Intervalos de Confianza y de Predicción. Regresion Multiple
Intervalos de Confianza y de Predicción. Regresion Multiple
Intervalos de Confianza y de Predicción. Regresion Multiple
02/Mayo/2020
CONTENIDO
β̂ = (𝑋 ′ 𝑋)−1 𝑋′𝑌
1
σ2 = 𝑛−(𝑝+1) (𝑦 − 𝑋β̂)′(𝑦 − 𝑋β̂).
β̂𝑖 − β
𝑡𝑖 = , 𝑖 = 0,1,2, … , 𝑘
√σ2 (β̂) 𝑖𝑖
1
Con distribución t-student y n−p grados de libertad, donde σ2 es el estimador de la
varianza. Por lo tanto, podemos definir un intervalo de confianza de 100(1-α) por
ciento para el coeficiente de regresión β𝑖 , 𝑖 = 0,1,2, … , 𝑘, de la siguiente manera:
Por ejemplo, para calcular un intervalo de confianza del 95% para el parámetro β1.
̂1= 10,6239.
La estimación puntual de β1 es β
̂2 𝐶11 ≤ β1 ≤ β
β1 − 𝑡0,0.25;22 √σ ̂2 𝐶11
̂1 + 𝑡0,0.25;22 √σ
𝟏
𝐱 𝟎𝟏
𝐱𝟎 = 𝐱 𝟎𝟐.
..
(𝐱 𝟎𝒌 )
𝑦̂0 = 𝑥′0 𝛽̂
2
Es un estimador insesgado de 𝐸(𝑦|x0 ), porque E(𝑦̂0 ) = 𝑥′0 𝛽̂ = 𝐸(𝑦|x0 ), la varianza
de 𝑦̂0 es:
𝑉𝑎𝑟(𝑦̂0 ) = σ2 𝑥 ′ 0 (𝑋′𝑋)−1 𝑥0
Bonferroni
El método de Bonferroni para intervalos secundarios se basa en el principio de
inclusión y exclusión, que se traduce en cambiar los cuantiles superiores α/2 por
α/2k, donde k es el número de intervalos que se quieren construir.
3
𝛼 𝛼
β̂𝑖 − 𝑡 𝑛−𝑝−1 ( ̂2 β̂𝑖𝑖 ≤ β𝑖 ≤ β̂𝑖 + 𝑡 𝑛−𝑝−1 ( ) √σ
) √σ ̂2 β̂𝑖𝑖
2𝑘 2𝑘
Hotelling-Scheffé
El método de Hotelling-Scheffé se basa en maximizar la forma cuadrática del
estadístico utilizado en los intervalos individuales. Esto se traduce en cambiar el
cuantil de la t por un múltiplo del cuantil de la F. La ventaja de este método es que
es válido para cualquier número de intervalos simultáneos.
β̂𝑖 − √𝐾𝑎 σ
̂2 β̂𝑖𝑖 ≤ β𝑖 ≤ β̂𝑖 + √𝐾𝑎 σ
̂2 β̂𝑖𝑖
4
Para calcular intervalos de predicción de 𝑦𝑡 se utiliza el estadístico:
𝑦̂𝑡 − 𝑦𝑡
~ 𝑡𝑛 − (𝑘 + 1)
𝑠̂𝑅 √(1 + ℎ𝑡𝑡 )
𝛼
𝑠̂ 𝑅 √(1 + ℎ𝑡𝑡 )𝑡𝑛−(𝑘+1) (1 − )
2
Ejemplo
Considerar el conjunto de datos de fecundidad de la ONU, que contiene 193
observaciones de tres variables (Se adjuntan datos en la sección de anexos), cada
una corresponde a un país. Las variables son:
El objetivo es construir:
5
Cargando los datos en R:
Estimamos β̂ y σ2 :
Calculamos el intervalo de confianza para σ2 de 100(1 − 𝛼)%, para este caso será
del 95%.
6
Concluimos que 𝜎 2 está contenido en el intervalo (0.128, 0.192) con 95% de
confianza.
β̂𝑖 − β
𝑡𝑖 = , 𝑖 = 0,1,2, … , 𝑘
√σ2 (β̂) 𝑖𝑖
7
Como |𝑡0 | > 𝑡𝑛−𝑝−1 (α/0.025)., se rechaza la hipótesis nula con una significancia
α=0.05, es decir, la evidencia sostiene que el modelo incluya a 𝛽0.
8
Como |𝑡1 | > 𝑡𝑛−𝑝−1(α/0.025)., se rechaza la hipótesis nula con una significancia
α=0.05, es decir, la evidencia sostiene que el modelo incluya a 𝛽1.
Ahora para 𝜷𝟐
Como |𝑡2 | < 𝑡𝑛−𝑝−1 (α/0.025) no se rechaza la hipótesis nula con una significancia
α=0.05, es decir, la evidencia sostiene que el modelo no debería incluir a 𝛽2.
9
Ejercicio propuesto
Supóngase que el departamento de ventas de una empresa quiere estudiar la
influencia que tiene la publicidad a través de distintos canales sobre el número de
ventas de un producto. Se dispone de un conjunto de datos que contiene los
ingresos (en millones) conseguido por ventas en 200 regiones, así como la cantidad
de presupuesto, también en millones, destinado a anuncios por radio, TV y
periódicos en cada una de ellas.
tv<-c(230.1, 44.5, 17.2, 151.5, 180.8, 8.7, 57.5, 120.2, 8.6, 199.
8, 66.1, 214.7, 23.8, 97.5, 204.1, 195.4, 67.8, 281.4, 69.2, 147.3
, 218.4, 237.4, 13.2, 228.3, 62.3, 262.9, 142.9, 240.1, 248.8, 70.
6, 292.9, 112.9, 97.2, 265.6, 95.7, 290.7, 266.9, 74.7, 43.1, 228.
0, 202.5, 177.0, 293.6, 206.9, 25.1, 175.1, 89.7, 239.9, 227.2, 66
.9, 199.8, 100.4, 216.4, 182.6, 262.7, 198.9, 7.3, 136.2, 210.8, 2
10.7, 53.5, 261.3, 239.3, 102.7, 131.1, 69.0, 31.5, 139.3, 237.4,
216.8, 199.1, 109.8, 26.8, 129.4, 213.4, 16.9, 27.5, 120.5, 5.4, 1
16.0, 76.4, 239.8, 75.3, 68.4, 213.5, 193.2, 76.3, 110.7, 88.3, 10
9.8, 134.3, 28.6, 217.7, 250.9, 107.4, 163.3, 197.6, 184.9, 289.7,
135.2, 222.4, 296.4, 280.2, 187.9, 238.2, 137.9, 25.0, 90.4, 13.1,
255.4, 225.8, 241.7, 175.7, 209.6, 78.2, 75.1, 139.2, 76.4, 125.7,
19.4, 141.3, 18.8, 224.0, 123.1, 229.5, 87.2, 7.8, 80.2, 220.3, 59
.6, 0.7, 265.2, 8.4, 219.8, 36.9, 48.3, 25.6, 273.7, 43.0, 184.9,
73.4, 193.7, 220.5, 104.6, 96.2, 140.3, 240.1, 243.2, 38.0, 44.7,
280.7, 121.0, 197.6, 171.3, 187.8, 4.1, 93.9, 149.8, 11.7, 131.7,
172.5, 85.7, 188.4, 163.5, 117.2, 234.5, 17.9, 206.8, 215.4, 284.3
, 50.0, 164.5, 19.6, 168.4, 222.4, 276.9, 248.4, 170.2, 276.7, 165
.6, 156.6, 218.5, 56.2, 287.6, 253.8, 205.0, 139.5, 191.1, 286.0,
18.7, 39.5, 75.5, 17.2, 166.8, 149.7, 38.2, 94.2, 177.0, 283.6, 23
2.1)
radio <-c(37.8, 39.3, 45.9, 41.3, 10.8, 48.9, 32.8, 19.6, 2.1, 2.6
, 5.8, 24.0, 35.1, 7.6, 32.9, 47.7, 36.6, 39.6, 20.5, 23.9, 27.7,
5.1, 15.9, 16.9, 12.6, 3.5, 29.3, 16.7, 27.1, 16.0, 28.3, 17.4, 1.
5, 20.0, 1.4, 4.1, 43.8, 49.4, 26.7, 37.7, 22.3, 33.4, 27.7, 8.4,
25.7, 22.5, 9.9, 41.5, 15.8, 11.7, 3.1, 9.6, 41.7, 46.2, 28.8, 49.
4, 28.1, 19.2, 49.6, 29.5, 2.0, 42.7, 15.5, 29.6, 42.8, 9.3, 24.6,
14.5, 27.5, 43.9, 30.6, 14.3, 33.0, 5.7, 24.6, 43.7, 1.6, 28.5, 29
.9, 7.7, 26.7, 4.1, 20.3, 44.5, 43.0, 18.4, 27.5, 40.6, 25.5, 47.8
, 4.9, 1.5, 33.5, 36.5, 14.0, 31.6, 3.5, 21.0, 42.3, 41.7, 4.3, 36
.3, 10.1, 17.2, 34.3, 46.4, 11.0, 0.3, 0.4, 26.9, 8.2, 38.0, 15.4,
20.6, 46.8, 35.0, 14.3, 0.8, 36.9, 16.0, 26.8, 21.7, 2.4, 34.6, 32
.3, 11.8, 38.9, 0.0, 49.0, 12.0, 39.6, 2.9, 27.2, 33.5, 38.6, 47.0
10
, 39.0, 28.9, 25.9, 43.9, 17.0, 35.4, 33.2, 5.7, 14.8, 1.9, 7.3, 4
9.0, 40.3, 25.8, 13.9, 8.4, 23.3, 39.7, 21.1, 11.6, 43.5, 1.3, 36.
9, 18.4, 18.1, 35.8, 18.1, 36.8, 14.7, 3.4, 37.6, 5.2, 23.6, 10.6,
11.6, 20.9, 20.1, 7.1, 3.4, 48.9, 30.2, 7.8, 2.3, 10.0, 2.6, 5.4,
5.7, 43.0, 21.3, 45.1, 2.1, 28.7, 13.9, 12.1, 41.1, 10.8, 4.1, 42.
0, 35.6, 3.7, 4.9, 9.3, 42.0, 8.6)
periodico <- c(69.2, 45.1, 69.3, 58.5, 58.4, 75.0, 23.5, 11.6, 1.0
, 21.2, 24.2, 4.0, 65.9, 7.2, 46.0, 52.9, 114.0, 55.8, 18.3, 19.1,
53.4, 23.5, 49.6, 26.2, 18.3, 19.5, 12.6, 22.9, 22.9, 40.8, 43.2,
38.6, 30.0, 0.3, 7.4, 8.5, 5.0, 45.7, 35.1, 32.0, 31.6, 38.7, 1.8,
26.4, 43.3, 31.5, 35.7, 18.5, 49.9, 36.8, 34.6, 3.6, 39.6, 58.7, 1
5.9, 60.0, 41.4, 16.6, 37.7, 9.3, 21.4, 54.7, 27.3, 8.4, 28.9, 0.9
, 2.2, 10.2, 11.0, 27.2, 38.7, 31.7, 19.3, 31.3, 13.1, 89.4, 20.7,
14.2, 9.4, 23.1, 22.3, 36.9, 32.5, 35.6, 33.8, 65.7, 16.0, 63.2, 7
3.4, 51.4, 9.3, 33.0, 59.0, 72.3, 10.9, 52.9, 5.9, 22.0, 51.2, 45.
9, 49.8, 100.9, 21.4, 17.9, 5.3, 59.0, 29.7, 23.2, 25.6, 5.5, 56.5
, 23.2, 2.4, 10.7, 34.5, 52.7, 25.6, 14.8, 79.2, 22.3, 46.2, 50.4,
15.6, 12.4, 74.2, 25.9, 50.6, 9.2, 3.2, 43.1, 8.7, 43.0, 2.1, 45.1
, 65.6, 8.5, 9.3, 59.7, 20.5, 1.7, 12.9, 75.6, 37.9, 34.4, 38.9, 9
.0, 8.7, 44.3, 11.9, 20.6, 37.0, 48.7, 14.2, 37.7, 9.5, 5.7, 50.5,
24.3, 45.2, 34.6, 30.7, 49.3, 25.6, 7.4, 5.4, 84.8, 21.6, 19.4, 57
.6, 6.4, 18.4, 47.4, 17.0, 12.8, 13.1, 41.8, 20.3, 35.2, 23.7, 17.
6, 8.3, 27.4, 29.7, 71.8, 30.0, 19.6, 26.6, 18.2, 3.7, 23.4, 5.8,
6.0, 31.6, 3.6, 6.0, 13.8, 8.1, 6.4, 66.2, 8.7)
ventas <- c(22.1, 10.4, 9.3, 18.5, 12.9, 7.2, 11.8, 13.2, 4.8, 10.
6, 8.6, 17.4, 9.2, 9.7, 19.0, 22.4, 12.5, 24.4, 11.3, 14.6, 18.0,
12.5, 5.6, 15.5, 9.7, 12.0, 15.0, 15.9, 18.9, 10.5, 21.4, 11.9, 9.
6, 17.4, 9.5, 12.8, 25.4, 14.7, 10.1, 21.5, 16.6, 17.1, 20.7, 12.9
, 8.5, 14.9, 10.6, 23.2, 14.8, 9.7, 11.4, 10.7, 22.6, 21.2, 20.2,
23.7, 5.5, 13.2, 23.8, 18.4, 8.1, 24.2, 15.7, 14.0, 18.0, 9.3, 9.5
, 13.4, 18.9, 22.3, 18.3, 12.4, 8.8, 11.0, 17.0, 8.7, 6.9, 14.2, 5
.3, 11.0, 11.8, 12.3, 11.3, 13.6, 21.7, 15.2, 12.0, 16.0, 12.9, 16
.7, 11.2, 7.3, 19.4, 22.2, 11.5, 16.9, 11.7, 15.5, 25.4, 17.2, 11.
7, 23.8, 14.8, 14.7, 20.7, 19.2, 7.2, 8.7, 5.3, 19.8, 13.4, 21.8,
14.1, 15.9, 14.6, 12.6, 12.2, 9.4, 15.9, 6.6, 15.5, 7.0, 11.6, 15.
2, 19.7, 10.6, 6.6, 8.8, 24.7, 9.7, 1.6, 12.7, 5.7, 19.6, 10.8, 11
.6, 9.5, 20.8, 9.6, 20.7, 10.9, 19.2, 20.1, 10.4, 11.4, 10.3, 13.2
, 25.4, 10.9, 10.1, 16.1, 11.6, 16.6, 19.0, 15.6, 3.2, 15.3, 10.1,
7.3, 12.9, 14.4, 13.3, 14.9, 18.0, 11.9, 11.9, 8.0, 12.2, 17.1, 15
.0, 8.4, 14.5, 7.6, 11.7, 11.5, 27.0, 20.2, 11.7, 11.8, 12.6, 10.5
, 12.2, 8.7, 26.2, 17.6, 22.6, 10.3, 17.3, 15.9, 6.7, 10.8, 9.9, 5
.9, 19.6, 17.3, 7.6, 9.7, 12.8, 25.5, 13.4)
datos<-data.frame(tv, radio, periodico, ventas)
datos[1:10,]
11
## tv radio periodico ventas
## 1 230.1 37.8 69.2 22.1
## 2 44.5 39.3 45.1 10.4
## 3 17.2 45.9 69.3 9.3
## 4 151.5 41.3 58.5 18.5
## 5 180.8 10.8 58.4 12.9
## 6 8.7 48.9 75.0 7.2
## 7 57.5 32.8 23.5 11.8
## 8 120.2 19.6 11.6 13.2
## 9 8.6 2.1 1.0 4.8
## 10 199.8 2.6 21.2 10.6
El modelo lineal multiple es obtenido empleando las variables tv, radio y periodico
como los predictores de la variable ventas. Primero obtendremos los resultados de
una forma matricial, dada en la parte anterior y despues con programas de r para
corroborar la eficacia de lo que hicimos.
## tv radio periodico
## [1,] 1 230.1 37.8 69.2
## [2,] 1 44.5 39.3 45.1
## [3,] 1 17.2 45.9 69.3
## [4,] 1 151.5 41.3 58.5
## [5,] 1 180.8 10.8 58.4
## [6,] 1 8.7 48.9 75.0
## [7,] 1 57.5 32.8 23.5
## [8,] 1 120.2 19.6 11.6
## [9,] 1 8.6 2.1 1.0
## [10,] 1 199.8 2.6 21.2
Y[1:10]
## [1] 22.1 10.4 9.3 18.5 12.9 7.2 11.8 13.2 4.8 10.6
12
La estimación del vector de regresores es la siguiente:
## [,1]
## 2.93889
## tv 0.04576
## radio 0.18853
## periodico -0.00104
## [1] 2.84095
## tv radio periodico
## 0.097287 -0.000266 -0.001115 -0.000591
## tv -0.000266 0.000002 0.000000 0.000000
## radio -0.001115 0.000000 0.000074 -0.000018
## periodico -0.000591 0.000000 -0.000018 0.000034
chi1<-qchisq(0.025,length(Y)-4)
chi2<-qchisq(0.975,length(Y)-4)
s2_Li<-(length(Y)-4)*s2h/chi2
s2_Ls<-(length(Y)-4)*s2h/chi1
b1_Li<-bh[2]-qt(0.975,length(Y)-4)*sqrt(vbh[2,2])
b1_Ls<-bh[2]+qt(0.975,length(Y)-4)*sqrt(vbh[2,2])
b2_Li<-bh[3]-qt(0.975,length(Y)-4)*sqrt(vbh[3,3])
b2_Ls<-bh[3]+qt(0.975,length(Y)-4)*sqrt(vbh[3,3])
b3_Li<-bh[4]-qt(0.975,length(Y)-4)*sqrt(vbh[4,4])
b3_Ls<-bh[4]+qt(0.975,length(Y)-4)*sqrt(vbh[4,4])
##
## Call:
## lm(formula = ventas ~ tv + radio + periodico, data = datos)
##
14
## Residuals:
## Min 1Q Median 3Q Max
## -8.8277 -0.8908 0.2418 1.1893 2.8292
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.938889 0.311908 9.422 <2e-16 ***
## tv 0.045765 0.001395 32.809 <2e-16 ***
## radio 0.188530 0.008611 21.893 <2e-16 ***
## periodico -0.001037 0.005871 -0.177 0.86
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.686 on 196 degrees of freedom
## Multiple R-squared: 0.8972, Adjusted R-squared: 0.8956
## F-statistic: 570.3 on 3 and 196 DF, p-value: < 2.2e-16
## 2.5 % 97.5 %
## (Intercept) 2.32376228 3.55401646
## tv 0.04301371 0.04851558
## radio 0.17154745 0.20551259
## periodico -0.01261595 0.01054097
Dada la tabla anterior, el P-valor que fue obtenido para cada regresor (Beta) parcial
de regresión, obtuvimos que la variable “periodico”" no contribuye de una forma
significativa al modelo. Por lo que podemos decir que las variables tv y radio están
asociadas a las ventas.
##
## Call:
## lm(formula = ventas ~ tv + radio, data = datos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -8.7977 -0.8752 0.2422 1.1708 2.8328
15
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.92110 0.29449 9.919 <2e-16 ***
## tv 0.04575 0.00139 32.909 <2e-16 ***
## radio 0.18799 0.00804 23.382 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.681 on 197 degrees of freedom
## Multiple R-squared: 0.8972, Adjusted R-squared: 0.8962
## F-statistic: 859.6 on 2 and 197 DF, p-value: < 2.2e-16
Finalmente, para el modelo ajustado con los regresores “tv” y “radio”, podemos ver
que el valor ajustado por ejemplo del primer renglon de la tabla anterior tenemos
que para un presupuesto de 230.1 millones destinado a anuncios de Tv y un
presupuesto de 37.8 millones destinado en auncios de radio obtenemos un ingreso
estimado de 20.55 millones, contenido entre 17.21 y 23.89 (millones) que en
comparación con el valor real que es 22.1 podemos decir que nuestro modelo
ajustado explica de forma adecuada el ingreso de ventas.
16
Literatura citada
17
Anexos
Base de datos de fecundidad de la ONU del ejemplo:
18
11.287712 0.99694863 66 "Dominican.Rep"
10.476746 1.01523068 63 "Ecuador"
10.440869 1.19088756 43 "Egypt"
11.096056 1.05779029 62 "El.Salvador"
11.943980 1.77325600 49 "Equatorial.Guinea"
7.467606 1.69193913 19 "Eritrea"
11.969387 0.19885086 69 "Estonia"
6.491853 1.81482474 16 "Ethiopia"
10.998590 1.05779029 50 "Fiji"
14.517669 0.54812141 59 "Finland"
14.424560 0.63657683 76 "France"
12.917559 1.20297230 75 "Fr.Guiana"
13.761863 0.89199804 53 "Fr.Polynesia"
11.722381 1.38379123 82 "Gabon"
8.228819 1.54756251 31 "Gambia"
9.231221 0.33647224 57 "Georgia"
14.452370 0.30010459 88 "Germany"
8.049849 1.41342303 36 "Ghana"
13.388959 0.23901690 60 "Greece"
13.333575 0.74193734 100 "Guadeloupe"
10.745674 1.48387469 40 "Guatemala"
8.550747 1.76130026 28 "Guinea"
7.442943 1.96009478 32 "Guinea-Bissau"
9.870365 0.83724752 36 "Guyana"
8.751544 1.38128182 37 "Haiti"
9.906891 1.31372367 54 "Honduras"
12.346791 0.18232156 65 "Hungary"
14.735609 0.66782937 93 "Iceland"
8.867279 1.10194008 28 "India"
9.405141 0.85441533 42 "Indonesia"
12.462758 0.84586827 65 "Iran"
14.705902 0.64185389 59 "Ireland"
14.199672 0.99325177 92 "Israel"
14.208234 0.20701417 67 "Italy"
11.545930 0.85866162 57 "Jamaica"
14.989927 0.27763174 79 "Japan"
10.753217 1.27256560 79 "Jordan"
10.492855 0.66782937 56 "Kazakhstan"
8.519636 1.38629436 34 "Kenya"
8.870365 1.33500107 39 "Kiribati"
9.157347 0.34358970 61 "N.Korea"
13.128478 0.70309751 83 "S.Korea"
14.034627 0.97832612 96 "Kuwait"
8.257388 0.97077892 34 "Kyrgyzstan"
8.339850 1.56444055 20 "Laos"
11.649256 0.09531018 60 "Latvia"
12.312599 0.77932488 90 "Lebanon"
8.710806 1.34547237 29 "Lesotho"
8.000000 1.91692261 46 "Liberia"
12.315999 1.10525683 88 "Libya"
15.074476 0.49469624 22 "Liechtenstein"
11.749031 0.22314355 69 "Lithuania"
15.393424 0.54812141 92 "Luxembourg"
8.118941 1.74046617 30 "Madagascar"
7.011227 1.80828877 15 "Malawi"
11.871905 1.06471074 58 "Malaysia"
10.927037 1.67335124 28 "Maldives"
19
7.643856 1.94591015 31 "Mali"
13.174458 0.57097955 91 "Malta"
10.920353 1.30291275 66 "Marshall.Is"
13.388421 0.64185389 95 "Martinique"
8.463524 1.75613229 59 "Mauritania"
11.886840 0.66782937 42 "Mauritius"
12.586371 0.91629073 75 "Mexico"
11.113091 1.33500107 29 "Micronesia"
8.703904 0.88376754 57 "Mongolia"
10.161132 1.01160091 56 "Morocco"
7.614710 1.72810944 33 "Mozambique"
10.678600 1.51732262 31 "Namibia"
7.820179 1.44926916 12 "Nepal"
14.537764 0.54232429 90 "Netherlands"
13.568550 0.71783979 69 "Neth.Antilles"
13.943064 0.89608802 78 "New.Caledonia"
13.686610 0.69813472 86 "New.Zealand"
8.933691 1.32175584 57 "Nicaragua"
7.459432 2.07944154 21 "Niger"
8.764872 1.69009582 45 "Nigeria"
15.153433 0.58778666 75 "Norway"
12.857398 1.60140574 77 "Oman"
8.707359 1.62531126 33 "Pakistan"
12.593158 1.09861229 69 "Palau"
11.727495 0.99325177 57 "Panama"
9.090112 1.40854497 18 "Papua.New.Guinea"
10.328675 1.34547237 57 "Paraguay"
11.003518 1.05082162 73 "Peru"
9.851749 1.15688120 59 "Philippines"
12.185185 0.23111172 63 "Poland"
13.417853 0.37156356 66 "Portugal"
14.220000 0.63657683 76 "Puerto.Rico"
14.896190 1.16938136 93 "Qatar"
8.434628 0.33647224 41 "Moldova"
13.165535 0.83290912 72 "Reunion"
10.729621 0.27763174 55 "Romania"
11.062721 0.13102826 73 "Russia"
7.679480 1.74745921 6 "Rwanda"
13.040632 0.87962675 34 "Saint.Kitts.and.Nevis"
12.285980 0.81977983 38 "Saint.Lucia"
11.521600 0.80200159 56 "St.Vincent/Grenadines"
10.453271 1.41585316 22 "Samoa"
8.285402 1.38379123 48 "Sao.Tome.and.Principe"
12.915132 1.51072194 87 "Saudi.Arabia"
8.903882 1.60341984 48 "Senegal"
9.977280 0.50077529 52 "Serbia.and.Montenegro."
12.938477 0.69314718 65 "Seychelles"
7.357552 1.87180218 37 "Sierra.Leone"
14.341171 0.30748470 100 "Singapore"
11.879200 0.24686008 58 "Slovakia"
13.208082 0.13102826 49 "Slovenia"
9.569856 1.48613970 20 "Solomon.Islands"
6.781360 1.98100147 28 "Somalia"
11.316282 0.95935022 58 "South.Africa"
13.797054 0.13976194 78 "Spain"
9.691744 0.69813472 23 "Sri.Lanka"
8.554589 1.47932923 37 "Sudan"
20
10.940314 0.89608802 75 "Suriname"
10.233620 1.51292701 27 "Swaziland"
14.531381 0.49469624 83 "Sweden"
15.072174 0.34358970 67 "Switzerland"
12.280771 1.19996478 52 "Syria"
7.426265 1.11841492 28 "Tajikistan"
10.859535 0.65752000 20 "Thailand"
10.750707 0.64185389 59 "Macedonia"
8.774787 1.34807315 8 "Timor-Leste"
8.092757 1.67335124 34 "Togo"
10.326429 1.31103188 33 "Tonga"
12.734921 0.43825493 75 "Trinidad.and.Tobago"
11.020286 0.69813472 66 "Tunisia"
11.060696 0.88789126 66 "Turkey"
10.302639 0.99325177 45 "Turkmenistan"
7.900867 1.96009478 15 "Uganda"
9.575539 0.13976194 68 "Ukraine"
14.274378 1.03673688 87 "United.Arab.Emirates"
14.561885 0.47000363 90 "United.Kingdom"
8.038919 1.63119940 33 "Tanzania"
15.086302 0.74668795 77 "USA"
12.428884 0.83290912 92 "Uruguay"
8.707359 0.89199804 37 "Uzbekistan"
10.083479 1.41827741 22 "Vanuatu"
12.290307 1.00063188 87 "Venezuela"
8.700440 0.83290912 25 "Viet.Nam"
8.751544 1.94733770 25 "Yemen"
8.430453 1.72988407 40 "Zambia"
9.457381 1.36097655 36 "Zimbabwe"
21