3512681 0.15725045
## 703 0.4914814 0.3512681 0.15725045
## 704 0.4914814 0.3512681 0.15725045
## 705 0.4914814 0.3512681 0.15725045
## 706 0.4914814 0.3512681 0.15725045
## 707 0.4914814 0.3512681 0.15725045
## 708 0.4914814 0.3512681 0.15725045
## 709 0.4914814 0.3512681 0.15725045
## 710 0.4914814 0.3512681 0.15725045
## 711 0.4914814 0.3512681 0.15725045
## 712 0.4914814 0.3512681 0.15725045
## 713 0.4914814 0.3512681 0.15725045
## 714 0.4914814 0.3512681 0.15725045
## 715 0.4914814 0.3512681 0.15725045
## 716 0.4914814 0.3512681 0.15725045
## 717 0.4914814 0.3512681 0.15725045
## 718 0.4914814 0.3512681 0.15725045
## 719 0.4914814 0.3512681 0.15725045
## 720 0.4914814 0.3512681 0.15725045
## 721 0.3404945 0.3750533 0.28445220
## 722 0.3404945 0.3750533 0.28445220
## 723 0.3404945 0.3750533 0.28445220
## 724 0.3404945 0.3750533 0.28445220
## 725 0.3404945 0.3750533 0.28445220
## 726 0.3404945 0.3750533 0.28445220
## 727 0.3404945 0.3750533 0.28445220
## 728 0.3404945 0.3750533 0.28445220
## 729 0.3404945 0.3750533 0.28445220
## 730 0.3404945 0.3750533 0.28445220
## 731 0.3404945 0.3750533 0.28445220
## 732 0.3404945 0.3750533 0.28445220
## 733 0.3404945 0.3750533 0.28445220
## 734 0.3404945 0.3750533 0.28445220
## 735 0.3404945 0.3750533 0.28445220
## 736 0.3404945 0.3750533 0.28445220
## 737 0.3404945 0.3750533 0.28445220
## 738 0.3404945 0.3750533 0.28445220
## 739 0.3404945 0.3750533 0.28445220
## 740 0.3404945 0.3750533 0.28445220
## 741 0.3404945 0.3750533 0.28445220
## 742 0.3404945 0.3750533 0.28445220
## 743 0.3404945 0.3750533 0.28445220
## 744 0.3404945 0.3750533 0.28445220
## 745 0.3404945 0.3750533 0.28445220
## 746 0.3404945 0.3750533 0.28445220
## 747 0.3404945 0.3750533 0.28445220
## 748 0.3404945 0.3750533 0.28445220
## 749 0.3404945 0.3750533 0.28445220
## 750 0.3404945 0.3750533 0.28445220
## 751 0.3404945 0.3750533 0.28445220
## 752 0.3404945 0.3750533 0.28445220
## 753 0.3404945 0.3750533 0.28445220
## 754 0.3404945 0.3750533 0.28445220
## 755 0.3404945 0.3750533 0.28445220
## 756 0.3404945 0.3750533 0.28445220
## 757 0.3404945 0.3750533 0.28445220
## 758 0.3404945 0.3750533 0.28445220
## 759 0.3404945 0.3750533 0.28445220
## 760 0.3404945 0.3750533 0.28445220
## 761 0.3404945 0.3750533 0.28445220
## 762 0.3404945 0.3750533 0.28445220
## 763 0.3404945 0.3750533 0.28445220
## 764 0.3404945 0.3750533 0.28445220
## 765 0.3404945 0.3750533 0.28445220
## 766 0.3404945 0.3750533 0.28445220
## 767 0.3404945 0.3750533 0.28445220
## 768 0.3404945 0.3750533 0.28445220
## 769 0.3404945 0.3750533 0.28445220
## 770 0.3404945 0.3750533 0.28445220
## 771 0.3404945 0.3750533 0.28445220
## 772 0.3404945 0.3750533 0.28445220
## 773 0.3404945 0.3750533 0.28445220
## 774 0.3404945 0.3750533 0.28445220
## 775 0.3404945 0.3750533 0.28445220
## 776 0.3404945 0.3750533 0.28445220
## 777 0.3404945 0.3750533 0.28445220
## 778 0.3404945 0.3750533 0.28445220
## 779 0.3404945 0.3750533 0.28445220
## 780 0.3404945 0.3750533 0.28445220
## 781 0.3404945 0.3750533 0.28445220
## 782 0.3404945 0.3750533 0.28445220
## 783 0.3404945 0.3750533 0.28445220
## 784 0.3404945 0.3750533 0.28445220
## 785 0.3404945 0.3750533 0.28445220
## 786 0.3404945 0.3750533 0.28445220
## 787 0.3404945 0.3750533 0.28445220
## 788 0.3404945 0.3750533 0.28445220
## 789 0.3404945 0.3750533 0.28445220
## 790 0.3404945 0.3750533 0.28445220
## 791 0.3404945 0.3750533 0.28445220
## 792 0.3404945 0.3750533 0.28445220
## 793 0.3404945 0.3750533 0.28445220
## 794 0.3404945 0.3750533 0.28445220
## 795 0.3404945 0.3750533 0.28445220
## 796 0.3404945 0.3750533 0.28445220
## 797 0.3404945 0.3750533 0.28445220
## 798 0.3404945 0.3750533 0.28445220
## 799 0.3404945 0.3750533 0.28445220
## 800 0.3404945 0.3750533 0.28445220
## 801 0.3404945 0.3750533 0.28445220
## 802 0.3404945 0.3750533 0.28445220
## 803 0.3404945 0.3750533 0.28445220
## 804 0.3404945 0.3750533 0.28445220
## 805 0.3404945 0.3750533 0.28445220
## 806 0.3404945 0.3750533 0.28445220
## 807 0.3404945 0.3750533 0.28445220
## 808 0.3404945 0.3750533 0.28445220
## 809 0.3404945 0.3750533 0.28445220
## 810 0.3404945 0.3750533 0.28445220
## 811 0.3404945 0.3750533 0.28445220
## 812 0.3404945 0.3750533 0.28445220
## 813 0.3404945 0.3750533 0.28445220
## 814 0.3404945 0.3750533 0.28445220
## 815 0.3404945 0.3750533 0.28445220
## 816 0.3404945 0.3750533 0.28445220
## 817 0.3404945 0.3750533 0.28445220
## 818 0.3404945 0.3750533 0.28445220
## 819 0.3404945 0.3750533 0.28445220
## 820 0.3404945 0.3750533 0.28445220
## 821 0.3404945 0.3750533 0.28445220
## 822 0.3404945 0.3750533 0.28445220
## 823 0.3404945 0.3750533 0.28445220
## 824 0.3404945 0.3750533 0.28445220
## 825 0.3404945 0.3750533 0.28445220
## 826 0.3404945 0.3750533 0.28445220
## 827 0.3404945 0.3750533 0.28445220
## 828 0.3404945 0.3750533 0.28445220
## 829 0.3404945 0.3750533 0.28445220
## 830 0.3404945 0.3750533 0.28445220
## 831 0.3404945 0.3750533 0.28445220
## 832 0.3404945 0.3750533 0.28445220
## 833 0.3404945 0.3750533 0.28445220
## 834 0.3404945 0.3750533 0.28445220
## 835 0.3404945 0.3750533 0.28445220
## 836 0.3404945 0.3750533 0.28445220
## 837 0.3404945 0.3750533 0.28445220
## 838 0.3404945 0.3750533 0.28445220
## 839 0.3404945 0.3750533 0.28445220
## 840 0.3404945 0.3750533 0.28445220
## 841 0.3404945 0.3750533 0.28445220
## 842 0.3404945 0.3750533 0.28445220
## 843 0.3404945 0.3750533 0.28445220
## 844 0.3404945 0.3750533 0.28445220
## 845 0.3404945 0.3750533 0.28445220
## 846 0.3404945 0.3750533 0.28445220
## 847 0.3404945 0.3750533 0.28445220
## 848 0.3404945 0.3750533 0.28445220
## 849 0.3404945 0.3750533 0.28445220
## 850 0.3404945 0.3750533 0.28445220
## 851 0.3404945 0.3750533 0.28445220
## 852 0.3404945 0.3750533 0.28445220
## 853 0.3404945 0.3750533 0.28445220
## 854 0.3404945 0.3750533 0.28445220
## 855 0.3404945 0.3750533 0.28445220
## 856 0.3404945 0.3750533 0.28445220
## 857 0.3404945 0.3750533 0.28445220
## 858 0.3404945 0.3750533 0.28445220
## 859 0.3404945 0.3750533 0.28445220
## 860 0.3404945 0.3750533 0.28445220
## 861 0.3404945 0.3750533 0.28445220
## 862 0.3404945 0.3750533 0.28445220
## 863 0.3404945 0.3750533 0.28445220
## 864 0.3404945 0.3750533 0.28445220
## 865 0.3404945 0.3750533 0.28445220
## 866 0.3404945 0.3750533 0.28445220
## 867 0.3404945 0.3750533 0.28445220
## 868 0.3404945 0.3750533 0.28445220
## 869 0.3404945 0.3750533 0.28445220
## 870 0.3404945 0.3750533 0.28445220
## 871 0.3404945 0.3750533 0.28445220
## 872 0.3404945 0.3750533 0.28445220
## 873 0.3404945 0.3750533 0.28445220
## 874 0.3404945 0.3750533 0.28445220
## 875 0.3404945 0.3750533 0.28445220
## 876 0.3404945 0.3750533 0.28445220
## 877 0.3404945 0.3750533 0.28445220
## 878 0.3404945 0.3750533 0.28445220
## 879 0.3404945 0.3750533 0.28445220
## 880 0.3404945 0.3750533 0.28445220
## 881 0.3404945 0.3750533 0.28445220
## 882 0.3404945 0.3750533 0.28445220
## 883 0.3404945 0.3750533 0.28445220
## 884 0.3404945 0.3750533 0.28445220
## 885 0.3404945 0.3750533 0.28445220
## 886 0.3404945 0.3750533 0.28445220
## 887 0.3404945 0.3750533 0.28445220
## 888 0.3404945 0.3750533 0.28445220
## 889 0.3404945 0.3750533 0.28445220
## 890 0.3404945 0.3750533 0.28445220
## 891 0.3404945 0.3750533 0.28445220
## 892 0.3404945 0.3750533 0.28445220
## 893 0.3404945 0.3750533 0.28445220
## 894 0.3404945 0.3750533 0.28445220
## 895 0.3404945 0.3750533 0.28445220
## 896 0.3404945 0.3750533 0.28445220
## 897 0.3404945 0.3750533 0.28445220
## 898 0.3404945 0.3750533 0.28445220
## 899 0.3404945 0.3750533 0.28445220
## 900 0.3404945 0.3750533 0.28445220
## 901 0.3404945 0.3750533 0.28445220
## 902 0.3404945 0.3750533 0.28445220
## 903 0.3404945 0.3750533 0.28445220
## 904 0.3404945 0.3750533 0.28445220
## 905 0.3404945 0.3750533 0.28445220
## 906 0.3404945 0.3750533 0.28445220
## 907 0.3404945 0.3750533 0.28445220
## 908 0.3404945 0.3750533 0.28445220
## 909 0.3404945 0.3750533 0.28445220
## 910 0.3404945 0.3750533 0.28445220
## 911 0.3404945 0.3750533 0.28445220
## 912 0.3404945 0.3750533 0.28445220
## 913 0.3404945 0.3750533 0.28445220
## 914 0.3404945 0.3750533 0.28445220
## 915 0.3404945 0.3750533 0.28445220
## 916 0.3404945 0.3750533 0.28445220
## 917 0.3404945 0.3750533 0.28445220
## 918 0.3404945 0.3750533 0.28445220
## 919 0.3404945 0.3750533 0.28445220
## 920 0.3404945 0.3750533 0.28445220
## 921 0.3404945 0.3750533 0.28445220
## 922 0.3404945 0.3750533 0.28445220
## 923 0.3404945 0.3750533 0.28445220
## 924 0.3404945 0.3750533 0.28445220
## 925 0.3404945 0.3750533 0.28445220
## 926 0.3404945 0.3750533 0.28445220
## 927 0.3404945 0.3750533 0.28445220
## 928 0.3404945 0.3750533 0.28445220
## 929 0.3404945 0.3750533 0.28445220
## 930 0.3404945 0.3750533 0.28445220
## 931 0.3404945 0.3750533 0.28445220
## 932 0.3404945 0.3750533 0.28445220
## 933 0.3404945 0.3750533 0.28445220
## 934 0.3404945 0.3750533 0.28445220
## 935 0.3404945 0.3750533 0.28445220
## 936 0.3404945 0.3750533 0.28445220
## 937 0.3404945 0.3750533 0.28445220
## 938 0.3404945 0.3750533 0.28445220
## 939 0.3404945 0.3750533 0.28445220
## 940 0.3404945 0.3750533 0.28445220
## 941 0.3404945 0.3750533 0.28445220
## 942 0.3404945 0.3750533 0.28445220
## 943 0.3404945 0.3750533 0.28445220
## 944 0.3404945 0.3750533 0.28445220
## 945 0.3404945 0.3750533 0.28445220
## 946 0.3404945 0.3750533 0.28445220
## 947 0.3404945 0.3750533 0.28445220
## 948 0.3404945 0.3750533 0.28445220
## 949 0.3404945 0.3750533 0.28445220
## 950 0.3404945 0.3750533 0.28445220
## 951 0.3404945 0.3750533 0.28445220
## 952 0.3404945 0.3750533 0.28445220
## 953 0.3404945 0.3750533 0.28445220
## 954 0.3404945 0.3750533 0.28445220
## 955 0.3404945 0.3750533 0.28445220
## 956 0.3404945 0.3750533 0.28445220
## 957 0.3404945 0.3750533 0.28445220
## 958 0.3404945 0.3750533 0.28445220
## 959 0.3404945 0.3750533 0.28445220
## 960 0.3404945 0.3750533 0.28445220
## 961 0.2049648 0.3479473 0.44708788
## 962 0.2049648 0.3479473 0.44708788
## 963 0.2049648 0.3479473 0.44708788
## 964 0.2049648 0.3479473 0.44708788
## 965 0.2049648 0.3479473 0.44708788
## 966 0.2049648 0.3479473 0.44708788
## 967 0.2049648 0.3479473 0.44708788
## 968 0.2049648 0.3479473 0.44708788
## 969 0.2049648 0.3479473 0.44708788
## 970 0.2049648 0.3479473 0.44708788
## 971 0.2049648 0.3479473 0.44708788
## 972 0.2049648 0.3479473 0.44708788
## 973 0.2049648 0.3479473 0.44708788
## 974 0.2049648 0.3479473 0.44708788
## 975 0.2049648 0.3479473 0.44708788
## 976 0.2049648 0.3479473 0.44708788
## 977 0.2049648 0.3479473 0.44708788
## 978 0.2049648 0.3479473 0.44708788
## 979 0.2049648 0.3479473 0.44708788
## 980 0.2049648 0.3479473 0.44708788
## 981 0.2049648 0.3479473 0.44708788
## 982 0.2049648 0.3479473 0.44708788
## 983 0.2049648 0.3479473 0.44708788
## 984 0.2049648 0.3479473 0.44708788
## 985 0.2049648 0.3479473 0.44708788
## 986 0.2049648 0.3479473 0.44708788
## 987 0.2049648 0.3479473 0.44708788
## 988 0.2049648 0.3479473 0.44708788
## 989 0.2049648 0.3479473 0.44708788
## 990 0.2049648 0.3479473 0.44708788
## 991 0.2049648 0.3479473 0.44708788
## 992 0.2049648 0.3479473 0.44708788
## 993 0.2049648 0.3479473 0.44708788
## 994 0.2049648 0.3479473 0.44708788
## 995 0.2049648 0.3479473 0.44708788
## 996 0.2049648 0.3479473 0.44708788
## 997 0.2049648 0.3479473 0.44708788
## 998 0.2049648 0.3479473 0.44708788
## 999 0.2049648 0.3479473 0.44708788
## 1000 0.2049648 0.3479473 0.44708788
## 1001 0.2049648 0.3479473 0.44708788
## 1002 0.2049648 0.3479473 0.44708788
## 1003 0.2049648 0.3479473 0.44708788
## 1004 0.2049648 0.3479473 0.44708788
## 1005 0.2049648 0.3479473 0.44708788
## 1006 0.2049648 0.3479473 0.44708788
## 1007 0.2049648 0.3479473 0.44708788
## 1008 0.2049648 0.3479473 0.44708788
## 1009 0.2049648 0.3479473 0.44708788
## 1010 0.2049648 0.3479473 0.44708788
## 1011 0.2049648 0.3479473 0.44708788
## 1012 0.2049648 0.3479473 0.44708788
## 1013 0.2049648 0.3479473 0.44708788
## 1014 0.2049648 0.3479473 0.44708788
## 1015 0.2049648 0.3479473 0.44708788
## 1016 0.2049648 0.3479473 0.44708788
## 1017 0.2049648 0.3479473 0.44708788
## 1018 0.2049648 0.3479473 0.44708788
## 1019 0.2049648 0.3479473 0.44708788
## 1020 0.2049648 0.3479473 0.44708788
## 1021 0.2049648 0.3479473 0.44708788
## 1022 0.2049648 0.3479473 0.44708788
## 1023 0.2049648 0.3479473 0.44708788
## 1024 0.2049648 0.3479473 0.44708788
## 1025 0.2049648 0.3479473 0.44708788
## 1026 0.2049648 0.3479473 0.44708788
## 1027 0.2049648 0.3479473 0.44708788
## 1028 0.2049648 0.3479473 0.44708788
## 1029 0.2049648 0.3479473 0.44708788
## 1030 0.2049648 0.3479473 0.44708788
## 1031 0.2049648 0.3479473 0.44708788
## 1032 0.2049648 0.3479473 0.44708788
## 1033 0.2049648 0.3479473 0.44708788
## 1034 0.2049648 0.3479473 0.44708788
## 1035 0.2049648 0.3479473 0.44708788
## 1036 0.2049648 0.3479473 0.44708788
## 1037 0.2049648 0.3479473 0.44708788
## 1038 0.2049648 0.3479473 0.44708788
## 1039 0.2049648 0.3479473 0.44708788
## 1040 0.2049648 0.3479473 0.44708788
## 1041 0.2049648 0.3479473 0.44708788
## 1042 0.2049648 0.3479473 0.44708788
## 1043 0.2049648 0.3479473 0.44708788
## 1044 0.2049648 0.3479473 0.44708788
## 1045 0.2049648 0.3479473 0.44708788
## 1046 0.2049648 0.3479473 0.44708788
## 1047 0.2049648 0.3479473 0.44708788
## 1048 0.2049648 0.3479473 0.44708788
## 1049 0.2049648 0.3479473 0.44708788
## 1050 0.2049648 0.3479473 0.44708788
## 1051 0.2049648 0.3479473 0.44708788
## 1052 0.2049648 0.3479473 0.44708788
## 1053 0.2049648 0.3479473 0.44708788
## 1054 0.2049648 0.3479473 0.44708788
## 1055 0.2049648 0.3479473 0.44708788
## 1056 0.2049648 0.3479473 0.44708788
## 1057 0.2049648 0.3479473 0.44708788
## 1058 0.2049648 0.3479473 0.44708788
## 1059 0.2049648 0.3479473 0.44708788
## 1060 0.2049648 0.3479473 0.44708788
## 1061 0.2049648 0.3479473 0.44708788
## 1062 0.2049648 0.3479473 0.44708788
## 1063 0.2049648 0.3479473 0.44708788
## 1064 0.2049648 0.3479473 0.44708788
## 1065 0.2049648 0.3479473 0.44708788
## 1066 0.2049648 0.3479473 0.44708788
## 1067 0.2049648 0.3479473 0.44708788
## 1068 0.2049648 0.3479473 0.44708788
## 1069 0.2049648 0.3479473 0.44708788
## 1070 0.2049648 0.3479473 0.44708788
## 1071 0.2049648 0.3479473 0.44708788
## 1072 0.2049648 0.3479473 0.44708788
## 1073 0.2049648 0.3479473 0.44708788
## 1074 0.2049648 0.3479473 0.44708788
## 1075 0.2049648 0.3479473 0.44708788
## 1076 0.2049648 0.3479473 0.44708788
## 1077 0.2049648 0.3479473 0.44708788
## 1078 0.2049648 0.3479473 0.44708788
## 1079 0.2049648 0.3479473 0.44708788
## 1080 0.2049648 0.3479473 0.44708788
## 1081 0.2049648 0.3479473 0.44708788
## 1082 0.2049648 0.3479473 0.44708788
## 1083 0.2049648 0.3479473 0.44708788
## 1084 0.2049648 0.3479473 0.44708788
## 1085 0.2049648 0.3479473 0.44708788
## 1086 0.2049648 0.3479473 0.44708788
## 1087 0.2049648 0.3479473 0.44708788
## 1088 0.2049648 0.3479473 0.44708788
## 1089 0.2049648 0.3479473 0.44708788
## 1090 0.2049648 0.3479473 0.44708788
## 1091 0.2049648 0.3479473 0.44708788
## 1092 0.2049648 0.3479473 0.44708788
## 1093 0.2049648 0.3479473 0.44708788
## 1094 0.2049648 0.3479473 0.44708788
## 1095 0.2049648 0.3479473 0.44708788
## 1096 0.2049648 0.3479473 0.44708788
## 1097 0.2049648 0.3479473 0.44708788
## 1098 0.2049648 0.3479473 0.44708788
## 1099 0.2049648 0.3479473 0.44708788
## 1100 0.2049648 0.3479473 0.44708788
## 1101 0.2049648 0.3479473 0.44708788
## 1102 0.2049648 0.3479473 0.44708788
## 1103 0.2049648 0.3479473 0.44708788
## 1104 0.2049648 0.3479473 0.44708788
## 1105 0.2049648 0.3479473 0.44708788
## 1106 0.2049648 0.3479473 0.44708788
## 1107 0.2049648 0.3479473 0.44708788
## 1108 0.2049648 0.3479473 0.44708788
## 1109 0.2049648 0.3479473 0.44708788
## 1110 0.2049648 0.3479473 0.44708788
## 1111 0.2049648 0.3479473 0.44708788
## 1112 0.2049648 0.3479473 0.44708788
## 1113 0.2049648 0.3479473 0.44708788
## 1114 0.2049648 0.3479473 0.44708788
## 1115 0.2049648 0.3479473 0.44708788
## 1116 0.2049648 0.3479473 0.44708788
## 1117 0.2049648 0.3479473 0.44708788
## 1118 0.2049648 0.3479473 0.44708788
## 1119 0.2049648 0.3479473 0.44708788
## 1120 0.2049648 0.3479473 0.44708788
## 1121 0.2049648 0.3479473 0.44708788
## 1122 0.2049648 0.3479473 0.44708788
## 1123 0.2049648 0.3479473 0.44708788
## 1124 0.2049648 0.3479473 0.44708788
## 1125 0.2049648 0.3479473 0.44708788
## 1126 0.2049648 0.3479473 0.44708788
## 1127 0.2049648 0.3479473 0.44708788
## 1128 0.2049648 0.3479473 0.44708788
## 1129 0.2049648 0.3479473 0.44708788
## 1130 0.2049648 0.3479473 0.44708788
## 1131 0.2049648 0.3479473 0.44708788
## 1132 0.2049648 0.3479473 0.44708788
## 1133 0.2049648 0.3479473 0.44708788
## 1134 0.2049648 0.3479473 0.44708788
## 1135 0.2049648 0.3479473 0.44708788
## 1136 0.2049648 0.3479473 0.44708788
## 1137 0.2049648 0.3479473 0.44708788
## 1138 0.2049648 0.3479473 0.44708788
## 1139 0.2049648 0.3479473 0.44708788
## 1140 0.2049648 0.3479473 0.44708788
## 1141 0.2049648 0.3479473 0.44708788
## 1142 0.2049648 0.3479473 0.44708788
## 1143 0.2049648 0.3479473 0.44708788
## 1144 0.2049648 0.3479473 0.44708788
## 1145 0.2049648 0.3479473 0.44708788
## 1146 0.2049648 0.3479473 0.44708788
## 1147 0.2049648 0.3479473 0.44708788
## 1148 0.2049648 0.3479473 0.44708788
## 1149 0.2049648 0.3479473 0.44708788
## 1150 0.2049648 0.3479473 0.44708788
## 1151 0.2049648 0.3479473 0.44708788
## 1152 0.2049648 0.3479473 0.44708788
## 1153 0.2049648 0.3479473 0.44708788
## 1154 0.2049648 0.3479473 0.44708788
## 1155 0.2049648 0.3479473 0.44708788
## 1156 0.2049648 0.3479473 0.44708788
## 1157 0.2049648 0.3479473 0.44708788
## 1158 0.2049648 0.3479473 0.44708788
## 1159 0.2049648 0.3479473 0.44708788
## 1160 0.2049648 0.3479473 0.44708788
## 1161 0.2049648 0.3479473 0.44708788
## 1162 0.2049648 0.3479473 0.44708788
## 1163 0.2049648 0.3479473 0.44708788
## 1164 0.2049648 0.3479473 0.44708788
## 1165 0.2049648 0.3479473 0.44708788
## 1166 0.2049648 0.3479473 0.44708788
## 1167 0.2049648 0.3479473 0.44708788
## 1168 0.2049648 0.3479473 0.44708788
## 1169 0.2049648 0.3479473 0.44708788
## 1170 0.2049648 0.3479473 0.44708788
## 1171 0.2049648 0.3479473 0.44708788
## 1172 0.2049648 0.3479473 0.44708788
## 1173 0.2049648 0.3479473 0.44708788
## 1174 0.2049648 0.3479473 0.44708788
## 1175 0.2049648 0.3479473 0.44708788
## 1176 0.2049648 0.3479473 0.44708788
## 1177 0.2049648 0.3479473 0.44708788
## 1178 0.2049648 0.3479473 0.44708788
## 1179 0.2049648 0.3479473 0.44708788
## 1180 0.2049648 0.3479473 0.44708788
## 1181 0.2049648 0.3479473 0.44708788
## 1182 0.2049648 0.3479473 0.44708788
## 1183 0.2049648 0.3479473 0.44708788
## 1184 0.2049648 0.3479473 0.44708788
## 1185 0.2049648 0.3479473 0.44708788
## 1186 0.2049648 0.3479473 0.44708788
## 1187 0.2049648 0.3479473 0.44708788
## 1188 0.2049648 0.3479473 0.44708788
## 1189 0.2049648 0.3479473 0.44708788
## 1190 0.2049648 0.3479473 0.44708788
## 1191 0.2049648 0.3479473 0.44708788
## 1192 0.2049648 0.3479473 0.44708788
## 1193 0.2049648 0.3479473 0.44708788
## 1194 0.2049648 0.3479473 0.44708788
## 1195 0.2049648 0.3479473 0.44708788
## 1196 0.2049648 0.3479473 0.44708788
## 1197 0.2049648 0.3479473 0.44708788
## 1198 0.2049648 0.3479473 0.44708788
## 1199 0.2049648 0.3479473 0.44708788
## 1200 0.2049648 0.3479473 0.44708788
## 1201 0.1073913 0.2809667 0.61164200
## 1202 0.1073913 0.2809667 0.61164200
## 1203 0.1073913 0.2809667 0.61164200
## 1204 0.1073913 0.2809667 0.61164200
## 1205 0.1073913 0.2809667 0.61164200
## 1206 0.1073913 0.2809667 0.61164200
## 1207 0.1073913 0.2809667 0.61164200
## 1208 0.1073913 0.2809667 0.61164200
## 1209 0.1073913 0.2809667 0.61164200
## 1210 0.1073913 0.2809667 0.61164200
## 1211 0.1073913 0.2809667 0.61164200
## 1212 0.1073913 0.2809667 0.61164200
## 1213 0.1073913 0.2809667 0.61164200
## 1214 0.1073913 0.2809667 0.61164200
## 1215 0.1073913 0.2809667 0.61164200
## 1216 0.1073913 0.2809667 0.61164200
## 1217 0.1073913 0.2809667 0.61164200
## 1218 0.1073913 0.2809667 0.61164200
## 1219 0.1073913 0.2809667 0.61164200
## 1220 0.1073913 0.2809667 0.61164200
## 1221 0.1073913 0.2809667 0.61164200
## 1222 0.1073913 0.2809667 0.61164200
## 1223 0.1073913 0.2809667 0.61164200
## 1224 0.1073913 0.2809667 0.61164200
## 1225 0.1073913 0.2809667 0.61164200
## 1226 0.1073913 0.2809667 0.61164200
## 1227 0.1073913 0.2809667 0.61164200
## 1228 0.1073913 0.2809667 0.61164200
## 1229 0.1073913 0.2809667 0.61164200
## 1230 0.1073913 0.2809667 0.61164200
## 1231 0.1073913 0.2809667 0.61164200
## 1232 0.1073913 0.2809667 0.61164200
## 1233 0.1073913 0.2809667 0.61164200
## 1234 0.1073913 0.2809667 0.61164200
## 1235 0.1073913 0.2809667 0.61164200
## 1236 0.1073913 0.2809667 0.61164200
## 1237 0.1073913 0.2809667 0.61164200
## 1238 0.1073913 0.2809667 0.61164200
## 1239 0.1073913 0.2809667 0.61164200
## 1240 0.1073913 0.2809667 0.61164200
## 1241 0.1073913 0.2809667 0.61164200
## 1242 0.1073913 0.2809667 0.61164200
## 1243 0.1073913 0.2809667 0.61164200
## 1244 0.1073913 0.2809667 0.61164200
## 1245 0.1073913 0.2809667 0.61164200
## 1246 0.1073913 0.2809667 0.61164200
## 1247 0.1073913 0.2809667 0.61164200
## 1248 0.1073913 0.2809667 0.61164200
## 1249 0.1073913 0.2809667 0.61164200
## 1250 0.1073913 0.2809667 0.61164200
## 1251 0.1073913 0.2809667 0.61164200
## 1252 0.1073913 0.2809667 0.61164200
## 1253 0.1073913 0.2809667 0.61164200
## 1254 0.1073913 0.2809667 0.61164200
## 1255 0.1073913 0.2809667 0.61164200
## 1256 0.1073913 0.2809667 0.61164200
## 1257 0.1073913 0.2809667 0.61164200
## 1258 0.1073913 0.2809667 0.61164200
## 1259 0.1073913 0.2809667 0.61164200
## 1260 0.1073913 0.2809667 0.61164200
## 1261 0.1073913 0.2809667 0.61164200
## 1262 0.1073913 0.2809667 0.61164200
## 1263 0.1073913 0.2809667 0.61164200
## 1264 0.1073913 0.2809667 0.61164200
## 1265 0.1073913 0.2809667 0.61164200
## 1266 0.1073913 0.2809667 0.61164200
## 1267 0.1073913 0.2809667 0.61164200
## 1268 0.1073913 0.2809667 0.61164200
## 1269 0.1073913 0.2809667 0.61164200
## 1270 0.1073913 0.2809667 0.61164200
## 1271 0.1073913 0.2809667 0.61164200
## 1272 0.1073913 0.2809667 0.61164200
## 1273 0.1073913 0.2809667 0.61164200
## 1274 0.1073913 0.2809667 0.61164200
## 1275 0.1073913 0.2809667 0.61164200
## 1276 0.1073913 0.2809667 0.61164200
## 1277 0.1073913 0.2809667 0.61164200
## 1278 0.1073913 0.2809667 0.61164200
## 1279 0.1073913 0.2809667 0.61164200
## 1280 0.1073913 0.2809667 0.61164200
## 1281 0.1073913 0.2809667 0.61164200
## 1282 0.1073913 0.2809667 0.61164200
## 1283 0.1073913 0.2809667 0.61164200
## 1284 0.1073913 0.2809667 0.61164200
## 1285 0.1073913 0.2809667 0.61164200
## 1286 0.1073913 0.2809667 0.61164200
## 1287 0.1073913 0.2809667 0.61164200
## 1288 0.1073913 0.2809667 0.61164200
## 1289 0.1073913 0.2809667 0.61164200
## 1290 0.1073913 0.2809667 0.61164200
## 1291 0.1073913 0.2809667 0.61164200
## 1292 0.1073913 0.2809667 0.61164200
## 1293 0.1073913 0.2809667 0.61164200
## 1294 0.1073913 0.2809667 0.61164200
## 1295 0.1073913 0.2809667 0.61164200
## 1296 0.1073913 0.2809667 0.61164200
## 1297 0.1073913 0.2809667 0.61164200
## 1298 0.1073913 0.2809667 0.61164200
## 1299 0.1073913 0.2809667 0.61164200
## 1300 0.1073913 0.2809667 0.61164200
## 1301 0.1073913 0.2809667 0.61164200
## 1302 0.1073913 0.2809667 0.61164200
## 1303 0.1073913 0.2809667 0.61164200
## 1304 0.1073913 0.2809667 0.61164200
## 1305 0.1073913 0.2809667 0.61164200
## 1306 0.1073913 0.2809667 0.61164200
## 1307 0.1073913 0.2809667 0.61164200
## 1308 0.1073913 0.2809667 0.61164200
## 1309 0.1073913 0.2809667 0.61164200
## 1310 0.1073913 0.2809667 0.61164200
## 1311 0.1073913 0.2809667 0.61164200
## 1312 0.1073913 0.2809667 0.61164200
## 1313 0.1073913 0.2809667 0.61164200
## 1314 0.1073913 0.2809667 0.61164200
## 1315 0.1073913 0.2809667 0.61164200
## 1316 0.1073913 0.2809667 0.61164200
## 1317 0.1073913 0.2809667 0.61164200
## 1318 0.1073913 0.2809667 0.61164200
## 1319 0.1073913 0.2809667 0.61164200
## 1320 0.1073913 0.2809667 0.61164200
## 1321 0.1073913 0.2809667 0.61164200
## 1322 0.1073913 0.2809667 0.61164200
## 1323 0.1073913 0.2809667 0.61164200
## 1324 0.1073913 0.2809667 0.61164200
## 1325 0.1073913 0.2809667 0.61164200
## 1326 0.1073913 0.2809667 0.61164200
## 1327 0.1073913 0.2809667 0.61164200
## 1328 0.1073913 0.2809667 0.61164200
## 1329 0.1073913 0.2809667 0.61164200
## 1330 0.1073913 0.2809667 0.61164200
## 1331 0.1073913 0.2809667 0.61164200
## 1332 0.1073913 0.2809667 0.61164200
## 1333 0.1073913 0.2809667 0.61164200
## 1334 0.1073913 0.2809667 0.61164200
## 1335 0.1073913 0.2809667 0.61164200
## 1336 0.1073913 0.2809667 0.61164200
## 1337 0.1073913 0.2809667 0.61164200
## 1338 0.1073913 0.2809667 0.61164200
## 1339 0.1073913 0.2809667 0.61164200
## 1340 0.1073913 0.2809667 0.61164200
## 1341 0.1073913 0.2809667 0.61164200
## 1342 0.1073913 0.2809667 0.61164200
## 1343 0.1073913 0.2809667 0.61164200
## 1344 0.1073913 0.2809667 0.61164200
## 1345 0.1073913 0.2809667 0.61164200
## 1346 0.1073913 0.2809667 0.61164200
## 1347 0.1073913 0.2809667 0.61164200
## 1348 0.1073913 0.2809667 0.61164200
## 1349 0.1073913 0.2809667 0.61164200
## 1350 0.1073913 0.2809667 0.61164200
## 1351 0.1073913 0.2809667 0.61164200
## 1352 0.1073913 0.2809667 0.61164200
## 1353 0.1073913 0.2809667 0.61164200
## 1354 0.1073913 0.2809667 0.61164200
## 1355 0.1073913 0.2809667 0.61164200
## 1356 0.1073913 0.2809667 0.61164200
## 1357 0.1073913 0.2809667 0.61164200
## 1358 0.1073913 0.2809667 0.61164200
## 1359 0.1073913 0.2809667 0.61164200
## 1360 0.1073913 0.2809667 0.61164200
## 1361 0.1073913 0.2809667 0.61164200
## 1362 0.1073913 0.2809667 0.61164200
## 1363 0.1073913 0.2809667 0.61164200
## 1364 0.1073913 0.2809667 0.61164200
## 1365 0.1073913 0.2809667 0.61164200
## 1366 0.1073913 0.2809667 0.61164200
## 1367 0.1073913 0.2809667 0.61164200
## 1368 0.1073913 0.2809667 0.61164200
## 1369 0.1073913 0.2809667 0.61164200
## 1370 0.1073913 0.2809667 0.61164200
## 1371 0.1073913 0.2809667 0.61164200
## 1372 0.1073913 0.2809667 0.61164200
## 1373 0.1073913 0.2809667 0.61164200
## 1374 0.1073913 0.2809667 0.61164200
## 1375 0.1073913 0.2809667 0.61164200
## 1376 0.1073913 0.2809667 0.61164200
## 1377 0.1073913 0.2809667 0.61164200
## 1378 0.1073913 0.2809667 0.61164200
## 1379 0.1073913 0.2809667 0.61164200
## 1380 0.1073913 0.2809667 0.61164200
## 1381 0.1073913 0.2809667 0.61164200
## 1382 0.1073913 0.2809667 0.61164200
## 1383 0.1073913 0.2809667 0.61164200
## 1384 0.1073913 0.2809667 0.61164200
## 1385 0.1073913 0.2809667 0.61164200
## 1386 0.1073913 0.2809667 0.61164200
## 1387 0.1073913 0.2809667 0.61164200
## 1388 0.1073913 0.2809667 0.61164200
## 1389 0.1073913 0.2809667 0.61164200
## 1390 0.1073913 0.2809667 0.61164200
## 1391 0.1073913 0.2809667 0.61164200
## 1392 0.1073913 0.2809667 0.61164200
## 1393 0.1073913 0.2809667 0.61164200
## 1394 0.1073913 0.2809667 0.61164200
## 1395 0.1073913 0.2809667 0.61164200
## 1396 0.1073913 0.2809667 0.61164200
## 1397 0.1073913 0.2809667 0.61164200
## 1398 0.1073913 0.2809667 0.61164200
## 1399 0.1073913 0.2809667 0.61164200
## 1400 0.1073913 0.2809667 0.61164200
## 1401 0.1073913 0.2809667 0.61164200
## 1402 0.1073913 0.2809667 0.61164200
## 1403 0.1073913 0.2809667 0.61164200
## 1404 0.1073913 0.2809667 0.61164200
## 1405 0.1073913 0.2809667 0.61164200
## 1406 0.1073913 0.2809667 0.61164200
## 1407 0.1073913 0.2809667 0.61164200
## 1408 0.1073913 0.2809667 0.61164200
## 1409 0.1073913 0.2809667 0.61164200
## 1410 0.1073913 0.2809667 0.61164200
## 1411 0.1073913 0.2809667 0.61164200
## 1412 0.1073913 0.2809667 0.61164200
## 1413 0.1073913 0.2809667 0.61164200
## 1414 0.1073913 0.2809667 0.61164200
## 1415 0.1073913 0.2809667 0.61164200
## 1416 0.1073913 0.2809667 0.61164200
## 1417 0.1073913 0.2809667 0.61164200
## 1418 0.1073913 0.2809667 0.61164200
## 1419 0.1073913 0.2809667 0.61164200
## 1420 0.1073913 0.2809667 0.61164200
## 1421 0.1073913 0.2809667 0.61164200
## 1422 0.1073913 0.2809667 0.61164200
## 1423 0.1073913 0.2809667 0.61164200
## 1424 0.1073913 0.2809667 0.61164200
## 1425 0.1073913 0.2809667 0.61164200
## 1426 0.1073913 0.2809667 0.61164200
## 1427 0.1073913 0.2809667 0.61164200
## 1428 0.1073913 0.2809667 0.61164200
## 1429 0.1073913 0.2809667 0.61164200
## 1430 0.1073913 0.2809667 0.61164200
## 1431 0.1073913 0.2809667 0.61164200
## 1432 0.1073913 0.2809667 0.61164200
## 1433 0.1073913 0.2809667 0.61164200
## 1434 0.1073913 0.2809667 0.61164200
## 1435 0.1073913 0.2809667 0.61164200
## 1436 0.1073913 0.2809667 0.61164200
## 1437 0.1073913 0.2809667 0.61164200
## 1438 0.1073913 0.2809667 0.61164200
## 1439 0.1073913 0.2809667 0.61164200
## 1440 0.1073913 0.2809667 0.61164200Purchase intent: Chi-square
## Combine two columns
Decision$Condition <- paste(Decision$Ferm.Type, Decision$Millet.Ratio)
Decision.chi <- Decision %>%
dplyr::select(Condition, Buy) %>%
group_by(Condition, Buy) %>%
summarize(n = n()) %>%
pivot_wider(names_from = Buy, values_from = n, values_fill = 0) %>%
column_to_rownames(var = "Condition") %>%
rename("Buy" = "1", "Maybe" = "2", "Not Buy" = "3")## `summarise()` has grouped output by 'Condition'. You can override using the `.groups` argument.chisq.test(Decision.chi)##
## Pearson's Chi-squared test
##
## data: Decision.chi
## X-squared = 506.01, df = 22, p-value < 2.2e-16Purchase intent: Bar graph
## Buy or not buy bar chart
Decision$Ferm.Type <- factor(Decision$Ferm.Type, levels = c("Unfermented", "Fermented"))
Decision%>%
mutate(Buy = case_when(Buy == "1" ~ "Buy",
Buy == "2" ~ "Maybe",
Buy == "3" ~ "Not Buy")) %>%
ggplot(aes(x = as.factor(Millet.Ratio), fill = Buy)) +
geom_bar(position="fill") +
facet_wrap(~Ferm.Type) +
scale_fill_manual(values = c("#2E7D32", "#FF9800", "#B71C1C"))+
theme_bw() +
theme(strip.background = element_rect(fill="white"))