预测及决策技术应用课程实验报告

实验报告实验名称：预测与决策技术应用课程实验指导教师：实验日期：实验地点：班级：学号：姓名：实验成绩：实验1德尔菲预测法【实验题目】某公司为实现某个目标，初步选定了a,b,c,d,e,f六个工程，由于实际情况的限制，需要从六项中选三项。为慎重起见，公司共聘请了100位公司内外的专家，请他们选出他们认为最重要的三项工程，并对这三项工程进行排序，专家的意见统计结果如下表。如果你是最后的决策者，请根据专家给出的意见，做出最合理的决定。专家意见表排序123a301020b101040c161020d10150e144610f20910【实验环境】Excel【实验目的】掌握利用德尔菲法进行定性预测的方法【实验步骤及结果】本实验中，要求选择3个项目进行排序，则可以按每位专家是同等的预测能力来看待，并规定其专家评选的排在第1位的项目给3分，第2位的项目给2分，第3位的项目给1分，没选上的其余项目给0分。在本实验中，=3分，=2分，=1分。上表中，对征询表作出回答的专家人数N=100人：赞成a项排第1位的专家有30人（即=30），赞成a项排第2位的专家有10人（=10），赞成a排第3位的有20人（=20）。所以，a项目的总得分为：3*30+2*10+1*20=130分。同理可以分别计算出：b项目的总得分为：3*10+2*10+1*40=90分；c项目的总得分为：3*16+2*10+1*20=88分；d项目的总得分为：3*10+2*15+1*0=60分；e项目的总得分为：3*14+2*46+1*10=144分；f项目的总得分为：3*20+2*9+1*10=88分。由此，绘制下表。并从总分按高到低排序，得到前三个项目是e、a、b。专家意见表排序第1位第2位第3位得分\分排序分值\分321工程a3010201302b101040903c161020884d10150606e1446101441f20910884该方法用统计方法综合专家们的意见，定量表示预测结果。实验成绩：批阅老师：批阅日期：2014-11

实验2多元线性回归预测法【实验题目】1970-1982年某国实际通货膨胀率、失业率和预期通货膨胀率（%）年份实际通货膨胀率Y失业率X1预期通货膨胀率X219705.924.904.7819714.305.903.8419723.305.603.3119736.234.903.44197410.975.606.8419759.148.509.4719765.777.706.5119776.457.105.9219787.606.106.08197911.475.808.09198013.467.1010.01198110.247.6010.8119825.999.708.001.建立实际通货膨胀率、失业率和预期通货膨胀率的多元线性回归模型；2.对模型进行检验（取α=0.05）；3.如果1983年的失业率为7.3%，预期通货膨胀率为9.2%，预测1983年的实际通货膨胀率。【实验环境】EVIEWS6.0【实验目的】掌握多元线性回归模型的原理掌握多元线性回归模型的建立、估计及检验方法巩固OLS估计方法的操作和估计步骤巩固回归模型的预测操作方法，理解预测的用途【实验步骤及结果】设因变量受多个因素影响，且每个影响因素与的关系是线性的，则可建立多元线性回归模型：Eviews运算演示：一、数据的预处理【1.输入数据】首先建立工作文件:“File/New/Workfile”。设定该工作文件的结构类型为:“Date-regularfrequency(日期-固定频率)”；将频率设定为:“Integerdata(整数日期)”；日期的范围为:1970-1982；并对该工作文件命名:“黄智_实验2”输入13个因变量-实际通货膨胀率Y的数据；13个自变量-失业率X1的数据、13个自变量-预期通货膨胀率X2的数据。【2.绘制动态曲线图】输入序列名称各个变量的动态曲线从三个动态曲线图中，可以明显的发现实际通货膨胀率Y、失业率X1、预期通货膨胀率X2的数据变化，有很强的随着时间推移向下或向上的趋势。【3.绘制散点图】【4.简单相关分析】从简单相关分析中，可以看出实际通货膨胀率Y与预期通货膨胀率X2有较强的相关性，其相关性为正相关；而实际通货膨胀率Y与失业率X1的相关系数为0.116342，表现为不太相关。Eviews运算演示：二、最小二乘估计在出现的对话框的“Quick/EstimateEquation”栏中键入“npgrcgnicpigdppc”，在“EstimationSettings”栏中选择“LeastSqares”(最小二乘法)，点“ok”，即出现回归结果：根据表中数据，模型估计的结果为：Eviews运算演示：三、回归模型检验【1.经济意义检验】上述模型估计结果说明：在假定其它变量不变的情况下，当年实际通货膨胀率Y每增长1%，失业率X1下降1.393115%；在假定其它变量不变的情况下，实际通货膨胀率Y每增长1%，预期通货膨胀率X2增长1.480674%。这与理论分析和经验判断相一致。【2.拟合优度检验】由回归模型的表中数据可以得到：。其拟合优度值，所以拟合优度检验通过，说明模型对样本的拟合很好。【3.t检验】由回归模型的表中数据可以得到：常数量C和自变量X1、X2的。其，所以t检验通过，常数和自变量之间对因变量由很大的影响性。【4.F检验】由回归模型的表中数据可以得到：该回归模型函数的。其，所以F检验通过，该函数可以很好的拟合此模型。【5.DW检验（取）】由回归模型的表中数据可以得到：该回归模型的。由DW检验可获得：1.a表示检验水平、T表示样本容量、k表示回归模型中解释变量个数（不包括常数项）；2.dU和dL分别表示DW检验上临界值和下临界值。本回归模型中，，通过查表可获得DW检验上临界值和下临界值。所以，由可以知道，不存在自相关。Eviews运算演示：四、检查模型的多重共线性【1.多重共线性检查】选定两个自变量：失业率X1、预期通货膨胀率X2。作为相关性的分析，获得的相关系数为如下表所示。由相关系数矩阵可以看出：各自变量相互之间的相关系数为0.642917不太高，证实确实不存在严重多重共线性。Eviews运算演示：五、检验自相关性【1.自相关性的诊断】1）DW检验法由回归模型的表中数据可以得到：该回归模型的。由DW检验可获得：1.a表示检验水平、T表示样本容量、k表示回归模型中解释变量个数（不包括常数项）；2.dU和dL分别表示DW检验上临界值和下临界值。本回归模型中，，通过查表可获得DW检验上临界值和下临界值。所以，由可以知道，不存在自相关。2）LM检验法——可以检验是否有高阶自相关原假设：残差不存在从一阶到p阶的自相关。EViews将显示残差的自相关和偏自相关函数以及对应于高阶序列相关的Ljung-BoxQ统计量。如果残差不存在序列相关，在各阶滞后的自相关和偏自相关值都接近于零。所有的Q-统计量不显著，并且有大的P值。上表中，几乎所有的P值都很大，其相对应的具体。所以，可以得出对于原假设：“残差不存在从一阶到三阶的自相关”成立。尽管可以得到残差不存在从一阶到三阶的自相关，但是也可以通过Cochrane-Orcutt（科克伦‐奥科特）迭代法的DW检验，来间接检验是否存在“残差不存在从一阶到三阶的自相关”。【2.自相关的克服方法】Cochrane-Orcutt（科克伦‐奥科特）迭代法本回归模型中，，通过查表可获得DW检验上临界值和下临界值。所以由。可以知道，已经不存在相关。通过两阶段最小二乘法(TSLS)消除序列相关。其估计结果如下图所示：通过上图可以很明显地得到：该新的回归方程函数的各个解释变量都通过了t检验，函数本身也通过了F检验。拟合优度(),由于值，也即其拟合优度检验通过，说明模型对样本的拟合很好。由回归模型的表中数据可以得到：该回归模型的。由DW检验可获得：1.a表示检验水平、T表示样本容量、k表示回归模型中解释变量个数（不包括常数项）；2.dU和dL分别表示DW检验上临界值和下临界值。本回归模型中，，通过查表可获得DW检验上临界值和下临界值。所以由可以知道，其回归方程已确定不存在自相关。Eviews运算演示：六、检验异方差性【异方差的诊断】通过怀特（White）检验，得到收尾概率值均大于显著水平（），不存在异方差。Eviews运算演示：七、预测查找到2007年我国国民总收入/GNI为251481.00亿元、居民消费价格指数增长率/CPI为4.8%、以及人均GDP/GDPPC为18980元，对2007年的人口自然增长率/NPGR进行预测。【1.用菜单方式进行预测-模型只含有两个变量】【2.预测评价】1）基于预测误差的评价指标①均方根误差（rootmeansquarederror,RMSE）②平均绝对误差（meanabsoluteerror,MAE）③平均绝对百分误差（meanabs.percenterror,MAPE）④希尔不等系数（Theilinequalitycoefficient,TIC）前两项测量绝对误差，后两项测量相对误差。绝对误差比较直观，但取值大小受量纲的影响，不能形成统一的评价标准。相对指标则可以形成一致的评价标准。MAPE的取值在0-5之间说明预测精度极高，在10以内说明预测精度高。TIC取值范围是0-1之间，取值越小越好。因为：、。所以，预测结果十分理想、预测精度高。2）误差成分分析①偏差率（biasproportion,BP）：预测值序列和实际值序列的均值之差。数值越大越说明预测是有偏的。②方差率（varianceproportion,VP）：预测值序列的均值和实际值序列的标准差的差距。取值越大，说明预测值与实际值的变异存在明显差异。③斜变率（covarianceproportion,CP）前两项指标反映的是系统误差，预测中应尽量避免。斜变率反映的是非系统性误差。一个理想预测的总误差中，系统性误差所占份额应尽可能小，非系统误差所占份额应尽可能大，因此偏差率和方差率应尽可能小，斜变率应尽可能大。因为：。所以，预测十分理想。如果1983年的失业率为7.3%，预期通货膨胀率为9.2%，预测1983年的实际通货膨胀率为10.55%。实验成绩：批阅老师：批阅日期：2014-11实验3移动平均预测法【实验题目】已知某类产品以前15个月的销售额如下表所示。某产品连续15个月的销售额时间序号123456789101112131415销售额/万元101582010161820222420262729291．分别取N=3，N=5，计算一次移动平均数，并利用一次移动平均法对下个月的产品销售额进行预测。2．取N=3，计算二次移动平均数，并建立预测模型，求第16，17周期的预测值。【实验环境】Excel【实验目的】掌握移动平均法的原理掌握一次移动平均数、二次移动平均数的计算方法掌握二次移动平均预测法【实验步骤及结果】移动平均法是一种改良的算术平均法，适用于短期预测。当时间序列受到周期变动和不规则变动的影响较大，且不宜显示出其发展趋势时，可用移动平均法消除这些因素的影响，分析、预测序列的未来趋势。移动平均法的基本原理，是通过移动平均消除时间序列中的不规则变动和其他变动，从而揭示出时间序列的长期趋势。1.移动平均值(MovingAverages)时间序列：；选定跨越期N（N<n），移动平均值：；新序列：实验成绩：批阅老师：批阅日期：2014-1某产品连续15个月的销售额时间序号1234567891011121314151617均方误差X(销售额)10158201016182022242026272929预测值Y1(N=3)11.0014.3312.6715.3314.6718.0020.0022.0022.0023.3324.3327.3328.33/19.70Y1(N=5)12.6013.8014.4016.8017.2020.0020.8022.4023.8025.2026.20/22.35Mt(1)Y2(N=3)11.0014.3312.6715.3314.6718.0020.0022.0022.0023.3324.3327.3328.33预测值/Mt(2)/12.6714.1114.2216.0017.5620.0021.3322.4423.2225.0026.67a12.6716.5615.1120.0022.4424.0022.6724.2225.4429.6730.00b0.001.220.442.002.442.000.670.891.112.331.67Y12.6717.7815.5622.0024.8926.0023.3325.1126.5632.0031.6733.339.342、一次移动平均法（SingleMovingAverages）每次取一定数量的周期的数据平均，按时间顺序逐次推进。每推进一个周期时，舍去前一个周期的数据，增加一个新周期的数据，再进行平均。如果将作为第t+1期的实际值，于是就可用计算第t+2期的预测值，一般地，可相应地求得以后各期的预测值。但由于误差的积累，使得对越远时期的预测，误差越大，因此一次移动平均法一般只应用于一个时期后的预测（即预测第t+1期）。正如此题，分别取N=3和N=5，预测公式就为：时间序号12345678910111213141516X(销售额)10158201016182022242026272929预测值Y1(N=3)11141315151820222223242728Y1(N=5)1314141717202122242526（为了能将表格内容完整地显示在Word文档中，数值的小数部分不保留）3.二次移动平均法（DoubleMovingAverages）当时间序列的变化为线性趋势时，一次移动平均法的滞后偏差使预测值偏低，不能进行合理的趋势外推。构造二次移动平均数：预测公式：。其中：的预测值单位周期序列的变动趋势时间序号1234567891011121314151617Mt(1)Y2(N=3)11141315151820222223242728预测值Mt(2)/1314141618202122232527a1317152022242324253030b01022211122Y131816222526232527323233（为了能将表格内容完整地显示在Word文档中，数值的小数部分不保留）实验4指数平滑预测法【实验题目】已知某汽车厂近10年的销售量如下表所示。某汽车厂近10年的销售量时间序号12345678910销售额/万元0.901.003.003.705.206.804.907.2010.1013.001．分别取α=0.3，α=0.5，计算一次指数平滑值，并利用一次指数平滑法对下一年的产品销售额进行预测。2．取α=0.3，计算二次指数平滑值，并建立预测模型，求第11、12周期的预测值。【实验环境】Excel【实验目的】掌握移指数平滑法的原理掌握一次指数平滑值、二次指数平滑值的计算方法掌握二次指数平滑预测法【实验步骤及结果】1.一次指数平滑法设时间序列：。则，一次指数平滑值：（其中：，为加权系数；为时间序列第t期的实际观测量；为时间序列第t期的一次指数平滑值；为时间序列第t-1期的一次指数平滑值。）……若已知初始值：。迭代可得：预测公式：可由导出n>20，取；n<20，取最初几期数据的平均值。而本题中，因为n=10<20,所以取最初的2期数据的平均值。【解】1．分别取α=0.3，α=0.5，计算一次指数平滑值，并利用一次指数平滑法对下一年的产品销售额进行预测如下表所示。某汽车厂近10年的销售量时期销售额的观测值α=0.3α=0.5一次指数平滑值需求量的预测值误差平方一次指数平滑值需求量的预测值误差平方00.9500.95010.900.9350.9500.0020.9250.9500.00221.000.9550.9350.0040.9630.9250.00633.001.5680.9554.1841.9810.9634.15143.702.2081.5684.5452.8411.9812.95455.203.1052.2088.9544.0202.8415.56766.804.2143.10513.6505.4104.0207.72774.904.4204.2140.4715.1555.4100.26087.205.2544.4207.7306.1785.1554.182910.106.7085.25423.4868.1396.17815.3861013.008.5956.70839.59410.5698.13923.63211--8.595--10.569-均方差均方差10.262均方差6.387从表中可以看出，当α=0.3时，预测的第11期销售额为8.595万元；当α=0.5时，预测的第11期销售额为10.569万元（且α=0.3时均方差要大于α=0.5时）。2.二次指数平滑法一次指数平滑法的缺点：适应于平稳模式；有滞后偏差。类似于二次移动平均法的原理，有二次指数平滑值：预测公式：其中：；初值的选取：当n>20时，取；当n<20时，取最初几期数据的平均值。如：。【解】2.取α=0.3，计算二次指数平滑值，并建立预测模型，求第11、12周期的预测值如下表所示。某汽车厂近10年的销售量T=1时期销售额观测值α=0.3S1S2abY误差平方00.9500.9500.9500.00010.900.9350.9460.925-0.00421.000.9550.9480.9610.0030.9200.00633.001.5681.1342.0020.1860.9644.14743.702.2081.4562.9590.3222.1882.28655.203.1051.9514.2600.4953.2813.68266.804.2142.6305.7980.6794.7554.18474.904.4203.1675.6730.5376.4772.48687.205.2543.7936.7150.6266.2090.981910.106.7084.6678.7480.8747.3417.6141013.008.5955.84611.3451.1789.62211.40811-----12.523-12-----13.702-均方差(T=2)4.088当α=0.3时，预测的第11、12期销售额分别为12.523万元和13.702万元；实验成绩：批阅老师：批阅日期：2014-11

实验5季节指数法【实验题目】某商品2010-2012三年来的需求量的各季数据如下：190，617,1570,580,363,1070,1750,96,38,1300,1580,74（单位：万件）。试用季节指数法预测2013年度各季需求量的预测值。【实验环境】Excel【实验目的】掌握季节指数预测法掌握趋势预测模型的建立方法掌握季节指数的计算方法【实验步骤及结果】考虑长期趋势的季节指数法(1)计算历年同季的平均数：(2)计算各年的季平均值：(3)计算各季的平均数：；与(4)调整各季的季节指数：，长期趋势的季节指数法是指在时间序列观察值资料既有季节周期变化，又有长期趋势变化的情况下，首先建立趋势预测模型，再在此基础上求得季节指数，最后建立数学模型进行预测的一种方法。最小二乘法，计算季度为单位的趋势模型。通过对《某商品2010-2012三年来的需求量的各季数据(万件）》序列数据图的观察，可以发现“需求量Y”在时间序列上呈现一种长趋形式。所以，通过EViews6.0软件，对因变量“需求量Y”和自变量“时间序号T”进行最小二乘法的回归拟合。得到趋势模型方程：。所以先得到“季节指数”表，如下表所示：需求量季节(序列数t)合计季平均第一季度第二季度第三季度第四季度年份201019061715705802957739.25201136310701750963279819.7520123813001580742992748.00季合计591298749007509228769.00同季平均197.00995.671633.33250.00季节指数0.256181.294762.123970.325104.000修正指数25.62%129.48%212.40%32.51%400.00%再通过“长期趋势的季节指数法”算得到“预测表”，如下表所示：季节(趋势值T)合计季平均第一季度第二季度第三季度第四季度年份2003717.65726.99736.33745.662926.6294731.662004755.00764.33773.67783.00769.002005792.34801.67811.01820.353225.3707806.34季合计2264.98962292.99662321.00352349.01059228.0002769.00趋势值同季平均755.00764.33773.67783.00季节指数0.260931.302662.111160.319283.994修正指数26.13%130.46%211.43%31.98%400.00%2006预测216.811094.591793.68274.26实验成绩：批阅老师：批阅日期：2014-11

实验6时间序列分解法【实验题目】日期国内生产总值GDP(亿元)日期国内生产总值GDP(亿元)1992Q14974.32000Q1206471992Q26357.82000Q223101.21992Q37119.42000Q324339.31992Q484722000Q431127.11993Q16500.52001Q123299.51993Q280432001Q225651.41993Q390482001Q326867.31993Q411742.42001Q4338371994Q19064.72002Q125375.71994Q2110852002Q227965.31994Q312446.92002Q329715.71994Q415601.32002Q4372761995Q111858.52003Q128861.81995Q214109.12003Q231007.11995Q3155352003Q333460.41995Q419291.12003Q442493.51996Q114261.22004Q133420.61996Q216600.62004Q236985.31996Q317671.32004Q339561.71996Q422643.52004Q449910.71997Q116256.72005Q138848.61997Q218697.62005Q242573.91997Q319148.12005Q344562.41997Q424870.62005Q4578831998Q117501.32006Q144419.81998Q219721.42006Q249191.81998Q320372.52006Q3509581998Q426807.12006Q467353.91999Q118789.72007Q151353.91999Q220765.22007Q257559.21999Q321859.32007Q360148.41999Q428262.92007Q480468.4我国1992-2007年各季度国内生产总值GDP如下表所示。1992-2007年各季度国内生产总值GDP(亿元)利用时间序列分解法预测2008年第一、二季度的国内生产总值。（C2008Q1=C2008Q2=0.98）【实验环境】Excel【实验目的】掌握时间序列分解法的思想掌握各时间因素的分解方法掌握根据时间序列分解法进行预测的方法【实验步骤及结果】一、移动平均数消除季节性波动（其中N为季节周期）把最初的四个数据（分别表示1992年1至4个季度的值）相加求平均值得到。这个数是没有季节性的，而且随机性因素也很小甚至没有。因为随机性围绕中间值波动，将四个数相加，正负波动在一定程度上相互抵消了，所以可认为其中已无随机性。同样将第二个至第五个数据相加平均，也不包含季节性，而且其随机性因素也很小。如此我们可得到61个数据。它们不包含季节性，而且随机性因素很小甚至没有。也就是说它们只包括长期趋势和循环变动两部分（T×C）。这61个数据组成的序列我们称之为移动平均数序列，用MA来表示，MA＝T×C。下图表示，通过移动平均数所得到的趋势图。求数据序列的，消除了季节性和随机型，只包含了长期趋势和循环变动两部分（）。（移动平均数消除了季节因素和随机因素，可求趋势－循环因子）二、季节性当原始序列不呈现水平模式，如：呈现线性模式时，移动平均值序列与原始序列会出现滞后现象，的值比的值相对要小一些。为了消除这种差距，需要移动的位置。而一年只有4个季度（N=4），将的位置向上移动一位才能更好地消除与间的偏差。计算得到，分别将的位置向上移动三位、两位、一位的与的均方误差：；；。均方误差173574741478465713165260可知，将的位置向上移动一位才能更好地消除与间的偏差。将观察值除以移动平均数得到的比值只包含季节性和随机性。如果某个比率的值>100%，意味着实际值X比移动平均数（）要大，该季度的季节性和随机性高于平均数。反之，如果比率小于100%，则表示季节性和随机性低于平均数。下图所示，包含了季节性和随机性的数据趋势图（）。将“比率”中各年同一季度的数据放在同一列之中，求相同各季度的平均值，（其中上面的横线表示季节平均）。年季度1234合计19921.031.162.219930.840.950.991.194.019940.850.961.001.194.019950.850.961.001.204.019960.850.960.981.224.019970.860.960.961.234.019980.860.950.961.244.019990.860.930.971.224.020000.870.950.971.214.020010.880.950.971.204.020020.880.940.971.194.020030.900.930.971.194.020040.890.950.971.194.020050.900.950.951.204.020060.890.950.951.214.020070.890.950.962.8月平均0.87060.94820.97561.201960.9203修正平均0.870630.948240.975551.201890.9987季指数87.18%94.95%97.68%120.35%400.15%修正指数87.14%94.91%97.65%120.30%400.00%得季节指数87.14％，94.91％，97.65％，120.30％。含义：例如第二季度的94.91％就表示第二季度比全年平均数低出5.09％。三、长期趋势和循环变动表示一组“循环变动—长期趋势”数值。利用趋势外推法求出长期趋势T，即为循环变动因子。通过对《1992-2007年各季度国内生产总值GDP(亿元)》序列数据图的观察，可以发现“GDP的X值”在时间序列上呈现一次或多次幂函数的长趋增长形式。所以，通过EViews6.0软件，对因变量“GDP的X值”和自变量“时间序号T”进行最小二乘法的回归拟合。（1）一次幂函数（2）二次幂函数（3）三次幂函数利用最小二乘法，分别得到因变量“GDP的X值”和自变量“时间序号T”的一次到三次幂函数回归方程。其“拟合优度”从大到小依次排列为：）可以确定长期趋势T的预测方程（为二次幂函数）为：由可求得循环因子C。如下图所示：循环因子的值大于100，表明该季度经济活动水平高于所有季度的平均值，小于100则相反。循环因子比较复杂，且其变动周期较长，因而在短期预测中可以忽略不计，或将其归入到趋势变化之中（称为“趋势—循环因子”）。我们更关心的是趋势T和季节S的识别。四、预测用分解法确定了季节指数、趋势值和循环指数之后，就可进行预测。对2008年第一、二季度的国内生产总值进行预测。数据的基本关系式为：由于随机性无法直接进行预测，进行预测的关系式为：于是，计算出第65与66季度的、、；、、值即可求得第65与66季度的预测值。预测XTC(取98%)SI(取1)序号2008Q153847.063052.298.00%87.14%1652008Q260174.964695.298.00%94.91%166通过时间序列分解法预测2008年第一、二季度的国内生产总值分别为53847.0亿元、60174.9亿元。实验成绩：批阅老师：批阅日期：2014-111992-2007年各季度国内生产总值GDP(亿元)日期零售额Mt(4)T×CS×ITC序号均方误差1992Q14974.3010073.911173574741992Q26357.8010111.542147846571992Q37119.406921.650102.9%10174.250.6803131652601992Q48472.006730.8757323.075115.7%10262.050.71441993Q16500.507112.4257774.80083.6%10374.930.74951993Q28043.007533.7258424.67595.5%10512.890.80161993Q39048.008015.8759154.00098.8%10675.940.85771993Q411742.408833.4759854.775119.2%10864.070.90781994Q19064.709474.52510659.88885.0%11077.290.96291994Q211085.0010235.02511567.11395.8%11315.591.022101994Q312446.9011084.75012398.700100.4%11578.981.071111994Q415601.3012049.47513125.938118.9%11867.451.106121995Q111858.5012747.92513889.96385.4%12181.001.140131995Q214109.1013503.95014737.20095.7%12519.641.177141995Q315535.0014275.97515498.763100.2%12883.371.203151995Q419291.1015198.42516110.538119.7%13272.181.214161996Q114261.2015799.10016689.01385.5%13686.071.219171996Q216600.6016421.97517375.10095.5%14125.051.230181996Q317671.3016956.05018043.58897.9%14589.111.237191996Q422643.5017794.15018555.150122.0%15078.251.231201997Q116256.7018293.02519001.87585.6%15592.481.219211997Q218697.6018817.27519464.86396.1%16131.801.207221997Q319148.1019186.47519898.82596.2%16696.201.192231997Q424870.6019743.25020182.375123.2%17285.681.168241998Q117501.3020054.40020463.40085.5%17900.251.143251998Q219721.4020310.35020858.51394.5%18539.901.125261998Q320372.5020616.45021261.62595.8%19204.641.107271998Q426807.1021100.57521553.150124.4%19894.461.083281999Q118789.7021422.67521869.47585.9%20609.371.061291999Q220765.2021683.62522237.30093.4%21349.361.042301999Q321859.3022055.32522651.43896.5%22114.431.024311999Q428262.9022419.27523175.600122.0%22904.591.012322000Q120647.0022883.60023777.60086.8%23719.841.002332000Q223101.2023467.60024445.62594.5%24560.160.995342000Q324339.3024087.60025135.21396.8%25425.580.989352000