New paper in #SPSR „The Gas Game: Simulating Decision-Making in the EU’s External Natural Gas Policy”
Martina Grabau and I just published an article in Swiss Political Science Review (SPSR).
We used the "Predictioneer's Game" to simulate the EU's gas policy. Unfortunately, the codes of this simulation are not public. Therefore, we created our own model: We used fuzzing, machine learning and simple heuristics to create a model that performance as good as the predictioneer's game but we publish the codes of course:
# Code to create initial test set that is suitable formated for PG # # # dfNew <- data.frame() # for(i in 1:200){ # df$Player<- c("S1", "S2","S3", "S4","S5", "S6","S7", "S8","S9", "S10") # df$Influence <- sample(c(1:100), 10) # df$Position <- sample(c(1:100), 10) # df$Salience <- sample(c(1:99), 10) # df$Flexibility <- sample(c(1:100), 10) # df$Group <- "" # write.table(df, paste0("df", i, ".txt"), sep="\t", quote=F, row.names=F) # # dfNew <- rbind(dfNew, unlist(df[,c(3:6)])) # } # colnames(dfNew) <- names(unlist(df[,c(3:6)])) # write.csv(dfNew, "dfNew.csv", row.names=F) # The 200 tables have to be run in PG manually ### Fuzzing of PG dfNew <- read.csv("dfNew.csv") dfTest <- dfNew dfTest ## Influence1 Influence2 Influence3 Influence4 Influence5 Influence6 ## 1 53 26 29 12 25 45 ## 2 74 18 77 61 3 28 ## 3 59 40 86 36 44 35 ## 4 44 26 1 30 12 36 ## 5 75 72 93 15 40 36 ## 6 26 10 63 48 84 74 ## 7 19 46 89 52 91 27 ## 8 82 30 16 60 73 42 ## 9 49 21 41 42 70 59 ## 10 10 6 46 37 57 97 ## 11 84 76 29 22 62 23 ## 12 80 84 36 76 52 90 ## 13 87 26 80 19 59 43 ## 14 47 37 32 14 46 35 ## 15 59 26 19 94 10 64 ## 16 16 17 58 35 24 94 ## 17 26 47 21 71 69 13 ## 18 18 39 8 20 52 24 ## 19 10 70 82 95 33 16 ## 20 16 10 26 56 80 49 ## 21 42 45 38 52 85 83 ## 22 12 56 64 89 23 44 ## 23 58 17 96 10 87 42 ## 24 67 20 14 42 92 27 ## 25 63 5 37 49 44 13 ## 26 54 56 95 4 40 19 ## 27 23 96 66 52 58 86 ## 28 82 35 60 68 41 80 ## 29 64 58 6 20 17 26 ## 30 79 80 68 2 60 52 ## 31 16 98 10 32 64 74 ## 32 11 31 68 29 3 63 ## 33 94 60 74 93 96 12 ## 34 34 37 65 10 41 9 ## 35 14 2 10 82 55 17 ## 36 77 82 38 36 48 100 ## 37 96 100 52 41 13 37 ## 38 100 70 6 18 96 49 ## 39 26 15 6 52 60 76 ## 40 76 36 99 12 88 98 ## 41 51 39 61 38 48 64 ## 42 35 87 69 12 84 76 ## 43 66 34 83 49 30 10 ## 44 36 23 63 59 7 69 ## 45 72 34 62 13 56 18 ## 46 77 42 65 40 76 1 ## 47 14 8 82 83 28 96 ## 48 97 69 23 11 78 48 ## 49 81 63 6 5 85 23 ## 50 4 35 44 78 51 79 ## 51 16 13 67 20 49 32 ## 52 38 63 10 27 87 23 ## 53 36 9 93 42 46 28 ## 54 42 4 89 14 11 1 ## 55 26 32 91 62 81 59 ## 56 40 85 50 32 47 9 ## 57 43 21 64 60 70 35 ## 58 78 12 100 50 47 29 ## 59 6 10 16 59 56 36 ## 60 1 9 90 69 13 73 ## 61 30 54 82 44 60 31 ## 62 83 44 67 34 84 8 ## 63 24 10 17 68 71 60 ## 64 30 48 98 43 84 70 ## 65 100 87 60 14 27 62 ## 66 50 55 78 12 40 39 ## 67 40 89 90 86 33 100 ## 68 36 67 37 98 75 56 ## 69 88 62 79 29 48 100 ## 70 55 74 39 34 25 65 ## 71 30 88 93 19 48 66 ## 72 1 63 25 33 28 56 ## 73 56 20 28 80 16 51 ## 74 17 24 6 71 78 28 ## 75 9 3 79 36 15 30 ## 76 80 37 86 89 92 75 ## 77 31 70 59 2 36 16 ## 78 73 27 14 20 53 8 ## 79 86 22 49 31 47 6 ## 80 66 96 16 23 75 59 ## 81 15 86 28 62 8 18 ## 82 11 9 14 78 83 22 ## 83 42 44 62 45 72 76 ## 84 64 32 53 96 86 89 ## 85 36 31 93 76 72 28 ## 86 60 78 83 13 12 94 ## 87 25 68 24 50 85 86 ## 88 71 49 91 24 20 16 ## 89 3 35 51 42 95 70 ## 90 73 26 18 97 40 43 ## 91 2 93 11 55 31 85 ## 92 68 8 31 94 28 7 ## 93 64 23 9 59 47 98 ## 94 92 37 42 80 38 18 ## 95 98 90 40 82 66 96 ## 96 87 75 97 22 84 52 ## 97 96 61 31 95 68 60 ## 98 20 38 52 25 85 47 ## 99 84 39 5 60 12 87 ## 100 75 90 38 71 87 42 ## 101 70 31 35 37 10 56 ## 102 82 27 93 38 58 75 ## 103 70 29 68 62 25 47 ## 104 50 42 26 2 87 27 ## 105 97 76 95 99 62 38 ## 106 83 90 96 1 21 32 ## 107 5 47 15 25 30 16 ## 108 80 55 100 5 48 77 ## 109 3 16 62 87 1 38 ## 110 100 61 53 22 17 78 ## 111 72 84 62 32 58 70 ## 112 9 84 30 65 18 40 ## 113 59 6 31 40 57 33 ## 114 100 35 90 75 60 28 ## 115 14 72 84 77 47 92 ## 116 24 52 50 65 59 94 ## 117 82 62 10 17 64 16 ## 118 93 25 72 18 47 92 ## 119 98 25 48 93 52 21 ## 120 8 63 25 37 59 86 ## 121 39 49 74 69 29 23 ## 122 74 24 44 26 7 35 ## 123 86 73 11 62 57 29 ## 124 43 76 79 39 10 28 ## 125 82 59 70 61 93 13 ## 126 54 29 81 37 69 67 ## 127 31 63 58 12 23 3 ## 128 4 28 69 19 92 29 ## 129 68 50 33 63 98 30 ## 130 10 84 57 21 37 96 ## 131 78 51 57 48 14 18 ## 132 29 93 57 43 74 2 ## 133 78 35 50 13 44 36 ## 134 24 45 2 69 19 88 ## 135 32 54 90 82 61 81 ## 136 26 66 95 44 59 25 ## 137 79 92 72 80 47 86 ## 138 85 50 23 99 37 82 ## 139 23 82 3 42 67 8 ## 140 13 32 30 73 9 6 ## 141 93 15 77 13 38 86 ## 142 27 66 21 72 4 38 ## 143 98 56 18 91 77 84 ## 144 70 30 65 23 10 72 ## 145 3 23 93 62 15 81 ## 146 12 8 25 92 40 48 ## 147 62 67 60 11 35 3 ## 148 31 40 93 22 57 86 ## 149 64 82 95 90 52 23 ## 150 92 31 39 68 2 59 ## 151 48 15 94 81 51 36 ## 152 78 12 84 46 8 2 ## 153 92 10 84 98 72 80 ## 154 12 42 69 90 25 81 ## 155 49 34 4 95 11 32 ## 156 51 43 71 42 54 37 ## 157 3 41 98 90 8 16 ## 158 62 79 52 14 86 18 ## 159 8 35 42 9 40 72 ## 160 51 14 13 94 15 98 ## 161 90 66 9 41 46 34 ## 162 15 67 9 16 31 56 ## 163 41 5 69 84 55 93 ## 164 36 32 68 95 78 90 ## 165 46 90 35 14 89 95 ## 166 57 24 79 84 58 45 ## 167 58 70 56 91 43 9 ## 168 10 96 82 45 55 57 ## 169 77 53 94 76 27 66 ## 170 10 77 42 89 7 94 ## 171 88 2 57 53 47 80 ## 172 17 95 58 57 61 44 ## 173 66 90 47 26 88 12 ## 174 51 33 70 59 92 99 ## 175 80 69 20 4 9 10 ## 176 30 47 66 22 51 61 ## 177 42 24 36 12 33 66 ## 178 100 33 48 82 57 41 ## 179 99 48 49 53 54 62 ## 180 36 41 74 37 24 92 ## 181 9 6 77 91 59 79 ## 182 40 66 28 74 56 52 ## 183 96 22 71 93 13 8 ## 184 46 86 32 48 20 65 ## 185 79 29 70 91 77 58 ## 186 56 66 19 15 37 59 ## 187 75 40 58 94 15 28 ## 188 65 17 2 71 44 19 ## 189 86 67 40 66 12 5 ## 190 24 60 75 22 44 11 ## 191 87 28 63 74 36 64 ## 192 86 42 57 77 62 39 ## 193 67 19 50 21 14 56 ## 194 39 7 85 38 55 54 ## 195 27 62 69 90 29 70 ## 196 84 27 78 52 76 56 ## 197 100 96 37 16 36 3 ## 198 58 95 85 30 9 68 ## 199 14 7 31 30 52 43 ## 200 43 77 82 57 42 51 ## Influence7 Influence8 Influence9 Influence10 Position1 Position2 ## 1 62 92 80 47 83 2 ## 2 76 71 88 85 7 14 ## 3 99 98 68 69 57 26 ## 4 65 41 96 85 61 73 ## 5 55 34 26 61 88 95 ## 6 34 81 13 14 18 56 ## 7 38 29 55 42 65 80 ## 8 89 76 27 24 10 80 ## 9 27 24 61 83 48 22 ## 10 86 13 93 31 63 71 ## 11 77 4 27 7 32 9 ## 12 58 8 54 37 23 91 ## 13 6 81 35 14 35 30 ## 14 25 19 21 59 84 51 ## 15 63 36 30 84 93 81 ## 16 31 11 9 1 49 85 ## 17 56 24 93 94 27 57 ## 18 100 45 93 63 54 52 ## 19 64 22 96 98 37 32 ## 20 7 75 74 85 23 10 ## 21 4 54 99 47 90 61 ## 22 74 37 1 62 98 77 ## 23 70 48 38 12 48 28 ## 24 56 95 34 33 20 21 ## 25 11 42 32 80 16 58 ## 26 59 14 98 3 59 2 ## 27 70 77 74 89 12 64 ## 28 21 74 30 33 32 62 ## 29 15 69 7 34 28 25 ## 30 28 11 41 1 100 47 ## 31 6 4 52 46 13 95 ## 32 41 72 45 6 94 61 ## 33 86 5 9 61 34 98 ## 34 61 63 95 20 42 21 ## 35 41 30 58 60 20 58 ## 36 56 14 1 19 35 72 ## 37 85 26 16 40 5 13 ## 38 87 66 74 57 93 68 ## 39 77 96 85 45 42 36 ## 40 44 9 83 30 76 29 ## 41 9 76 97 58 32 70 ## 42 1 75 49 14 70 4 ## 43 59 60 18 67 93 28 ## 44 79 16 86 43 47 1 ## 45 43 65 29 85 80 68 ## 46 79 58 18 53 53 46 ## 47 6 89 40 39 53 40 ## 48 80 70 5 20 5 70 ## 49 31 54 99 11 43 42 ## 50 22 56 92 58 6 75 ## 51 11 7 29 28 92 81 ## 52 5 37 66 79 57 26 ## 53 67 19 87 74 33 62 ## 54 54 83 48 17 41 89 ## 55 17 95 43 92 72 71 ## 56 44 42 24 11 62 41 ## 57 11 84 14 6 7 13 ## 58 98 9 64 56 65 56 ## 59 89 72 74 35 21 72 ## 60 47 78 100 80 93 43 ## 61 13 6 78 88 66 94 ## 62 43 20 19 74 36 78 ## 63 46 64 82 45 80 11 ## 64 17 58 31 5 16 79 ## 65 71 18 75 74 62 14 ## 66 18 20 45 58 49 70 ## 67 45 75 5 47 83 39 ## 68 49 19 48 62 1 84 ## 69 9 36 33 96 9 62 ## 70 32 99 46 19 15 74 ## 71 21 65 24 76 97 15 ## 72 70 40 80 53 34 21 ## 73 49 44 38 69 79 20 ## 74 94 88 27 23 12 88 ## 75 72 12 4 25 26 81 ## 76 84 22 68 32 48 68 ## 77 7 30 86 39 63 54 ## 78 12 32 51 98 93 81 ## 79 62 50 18 78 33 88 ## 80 49 19 13 17 87 26 ## 81 88 19 92 68 18 1 ## 82 46 90 57 87 20 88 ## 83 23 27 53 13 95 36 ## 84 95 80 26 84 27 6 ## 85 17 32 78 63 38 98 ## 86 50 36 29 67 40 29 ## 87 73 45 29 16 71 96 ## 88 48 72 25 36 43 84 ## 89 79 20 29 52 99 72 ## 90 78 34 77 96 53 6 ## 91 3 68 80 72 65 11 ## 92 27 77 49 83 35 5 ## 93 61 70 13 7 76 35 ## 94 53 5 48 66 46 15 ## 95 64 14 65 13 99 76 ## 96 59 13 65 60 22 82 ## 97 11 63 17 46 64 77 ## 98 94 55 97 74 42 36 ## 99 64 85 94 25 70 23 ## 100 73 16 72 2 16 9 ## 101 97 4 3 78 91 44 ## 102 5 22 13 48 21 88 ## 103 81 51 43 13 28 18 ## 104 40 17 59 49 59 100 ## 105 7 1 100 25 15 21 ## 106 45 17 37 58 75 88 ## 107 35 71 74 41 57 90 ## 108 4 19 38 51 91 81 ## 109 6 26 74 100 31 68 ## 110 46 90 35 98 60 98 ## 111 41 16 45 39 18 55 ## 112 27 39 62 24 84 76 ## 113 3 80 18 42 6 28 ## 114 5 83 50 49 51 100 ## 115 53 79 60 54 90 93 ## 116 89 68 64 33 69 6 ## 117 13 37 58 24 73 50 ## 118 49 16 84 70 16 54 ## 119 81 83 32 78 4 13 ## 120 93 5 28 79 81 18 ## 121 66 35 57 62 60 79 ## 122 60 89 59 10 56 90 ## 123 74 72 28 79 18 40 ## 124 57 75 61 30 29 27 ## 125 57 51 9 76 33 23 ## 126 34 33 45 97 33 24 ## 127 39 43 52 42 67 56 ## 128 49 94 36 20 96 25 ## 129 32 65 57 69 34 71 ## 130 46 23 20 88 7 40 ## 131 93 61 76 24 92 79 ## 132 62 26 32 6 5 54 ## 133 65 69 41 87 58 14 ## 134 21 51 1 100 2 20 ## 135 94 18 43 11 46 24 ## 136 72 56 74 20 55 1 ## 137 46 42 33 94 25 3 ## 138 63 40 98 24 67 11 ## 139 33 52 48 1 69 68 ## 140 82 14 95 91 17 22 ## 141 8 59 25 23 19 14 ## 142 94 17 69 77 37 9 ## 143 66 13 17 33 22 83 ## 144 53 77 98 35 87 33 ## 145 96 79 1 63 29 93 ## 146 4 29 81 24 43 71 ## 147 65 27 79 70 14 2 ## 148 16 76 14 39 56 4 ## 149 3 20 8 16 5 60 ## 150 57 52 21 55 92 14 ## 151 72 60 11 38 61 56 ## 152 58 7 81 17 87 11 ## 153 13 56 15 95 9 65 ## 154 72 91 1 34 80 12 ## 155 75 46 15 25 59 73 ## 156 64 27 96 87 25 100 ## 157 72 69 95 51 79 13 ## 158 56 40 28 51 23 87 ## 159 81 73 32 6 100 96 ## 160 42 54 85 29 14 57 ## 161 83 23 26 59 79 75 ## 162 81 47 62 13 86 23 ## 163 54 21 26 53 95 40 ## 164 45 13 77 14 55 11 ## 165 29 15 56 69 99 17 ## 166 31 81 25 50 36 27 ## 167 67 80 49 68 7 96 ## 168 27 31 65 21 40 49 ## 169 63 68 81 36 83 93 ## 170 55 59 16 51 81 57 ## 171 42 87 21 59 29 63 ## 172 43 7 93 79 89 66 ## 173 81 51 70 21 35 71 ## 174 31 63 24 76 37 58 ## 175 74 16 95 37 36 73 ## 176 8 39 77 34 8 39 ## 177 87 75 70 4 45 14 ## 178 6 54 66 32 51 62 ## 179 35 86 38 22 17 91 ## 180 48 61 43 80 93 24 ## 181 54 7 82 8 41 68 ## 182 71 75 57 3 74 47 ## 183 52 61 43 89 50 63 ## 184 25 69 68 64 42 19 ## 185 19 50 78 44 45 85 ## 186 76 57 34 61 2 56 ## 187 48 41 71 70 38 57 ## 188 41 80 66 46 83 37 ## 189 23 69 56 34 59 12 ## 190 13 10 94 76 87 22 ## 191 72 67 70 91 99 92 ## 192 48 3 26 14 8 30 ## 193 39 81 97 49 3 24 ## 194 20 50 5 69 2 50 ## 195 64 72 13 95 23 34 ## 196 21 40 49 50 9 100 ## 197 8 55 9 2 23 73 ## 198 49 41 37 93 92 78 ## 199 38 73 19 9 19 45 ## 200 32 98 38 93 53 65 ## Position3 Position4 Position5 Position6 Position7 Position8 Position9 ## 1 97 86 80 27 82 23 28 ## 2 1 80 56 94 19 15 95 ## 3 70 68 71 89 94 58 27 ## 4 33 60 50 55 39 74 45 ## 5 8 44 3 17 20 36 49 ## 6 36 27 65 76 19 38 81 ## 7 50 3 33 14 12 31 88 ## 8 23 83 25 61 77 98 34 ## 9 78 58 18 74 57 84 1 ## 10 42 59 98 20 56 23 68 ## 11 63 13 92 47 62 29 30 ## 12 82 3 77 63 100 5 17 ## 13 87 90 20 9 36 69 94 ## 14 74 63 86 81 41 7 50 ## 15 1 35 14 44 18 65 45 ## 16 94 34 5 48 61 58 25 ## 17 35 92 7 45 39 62 26 ## 18 75 77 26 65 31 14 40 ## 19 64 21 30 35 63 89 43 ## 20 82 70 9 27 76 60 74 ## 21 89 80 32 42 82 23 84 ## 22 55 41 20 74 52 87 91 ## 23 38 94 35 40 17 65 57 ## 24 81 49 92 3 18 45 27 ## 25 30 47 13 29 59 96 98 ## 26 71 96 70 17 76 35 25 ## 27 7 15 42 63 78 70 69 ## 28 76 75 47 48 22 69 51 ## 29 14 13 68 86 62 8 36 ## 30 24 43 78 25 44 1 11 ## 31 2 85 100 15 19 76 84 ## 32 66 16 100 43 54 75 1 ## 33 65 11 64 4 59 97 86 ## 34 67 5 95 99 61 20 79 ## 35 39 1 22 34 45 25 53 ## 36 40 64 59 42 58 67 23 ## 37 31 73 26 44 72 1 94 ## 38 10 14 38 55 27 29 84 ## 39 3 13 1 92 79 88 37 ## 40 55 75 93 60 52 50 80 ## 41 98 72 20 84 90 65 69 ## 42 53 23 19 57 69 7 59 ## 43 15 22 86 11 30 70 12 ## 44 46 67 54 36 63 3 34 ## 45 8 53 24 59 82 55 60 ## 46 51 61 36 84 38 23 25 ## 47 82 28 87 89 43 34 90 ## 48 64 20 25 98 31 99 34 ## 49 87 67 66 40 91 18 84 ## 50 90 59 76 7 32 58 45 ## 51 19 2 88 52 91 78 87 ## 52 98 58 88 46 38 47 37 ## 53 89 14 32 3 70 19 23 ## 54 42 49 20 92 72 83 77 ## 55 34 55 11 28 17 26 67 ## 56 81 13 60 6 22 30 64 ## 57 86 69 36 11 54 30 23 ## 58 82 87 97 15 5 88 72 ## 59 34 16 32 86 70 29 76 ## 60 78 84 24 3 88 34 92 ## 61 92 58 22 4 46 52 60 ## 62 99 3 72 73 80 20 70 ## 63 70 52 72 16 38 22 95 ## 64 84 53 58 52 94 42 50 ## 65 56 46 5 95 70 19 10 ## 66 35 66 8 48 31 57 71 ## 67 63 73 7 5 6 44 76 ## 68 4 53 34 36 29 25 26 ## 69 14 11 31 86 37 30 51 ## 70 91 76 27 9 24 40 45 ## 71 36 47 69 12 43 85 38 ## 72 59 58 35 68 91 33 65 ## 73 2 10 72 19 88 89 86 ## 74 97 22 23 62 67 57 85 ## 75 18 92 62 35 87 93 34 ## 76 44 20 53 37 88 60 40 ## 77 96 84 23 79 66 30 55 ## 78 18 36 41 92 61 10 91 ## 79 75 51 79 87 95 27 50 ## 80 60 93 91 29 79 69 59 ## 81 80 96 83 72 60 8 49 ## 82 57 95 87 69 44 26 18 ## 83 58 67 29 96 44 99 19 ## 84 18 23 14 44 76 22 63 ## 85 58 34 52 28 44 65 89 ## 86 87 76 100 92 93 64 59 ## 87 52 70 34 46 40 26 76 ## 88 72 76 64 23 5 46 28 ## 89 8 100 29 49 19 43 62 ## 90 9 72 77 13 15 64 20 ## 91 77 72 37 54 14 38 93 ## 92 66 91 88 82 89 21 44 ## 93 60 65 5 70 2 67 54 ## 94 22 91 64 98 81 96 66 ## 95 87 8 81 27 36 96 1 ## 96 1 48 64 54 25 28 23 ## 97 51 60 15 61 4 12 87 ## 98 83 21 14 20 6 13 97 ## 99 45 2 67 57 19 68 13 ## 100 90 41 97 5 42 8 53 ## 101 28 97 82 4 32 50 74 ## 102 41 54 96 68 1 94 76 ## 103 27 35 64 44 1 85 73 ## 104 70 49 65 38 67 7 61 ## 105 27 59 37 63 19 3 78 ## 106 22 15 94 100 24 69 82 ## 107 93 55 15 53 25 71 83 ## 108 71 18 90 89 57 20 85 ## 109 77 34 41 61 65 84 81 ## 110 42 79 9 87 5 25 83 ## 111 3 56 53 48 86 36 16 ## 112 59 53 45 71 100 24 64 ## 113 78 9 10 2 37 70 53 ## 114 48 60 47 8 10 14 86 ## 115 37 74 10 87 99 57 86 ## 116 36 17 60 27 83 55 3 ## 117 48 24 8 62 19 55 28 ## 118 27 35 94 85 19 25 100 ## 119 10 99 68 81 64 73 98 ## 120 44 74 38 24 8 29 67 ## 121 46 40 91 18 74 5 42 ## 122 88 32 6 61 42 22 19 ## 123 98 72 73 14 30 1 41 ## 124 41 90 73 87 16 37 79 ## 125 58 80 34 55 12 26 3 ## 126 18 32 77 27 20 57 1 ## 127 6 35 24 8 49 26 46 ## 128 18 33 64 93 46 14 99 ## 129 6 32 92 66 37 14 89 ## 130 2 11 67 32 96 24 66 ## 131 10 11 60 62 52 65 43 ## 132 75 81 22 73 37 11 50 ## 133 92 24 44 85 9 71 34 ## 134 37 53 17 50 85 67 41 ## 135 91 11 20 90 60 38 58 ## 136 56 90 24 87 21 66 31 ## 137 13 33 47 59 81 99 43 ## 138 82 93 29 88 99 56 31 ## 139 79 67 57 61 70 42 8 ## 140 73 45 90 13 47 79 5 ## 141 100 20 95 21 76 96 13 ## 142 42 21 83 89 87 77 56 ## 143 18 37 97 23 93 86 85 ## 144 10 91 2 95 62 29 22 ## 145 9 61 28 36 97 34 27 ## 146 7 69 9 52 38 88 77 ## 147 35 71 18 57 86 29 20 ## 148 38 22 32 90 93 54 46 ## 149 38 92 53 91 48 43 16 ## 150 89 97 41 24 77 63 22 ## 151 9 15 91 100 44 28 83 ## 152 17 89 29 74 96 24 18 ## 153 76 49 52 37 26 95 1 ## 154 5 65 79 46 48 60 62 ## 155 52 82 78 15 10 46 86 ## 156 95 4 85 45 11 59 82 ## 157 76 49 31 51 64 78 52 ## 158 77 91 6 83 97 42 41 ## 159 80 38 34 11 45 30 73 ## 160 58 25 93 18 47 10 52 ## 161 67 5 51 41 46 17 48 ## 162 66 35 95 15 84 38 57 ## 163 88 63 28 5 18 39 77 ## 164 23 15 22 43 8 87 60 ## 165 20 84 40 88 2 76 51 ## 166 6 15 40 51 25 53 79 ## 167 77 29 50 60 90 80 25 ## 168 43 86 80 13 18 57 75 ## 169 67 1 96 69 65 46 92 ## 170 23 10 99 6 51 21 64 ## 171 18 100 12 24 11 61 81 ## 172 81 55 98 53 48 13 2 ## 173 46 43 6 56 81 53 31 ## 174 55 49 70 67 18 7 2 ## 175 67 53 1 49 99 83 52 ## 176 73 7 77 56 13 96 5 ## 177 23 77 76 79 83 96 62 ## 178 67 15 87 60 12 80 34 ## 179 60 13 42 8 19 26 24 ## 180 80 19 8 71 72 46 82 ## 181 82 75 84 36 8 28 100 ## 182 75 8 84 93 69 98 35 ## 183 47 37 94 100 4 40 24 ## 184 79 34 99 68 96 59 98 ## 185 75 82 62 56 40 78 13 ## 186 96 11 88 7 4 55 22 ## 187 88 39 60 13 97 21 43 ## 188 70 82 91 66 95 49 45 ## 189 68 99 32 19 86 96 63 ## 190 98 72 62 29 27 36 58 ## 191 53 36 4 30 57 97 56 ## 192 82 76 12 29 79 6 74 ## 193 95 80 10 34 19 70 52 ## 194 98 92 17 78 47 71 83 ## 195 70 99 97 87 4 48 90 ## 196 62 80 96 21 14 5 79 ## 197 19 59 57 81 84 14 93 ## 198 61 2 21 38 25 34 19 ## 199 81 83 27 20 82 76 92 ## 200 7 72 91 77 84 66 32 ## Position10 Salience1 Salience2 Salience3 Salience4 Salience5 Salience6 ## 1 24 53 95 37 79 42 67 ## 2 89 21 74 15 87 19 10 ## 3 19 51 1 5 19 91 77 ## 4 44 26 81 13 99 72 39 ## 5 84 7 70 21 63 16 41 ## 6 35 3 74 5 7 95 35 ## 7 73 16 76 56 73 52 57 ## 8 95 91 54 73 99 81 94 ## 9 47 65 83 21 36 13 95 ## 10 82 43 40 4 36 68 85 ## 11 73 56 34 41 42 59 97 ## 12 42 62 56 63 12 6 40 ## 13 34 81 2 41 57 9 11 ## 14 94 92 81 53 45 67 1 ## 15 87 65 82 49 98 22 6 ## 16 91 61 67 99 28 33 51 ## 17 93 20 47 82 96 78 10 ## 18 45 50 83 68 12 71 72 ## 19 93 45 59 32 43 9 24 ## 20 79 69 34 19 3 95 87 ## 21 26 94 80 50 40 20 76 ## 22 51 30 10 51 12 57 5 ## 23 45 49 12 70 58 20 63 ## 24 2 19 72 57 35 85 80 ## 25 41 66 17 79 69 96 54 ## 26 48 62 84 24 57 81 19 ## 27 49 12 66 25 49 44 9 ## 28 59 64 61 27 97 83 47 ## 29 39 73 57 70 26 24 7 ## 30 59 20 25 77 86 6 83 ## 31 86 83 30 92 13 21 79 ## 32 84 79 51 52 14 74 85 ## 33 95 81 60 8 40 4 22 ## 34 26 96 71 10 3 43 23 ## 35 86 95 39 62 17 19 13 ## 36 95 67 96 18 76 73 87 ## 37 50 76 47 28 9 8 90 ## 38 21 88 21 68 53 58 81 ## 39 84 87 71 58 66 44 43 ## 40 69 93 99 44 85 57 33 ## 41 87 22 20 24 23 92 7 ## 42 79 73 11 18 48 8 52 ## 43 84 8 82 60 69 83 56 ## 44 42 25 64 83 45 80 74 ## 45 39 61 17 34 82 75 66 ## 46 35 47 69 40 82 2 64 ## 47 33 27 71 18 96 53 9 ## 48 84 14 3 49 73 60 61 ## 49 62 95 74 40 33 25 84 ## 50 64 52 39 33 76 73 77 ## 51 29 72 85 42 28 66 38 ## 52 77 96 18 62 25 69 20 ## 53 48 20 63 43 30 56 59 ## 54 5 42 58 92 65 1 4 ## 55 44 15 78 11 95 61 22 ## 56 100 71 31 84 96 41 75 ## 57 95 49 72 8 45 18 73 ## 58 27 58 84 3 51 89 46 ## 59 46 55 8 23 25 38 14 ## 60 10 22 41 97 27 52 90 ## 61 69 10 68 15 41 14 34 ## 62 64 56 93 51 35 63 50 ## 63 48 74 87 82 57 93 12 ## 64 59 78 94 38 43 96 6 ## 65 35 41 64 39 65 47 33 ## 66 90 76 97 7 38 27 50 ## 67 35 2 14 44 19 37 41 ## 68 22 46 40 58 26 43 96 ## 69 3 78 90 71 91 83 57 ## 70 96 54 27 63 42 45 30 ## 71 98 50 68 6 9 3 37 ## 72 78 53 52 4 29 71 44 ## 73 81 9 33 48 6 2 11 ## 74 95 17 59 11 10 33 77 ## 75 50 4 40 24 94 47 42 ## 76 81 44 37 6 78 70 19 ## 77 75 61 60 62 33 77 54 ## 78 99 36 67 70 81 31 18 ## 79 99 2 86 47 94 48 82 ## 80 25 33 42 13 53 78 24 ## 81 28 32 67 1 10 58 74 ## 82 39 35 95 17 97 28 68 ## 83 8 2 47 72 59 34 58 ## 84 43 73 68 38 94 89 29 ## 85 67 39 13 10 75 48 47 ## 86 68 10 53 63 65 41 48 ## 87 45 36 44 58 3 49 86 ## 88 38 40 24 93 16 72 68 ## 89 94 24 98 47 83 76 54 ## 90 94 18 98 50 26 24 27 ## 91 90 73 94 87 97 89 26 ## 92 99 77 14 26 47 40 28 ## 93 51 53 20 84 42 90 91 ## 94 49 14 65 56 1 40 8 ## 95 65 49 47 51 71 21 99 ## 96 61 73 61 89 4 79 68 ## 97 40 71 78 14 93 28 35 ## 98 80 32 27 91 17 79 57 ## 99 22 9 8 24 23 64 11 ## 100 57 2 61 90 31 66 58 ## 101 39 13 8 22 34 69 73 ## 102 46 97 84 34 77 88 76 ## 103 40 21 59 1 37 69 29 ## 104 19 82 86 31 48 69 46 ## 105 32 94 6 80 59 42 68 ## 106 37 96 7 41 32 1 35 ## 107 10 25 52 94 31 78 66 ## 108 38 66 56 40 89 23 34 ## 109 95 22 77 93 71 5 24 ## 110 2 58 92 15 59 87 38 ## 111 88 26 73 46 62 7 17 ## 112 91 8 68 38 30 63 61 ## 113 75 31 99 63 47 2 74 ## 114 70 1 73 20 66 13 89 ## 115 44 68 3 13 72 78 23 ## 116 32 8 79 83 12 41 43 ## 117 7 38 60 7 26 64 1 ## 118 82 64 22 20 38 44 52 ## 119 50 80 63 94 35 86 78 ## 120 11 82 52 69 13 40 20 ## 121 71 69 4 44 20 99 46 ## 122 34 4 21 36 7 27 63 ## 123 42 92 91 5 81 34 1 ## 124 97 48 29 80 23 38 22 ## 125 30 35 33 17 56 18 98 ## 126 73 39 32 4 48 13 17 ## 127 41 53 46 10 97 79 96 ## 128 45 81 71 63 65 3 46 ## 129 73 77 8 11 46 51 72 ## 130 90 4 44 7 49 69 99 ## 131 72 16 69 35 12 65 46 ## 132 27 12 72 93 97 42 28 ## 133 69 22 3 50 90 2 89 ## 134 36 88 14 92 3 34 79 ## 135 85 99 4 77 64 69 33 ## 136 27 21 23 89 88 59 33 ## 137 90 97 73 39 91 82 81 ## 138 85 56 5 23 64 10 57 ## 139 76 46 47 56 20 51 98 ## 140 44 31 69 64 20 43 48 ## 141 56 18 15 24 93 44 89 ## 142 19 58 7 15 17 16 76 ## 143 63 47 50 82 31 17 35 ## 144 50 3 84 12 55 61 20 ## 145 80 98 50 77 39 82 94 ## 146 66 15 51 43 92 76 62 ## 147 31 27 33 61 43 48 40 ## 148 47 23 89 3 50 94 46 ## 149 82 11 49 72 2 98 56 ## 150 69 21 69 6 38 68 12 ## 151 89 95 26 47 25 67 31 ## 152 61 84 94 93 73 64 6 ## 153 29 12 78 3 42 74 58 ## 154 21 66 34 72 69 14 88 ## 155 39 37 9 45 38 33 88 ## 156 76 46 61 1 78 83 86 ## 157 60 28 22 26 62 84 93 ## 158 80 69 88 46 87 85 1 ## 159 25 89 96 64 57 42 78 ## 160 98 46 98 84 62 81 15 ## 161 84 69 8 94 16 43 14 ## 162 30 77 61 8 94 13 29 ## 163 47 89 46 13 75 98 4 ## 164 96 76 68 13 81 43 60 ## 165 11 20 58 14 81 7 65 ## 166 98 17 67 72 93 70 16 ## 167 18 71 96 16 22 90 75 ## 168 85 80 23 64 88 57 84 ## 169 47 20 5 80 24 1 6 ## 170 26 18 62 1 30 82 42 ## 171 74 20 65 98 51 10 31 ## 172 6 15 21 30 18 55 62 ## 173 25 84 73 89 17 15 80 ## 174 33 91 56 90 6 19 51 ## 175 50 55 43 59 45 35 23 ## 176 40 33 53 13 76 60 40 ## 177 78 72 33 6 26 89 87 ## 178 1 90 74 8 2 23 60 ## 179 82 83 68 17 28 90 72 ## 180 85 55 12 63 98 4 30 ## 181 20 17 2 75 84 56 74 ## 182 96 13 76 88 21 82 90 ## 183 2 31 73 46 82 61 40 ## 184 82 71 3 19 78 82 30 ## 185 2 68 31 35 69 81 12 ## 186 58 5 41 86 23 61 90 ## 187 70 69 57 62 68 43 29 ## 188 27 78 82 19 91 25 58 ## 189 69 22 42 47 12 89 58 ## 190 86 93 73 16 18 8 29 ## 191 50 43 77 37 97 66 63 ## 192 95 15 56 2 19 55 10 ## 193 35 32 72 46 92 28 9 ## 194 27 47 84 45 77 87 19 ## 195 83 97 7 57 65 14 3 ## 196 51 14 37 48 13 81 87 ## 197 24 1 73 16 52 45 28 ## 198 29 50 13 52 35 41 64 ## 199 78 76 93 72 60 8 74 ## 200 20 43 30 71 24 98 88 ## Salience7 Salience8 Salience9 Salience10 Flexibility1 Flexibility2 ## 1 14 51 56 38 41 28 ## 2 91 77 60 92 19 41 ## 3 39 70 45 69 62 68 ## 4 16 97 49 14 1 42 ## 5 14 60 12 45 91 31 ## 6 2 36 75 70 83 45 ## 7 7 41 2 4 24 61 ## 8 80 96 2 28 42 73 ## 9 69 99 98 43 9 96 ## 10 32 95 84 50 32 46 ## 11 96 43 13 38 84 83 ## 12 48 36 22 94 89 48 ## 13 93 50 48 62 54 35 ## 14 98 68 63 66 62 29 ## 15 76 35 90 54 23 10 ## 16 42 70 17 44 31 14 ## 17 97 5 12 42 85 18 ## 18 94 25 26 16 88 77 ## 19 75 28 55 81 22 7 ## 20 61 89 20 40 24 54 ## 21 86 82 45 32 56 18 ## 22 25 53 32 95 54 47 ## 23 53 21 73 83 86 36 ## 24 21 56 91 34 92 95 ## 25 15 80 5 61 8 73 ## 26 92 27 63 77 36 73 ## 27 33 80 28 97 62 30 ## 28 41 45 76 46 55 78 ## 29 16 42 65 76 7 89 ## 30 57 29 49 89 5 32 ## 31 38 97 24 51 97 44 ## 32 37 24 30 20 28 48 ## 33 77 65 32 54 100 75 ## 34 2 55 17 14 68 21 ## 35 35 15 26 14 38 3 ## 36 36 43 77 13 7 97 ## 37 95 43 80 73 71 38 ## 38 80 43 3 65 73 2 ## 39 36 3 13 9 83 80 ## 40 45 35 72 7 23 25 ## 41 57 28 78 64 77 100 ## 42 39 36 90 63 9 8 ## 43 29 53 17 33 51 11 ## 44 61 52 47 98 87 18 ## 45 55 22 16 79 10 53 ## 46 89 66 74 18 58 82 ## 47 54 11 36 30 94 37 ## 48 44 11 63 76 37 14 ## 49 97 73 43 39 35 6 ## 50 1 35 26 47 73 75 ## 51 68 30 32 33 70 24 ## 52 6 80 17 99 87 45 ## 53 12 42 48 11 5 84 ## 54 83 16 39 10 13 67 ## 55 25 97 26 17 77 85 ## 56 36 65 29 13 14 29 ## 57 28 61 79 58 89 21 ## 58 33 62 85 10 62 8 ## 59 12 89 84 91 40 48 ## 60 5 17 9 69 6 74 ## 61 3 7 94 55 75 1 ## 62 7 3 43 80 11 93 ## 63 68 51 63 92 50 4 ## 64 45 25 22 88 23 18 ## 65 80 17 7 51 38 61 ## 66 22 11 83 3 52 49 ## 67 83 89 40 60 13 44 ## 68 71 78 97 86 16 70 ## 69 72 15 18 37 71 34 ## 70 21 2 90 71 38 99 ## 71 62 38 96 86 93 76 ## 72 66 72 11 25 69 89 ## 73 67 13 72 35 69 86 ## 74 47 71 43 6 52 34 ## 75 32 70 66 89 17 51 ## 76 75 63 52 25 36 22 ## 77 72 7 21 95 74 95 ## 78 80 98 45 76 22 13 ## 79 91 51 69 38 40 66 ## 80 34 10 46 25 27 45 ## 81 21 61 56 6 5 40 ## 82 72 7 76 27 80 57 ## 83 94 65 24 63 33 16 ## 84 69 2 91 95 36 8 ## 85 44 56 74 32 41 5 ## 86 20 7 31 30 6 12 ## 87 35 70 11 98 61 94 ## 88 47 2 50 25 7 91 ## 89 91 27 20 33 52 79 ## 90 17 70 16 11 35 86 ## 91 6 46 90 44 64 29 ## 92 17 37 66 90 8 16 ## 93 10 75 47 95 9 41 ## 94 69 19 30 22 26 87 ## 95 75 86 73 79 52 42 ## 96 6 37 17 21 20 60 ## 97 58 82 77 47 4 89 ## 98 34 97 53 22 39 72 ## 99 75 38 63 33 27 16 ## 100 40 78 80 22 12 90 ## 101 88 48 20 42 15 62 ## 102 74 4 26 94 9 87 ## 103 73 35 97 89 9 6 ## 104 42 1 68 16 78 33 ## 105 99 23 43 30 34 1 ## 106 42 57 73 66 3 87 ## 107 36 42 97 32 74 24 ## 108 42 38 58 63 58 85 ## 109 12 39 19 94 55 85 ## 110 25 79 34 1 19 100 ## 111 56 21 66 25 25 52 ## 112 79 64 65 80 4 57 ## 113 98 94 3 29 94 38 ## 114 94 4 48 68 84 29 ## 115 34 14 28 62 11 16 ## 116 14 19 26 51 98 31 ## 117 59 96 41 40 82 78 ## 118 23 55 8 54 52 46 ## 119 25 40 55 59 89 38 ## 120 91 86 55 53 9 33 ## 121 18 53 87 12 76 71 ## 122 5 82 89 86 8 24 ## 123 97 21 64 69 9 20 ## 124 98 87 91 9 19 68 ## 125 7 54 57 3 33 72 ## 126 29 3 99 93 51 28 ## 127 73 64 84 77 13 48 ## 128 35 62 9 44 20 91 ## 129 61 88 38 62 23 34 ## 130 6 88 21 51 97 92 ## 131 93 19 29 2 82 89 ## 132 15 16 35 45 21 86 ## 133 24 40 91 69 64 92 ## 134 85 78 25 57 58 80 ## 135 39 93 75 45 4 67 ## 136 26 10 74 14 4 68 ## 137 42 49 92 47 99 37 ## 138 45 43 3 37 60 11 ## 139 26 54 49 44 85 31 ## 140 14 72 36 23 25 14 ## 141 90 28 91 34 57 59 ## 142 47 96 64 45 88 14 ## 143 8 16 88 81 97 92 ## 144 95 64 69 65 96 52 ## 145 53 71 11 62 52 87 ## 146 94 36 31 71 27 19 ## 147 67 10 23 79 46 84 ## 148 77 41 30 44 68 50 ## 149 80 48 94 45 13 21 ## 150 39 54 45 4 87 55 ## 151 73 91 24 8 88 35 ## 152 80 5 19 15 55 21 ## 153 45 87 69 54 77 45 ## 154 2 62 51 64 21 38 ## 155 7 51 15 47 36 64 ## 156 59 67 37 91 13 94 ## 157 75 70 83 38 79 11 ## 158 75 78 3 66 77 11 ## 159 43 91 2 53 55 65 ## 160 75 76 85 51 10 23 ## 161 58 24 62 40 67 20 ## 162 50 57 33 53 75 74 ## 163 72 1 83 32 88 3 ## 164 45 87 80 66 26 24 ## 165 83 92 72 60 3 72 ## 166 19 13 62 38 85 52 ## 167 68 88 53 63 26 15 ## 168 18 47 70 87 93 50 ## 169 85 94 65 44 88 22 ## 170 81 38 48 43 66 31 ## 171 57 81 32 89 96 67 ## 172 6 90 17 3 16 50 ## 173 58 19 74 62 74 3 ## 174 88 93 37 87 88 67 ## 175 44 2 41 92 24 15 ## 176 11 88 34 44 61 43 ## 177 71 25 20 66 50 75 ## 178 93 72 88 3 81 63 ## 179 13 82 70 79 14 26 ## 180 22 31 90 14 44 16 ## 181 98 3 61 40 50 42 ## 182 93 12 31 80 79 88 ## 183 71 79 85 89 53 50 ## 184 41 47 34 29 30 76 ## 185 88 77 33 44 27 12 ## 186 13 59 36 78 45 94 ## 187 93 46 40 63 80 3 ## 188 1 36 16 85 100 70 ## 189 81 39 25 23 51 45 ## 190 52 11 35 48 38 83 ## 191 27 93 38 44 63 44 ## 192 66 44 76 21 19 37 ## 193 55 29 42 26 92 29 ## 194 67 92 46 49 80 76 ## 195 76 58 94 28 1 20 ## 196 79 39 38 22 6 20 ## 197 66 32 9 54 100 33 ## 198 6 63 40 61 72 67 ## 199 9 82 5 4 20 21 ## 200 18 96 54 39 24 34 ## Flexibility3 Flexibility4 Flexibility5 Flexibility6 Flexibility7 ## 1 38 65 86 92 26 ## 2 36 85 24 22 18 ## 3 89 32 13 78 95 ## 4 64 38 6 93 90 ## 5 37 18 69 47 85 ## 6 46 97 60 2 10 ## 7 15 34 5 18 17 ## 8 87 36 54 99 86 ## 9 67 74 5 1 40 ## 10 50 29 31 35 74 ## 11 40 81 10 47 14 ## 12 32 23 42 65 5 ## 13 68 87 99 41 39 ## 14 5 66 39 81 25 ## 15 57 46 99 43 49 ## 16 9 97 35 59 94 ## 17 65 66 71 42 22 ## 18 6 19 75 61 54 ## 19 76 5 77 16 9 ## 20 53 28 84 44 42 ## 21 25 68 6 96 90 ## 22 39 27 41 20 78 ## 23 93 39 84 28 59 ## 24 15 46 10 91 13 ## 25 99 42 4 90 13 ## 26 82 74 46 1 100 ## 27 50 12 74 48 38 ## 28 17 53 12 82 2 ## 29 6 21 70 24 39 ## 30 41 61 4 91 52 ## 31 8 72 77 20 55 ## 32 10 49 40 37 54 ## 33 39 7 1 29 13 ## 34 93 3 51 75 26 ## 35 86 5 96 65 41 ## 36 45 53 4 72 14 ## 37 36 9 61 55 85 ## 38 13 26 52 67 58 ## 39 66 37 71 22 99 ## 40 14 12 73 77 33 ## 41 34 62 95 56 35 ## 42 57 23 37 84 96 ## 43 10 87 77 25 12 ## 44 5 99 23 80 12 ## 45 94 40 61 43 56 ## 46 42 98 44 12 92 ## 47 85 25 38 17 34 ## 48 51 31 81 99 41 ## 49 72 5 49 21 32 ## 50 27 62 91 80 87 ## 51 11 79 50 77 48 ## 52 3 64 29 2 66 ## 53 30 20 60 88 63 ## 54 50 22 26 3 98 ## 55 63 72 16 62 42 ## 56 62 76 63 8 50 ## 57 44 14 36 80 34 ## 58 53 7 67 18 86 ## 59 23 79 83 59 60 ## 60 99 89 60 88 15 ## 61 50 2 99 38 30 ## 62 96 37 89 27 77 ## 63 17 13 55 28 32 ## 64 13 41 8 54 90 ## 65 62 94 3 25 59 ## 66 5 70 84 98 19 ## 67 30 64 16 77 63 ## 68 55 63 51 86 30 ## 69 54 53 68 55 13 ## 70 82 44 61 2 60 ## 71 11 64 30 13 53 ## 72 13 99 54 21 74 ## 73 41 1 92 73 10 ## 74 48 4 58 74 57 ## 75 1 27 67 29 42 ## 76 31 85 60 97 13 ## 77 94 60 3 84 27 ## 78 12 67 28 3 63 ## 79 84 32 15 29 69 ## 80 86 10 62 85 70 ## 81 37 95 18 83 55 ## 82 87 22 15 32 9 ## 83 9 72 36 83 7 ## 84 34 62 96 11 91 ## 85 73 71 57 86 37 ## 86 62 3 91 68 67 ## 87 8 52 98 9 90 ## 88 16 28 55 39 48 ## 89 16 81 86 80 98 ## 90 88 46 76 32 91 ## 91 82 8 39 21 63 ## 92 99 64 78 26 57 ## 93 19 8 57 95 33 ## 94 28 46 94 5 50 ## 95 95 44 6 41 38 ## 96 54 10 32 72 6 ## 97 42 26 56 71 54 ## 98 13 3 59 12 11 ## 99 5 83 32 100 45 ## 100 50 88 35 89 65 ## 101 87 39 34 57 46 ## 102 47 13 43 39 24 ## 103 10 25 24 16 11 ## 104 94 49 77 20 11 ## 105 40 98 21 81 61 ## 106 77 47 6 54 51 ## 107 35 45 75 52 1 ## 108 57 35 89 70 10 ## 109 61 79 59 28 95 ## 110 93 92 78 26 5 ## 111 41 39 30 53 96 ## 112 49 88 56 19 55 ## 113 68 52 91 23 86 ## 114 86 49 46 31 1 ## 115 48 23 93 7 2 ## 116 83 76 86 22 17 ## 117 10 21 16 9 20 ## 118 23 82 13 24 2 ## 119 27 17 62 57 99 ## 120 81 87 58 68 21 ## 121 28 56 42 99 73 ## 122 100 22 10 79 77 ## 123 66 37 16 90 88 ## 124 66 89 46 12 44 ## 125 68 4 78 98 88 ## 126 20 58 55 17 11 ## 127 70 12 93 29 55 ## 128 65 77 50 35 26 ## 129 69 38 1 15 91 ## 130 94 63 70 11 4 ## 131 35 95 37 6 96 ## 132 5 81 8 73 87 ## 133 7 82 56 11 58 ## 134 44 92 27 5 99 ## 135 44 8 58 97 29 ## 136 9 67 59 82 38 ## 137 41 13 23 52 47 ## 138 40 71 27 96 19 ## 139 52 91 53 36 75 ## 140 96 7 35 32 57 ## 141 7 41 74 34 77 ## 142 32 6 64 3 63 ## 143 48 94 50 98 22 ## 144 49 50 27 25 53 ## 145 5 44 7 45 42 ## 146 85 84 97 70 75 ## 147 25 13 79 90 7 ## 148 4 21 54 23 67 ## 149 33 34 46 88 1 ## 150 71 81 54 53 77 ## 151 57 67 92 5 6 ## 152 22 2 37 57 34 ## 153 74 40 51 64 75 ## 154 46 49 25 91 52 ## 155 47 60 72 8 48 ## 156 57 26 92 58 51 ## 157 72 57 53 45 67 ## 158 41 80 83 44 31 ## 159 78 6 34 23 10 ## 160 99 11 44 90 74 ## 161 64 74 6 82 86 ## 162 73 85 96 86 19 ## 163 14 10 29 25 65 ## 164 66 82 8 53 36 ## 165 19 45 85 12 28 ## 166 38 99 75 50 19 ## 167 1 39 13 95 97 ## 168 77 16 32 3 40 ## 169 54 3 68 51 9 ## 170 48 46 83 58 99 ## 171 98 56 26 16 20 ## 172 52 5 96 58 30 ## 173 18 62 39 35 67 ## 174 83 59 75 39 29 ## 175 74 37 18 61 30 ## 176 40 25 76 86 12 ## 177 78 40 67 87 19 ## 178 72 36 29 100 97 ## 179 43 48 50 65 28 ## 180 81 4 7 8 50 ## 181 25 13 51 20 84 ## 182 81 96 85 66 10 ## 183 81 80 84 20 15 ## 184 72 90 60 11 18 ## 185 94 13 53 7 50 ## 186 70 25 15 60 51 ## 187 40 70 75 83 27 ## 188 37 45 74 39 71 ## 189 68 66 71 5 2 ## 190 14 96 4 91 88 ## 191 25 66 33 73 29 ## 192 42 24 43 79 59 ## 193 15 14 39 88 48 ## 194 5 21 97 24 56 ## 195 84 88 44 74 41 ## 196 50 37 79 62 91 ## 197 96 84 10 75 7 ## 198 5 16 20 64 21 ## 199 16 47 94 17 82 ## 200 14 28 5 90 54 ## Flexibility8 Flexibility9 Flexibility10 ## 1 54 58 22 ## 2 23 68 15 ## 3 65 73 44 ## 4 37 19 41 ## 5 52 17 84 ## 6 19 100 56 ## 7 88 67 58 ## 8 31 20 96 ## 9 22 39 8 ## 10 78 47 83 ## 11 30 64 77 ## 12 37 26 22 ## 13 25 31 82 ## 14 3 12 96 ## 15 77 48 69 ## 16 85 10 78 ## 17 73 51 98 ## 18 59 83 81 ## 19 57 52 4 ## 20 77 34 96 ## 21 63 92 52 ## 22 62 98 11 ## 23 48 9 61 ## 24 82 62 73 ## 25 22 44 95 ## 26 77 47 87 ## 27 15 35 65 ## 28 33 4 50 ## 29 92 28 49 ## 30 56 84 60 ## 31 74 92 27 ## 32 92 43 90 ## 33 19 10 2 ## 34 41 50 40 ## 35 79 12 14 ## 36 43 22 30 ## 37 31 72 78 ## 38 68 53 71 ## 39 6 31 85 ## 40 42 17 84 ## 41 87 67 4 ## 42 97 27 61 ## 43 4 85 37 ## 44 92 56 48 ## 45 24 76 70 ## 46 72 33 24 ## 47 32 33 6 ## 48 77 84 59 ## 49 14 92 15 ## 50 96 57 95 ## 51 93 23 53 ## 52 51 86 31 ## 53 32 64 42 ## 54 58 49 38 ## 55 43 75 38 ## 56 27 34 59 ## 57 96 70 47 ## 58 13 81 3 ## 59 90 8 56 ## 60 61 93 27 ## 61 48 100 28 ## 62 7 78 47 ## 63 54 47 65 ## 64 77 28 12 ## 65 65 58 92 ## 66 63 92 33 ## 67 46 37 27 ## 68 42 6 49 ## 69 96 62 39 ## 70 83 16 51 ## 71 5 82 91 ## 72 83 16 45 ## 73 9 55 85 ## 74 65 73 99 ## 75 34 73 16 ## 76 99 61 88 ## 77 98 54 23 ## 78 76 65 20 ## 79 81 77 3 ## 80 43 74 94 ## 81 20 76 3 ## 82 31 42 47 ## 83 24 22 48 ## 84 7 55 61 ## 85 11 77 26 ## 86 39 2 92 ## 87 24 88 44 ## 88 95 96 53 ## 89 100 63 99 ## 90 90 79 51 ## 91 32 100 37 ## 92 12 2 10 ## 93 61 40 71 ## 94 89 93 44 ## 95 50 2 82 ## 96 9 13 25 ## 97 99 10 11 ## 98 40 51 71 ## 99 22 43 75 ## 100 83 36 61 ## 101 29 99 53 ## 102 35 34 97 ## 103 32 89 30 ## 104 22 92 12 ## 105 80 78 72 ## 106 68 80 92 ## 107 32 58 70 ## 108 16 97 18 ## 109 71 7 66 ## 110 80 49 99 ## 111 32 19 49 ## 112 32 13 72 ## 113 33 32 71 ## 114 83 85 55 ## 115 6 34 67 ## 116 94 28 1 ## 117 45 59 48 ## 118 58 47 56 ## 119 44 1 58 ## 120 17 72 6 ## 121 27 32 53 ## 122 81 14 36 ## 123 30 19 27 ## 124 41 86 56 ## 125 99 43 46 ## 126 16 53 62 ## 127 10 28 40 ## 128 63 5 69 ## 129 77 81 40 ## 130 31 46 32 ## 131 78 24 45 ## 132 60 74 9 ## 133 94 34 86 ## 134 35 59 18 ## 135 33 98 92 ## 136 71 88 19 ## 137 45 87 16 ## 138 13 95 52 ## 139 28 16 74 ## 140 18 51 2 ## 141 58 20 61 ## 142 8 71 42 ## 143 13 2 51 ## 144 47 95 60 ## 145 15 49 6 ## 146 89 34 51 ## 147 6 77 21 ## 148 45 20 70 ## 149 97 47 3 ## 150 86 95 37 ## 151 47 93 74 ## 152 93 11 6 ## 153 59 18 19 ## 154 77 6 66 ## 155 41 7 14 ## 156 65 73 16 ## 157 63 41 1 ## 158 98 6 43 ## 159 13 4 67 ## 160 8 18 53 ## 161 55 97 92 ## 162 20 21 91 ## 163 42 30 12 ## 164 1 70 72 ## 165 63 24 31 ## 166 33 44 69 ## 167 35 19 73 ## 168 27 26 34 ## 169 99 46 1 ## 170 88 16 90 ## 171 78 59 33 ## 172 56 93 57 ## 173 58 46 23 ## 174 63 37 25 ## 175 28 35 43 ## 176 44 19 13 ## 177 3 85 90 ## 178 98 20 24 ## 179 76 32 22 ## 180 89 22 94 ## 181 56 57 96 ## 182 44 99 17 ## 183 73 78 7 ## 184 51 77 28 ## 185 95 66 69 ## 186 96 20 24 ## 187 8 34 5 ## 188 16 99 57 ## 189 67 26 33 ## 190 51 69 71 ## 191 38 7 69 ## 192 84 15 62 ## 193 18 33 98 ## 194 67 98 79 ## 195 79 34 60 ## 196 77 57 14 ## 197 2 49 44 ## 198 95 24 12 ## 199 86 98 29 ## 200 3 26 60 # assuming the PG results are in a folder "SimulatedData" in the WD myWD <- getwd() setwd(paste0(myWD,"/SimulatedData")) # get a list of all files in the folder lf <- list.files() # create two additional colums for smoothed mean (SM) and Rounds dfTest$SM <- NA dfTest$Rounds <- NA # grep the values from the PG outputs for(i in 1:length(lf)){ dt <- strsplit(readLines(lf[i], warn=F)[18:27], ",") for(j in 1:10) { dfTest[i,j]<- as.numeric(dt[[j]][3]) dfTest[i,j+10]<- as.numeric(dt[[j]][4]) dfTest[i,j+20]<- as.numeric(dt[[j]][5]) dfTest[i,j+30]<- as.numeric(dt[[j]][6]) } sm <- readLines(lf[i], warn=F)[45] er <- readLines(lf[i], warn=F)[52] sel <- which(strsplit(er,split=",")[[1]]=="1.00")[1] if(is.na(sel)) sel<- 21 sm <- as.numeric(strsplit(sm,split=",")[[1]][sel]) dfTest[i,41] <- sm dfTest[i,42] <- sel } # back to the original WD setwd(myWD) # new df to create additional colums for power dfComb <- dfTest # fit linear model # first four cases are real cases not simulation fitLm <- lm(SM~., data=dfComb[-c(1:4),-42]) summary(fitLm) ## ## Call: ## lm(formula = SM ~ ., data = dfComb[-c(1:4), -42]) ## ## Residuals: ## Min 1Q Median 3Q Max ## -11.5879 -3.6939 -0.0589 3.5110 14.9083 ## ## Coefficients: ## Estimate Std. Error t value Pr(>|t|) ## (Intercept) 4.332456 5.505812 0.787 0.4325 ## Influence1 0.013327 0.016022 0.832 0.4068 ## Influence2 0.024110 0.017321 1.392 0.1659 ## Influence3 -0.022490 0.015887 -1.416 0.1588 ## Influence4 -0.001548 0.017273 -0.090 0.9287 ## Influence5 0.017367 0.017901 0.970 0.3334 ## Influence6 -0.020423 0.015986 -1.278 0.2033 ## Influence7 -0.027981 0.016686 -1.677 0.0955 . ## Influence8 0.006066 0.017478 0.347 0.7290 ## Influence9 0.022842 0.015982 1.429 0.1549 ## Influence10 0.017438 0.016404 1.063 0.2894 ## Position1 0.092285 0.015629 5.905 2.07e-08 *** ## Position2 0.106149 0.015518 6.840 1.61e-10 *** ## Position3 0.112502 0.015577 7.222 2.00e-11 *** ## Position4 0.086434 0.015527 5.567 1.08e-07 *** ## Position5 0.065271 0.014722 4.433 1.72e-05 *** ## Position6 0.090401 0.016494 5.481 1.63e-07 *** ## Position7 0.111864 0.016597 6.740 2.76e-10 *** ## Position8 0.096730 0.016183 5.977 1.44e-08 *** ## Position9 0.072854 0.017072 4.268 3.38e-05 *** ## Position10 0.099048 0.016347 6.059 9.56e-09 *** ## Salience1 -0.007225 0.015609 -0.463 0.6441 ## Salience2 -0.023021 0.016636 -1.384 0.1684 ## Salience3 -0.004449 0.015775 -0.282 0.7783 ## Salience4 0.029490 0.015940 1.850 0.0662 . ## Salience5 -0.019028 0.015533 -1.225 0.2224 ## Salience6 0.007128 0.016640 0.428 0.6690 ## Salience7 -0.014488 0.015647 -0.926 0.3559 ## Salience8 0.001809 0.015969 0.113 0.9099 ## Salience9 -0.009429 0.017074 -0.552 0.5815 ## Salience10 -0.006485 0.016413 -0.395 0.6933 ## Flexibility1 0.030040 0.015104 1.989 0.0484 * ## Flexibility2 -0.011586 0.016251 -0.713 0.4769 ## Flexibility3 -0.022117 0.015502 -1.427 0.1556 ## Flexibility4 -0.009274 0.015470 -0.599 0.5497 ## Flexibility5 -0.022901 0.015825 -1.447 0.1498 ## Flexibility6 -0.002145 0.015435 -0.139 0.8897 ## Flexibility7 -0.020326 0.015764 -1.289 0.1991 ## Flexibility8 0.010739 0.016111 0.667 0.5060 ## Flexibility9 0.010015 0.015692 0.638 0.5242 ## Flexibility10 0.036397 0.016984 2.143 0.0336 * ## --- ## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 ## ## Residual standard error: 5.887 on 159 degrees of freedom ## Multiple R-squared: 0.7132, Adjusted R-squared: 0.6411 ## F-statistic: 9.886 on 40 and 159 DF, p-value: < 2.2e-16 predLm <- predict(fitLm, newdata=dfComb[,-42]) # create power colums dfComb$P1 <- dfComb$Influence1*dfComb$Salience1 dfComb$P2 <- dfComb$Influence2*dfComb$Salience2 dfComb$P3 <- dfComb$Influence3*dfComb$Salience3 dfComb$P4 <- dfComb$Influence4*dfComb$Salience4 dfComb$P5 <- dfComb$Influence5*dfComb$Salience5 dfComb$P6 <- dfComb$Influence6*dfComb$Salience6 dfComb$P7 <- dfComb$Influence7*dfComb$Salience7 dfComb$P8 <- dfComb$Influence8*dfComb$Salience8 dfComb$P9 <- dfComb$Influence9*dfComb$Salience9 dfComb$P10 <- dfComb$Influence10*dfComb$Salience10 # create model-1 model <- function(x, pl=FALSE, par=10){# par was added to the function for numerical optimization # it is not used in this final version a=17.2 #this value was found with optim findRange <- function(x, f) c(x-log(f)/a, x+log(f)/a) rangeM <- matrix(NA, 10, 2) for (i in 1:10){ rangeM[i,1] <-round(unlist(findRange((x[10+i])^2, (x[30+i])^2))[1]) #creates range from Position and Flex rangeM[i,2] <-round(unlist(findRange((x[10+i])^2, (x[30+i])^2))[2]) } cl <- hclust(dist(rangeM), method="complete") for (i in 1:9){ ind1 <- abs(cl$merge[i, 1]) ind2 <- abs(cl$merge[i, 2]) p1 <- unlist(x[10+ind1])#Position p2 <- unlist(x[10+ind2]) pw <- c((unlist(x[ind1])+10)*(unlist(x[20+ind1])+16)*(20.97-i), #Influence & Salience (unlist(x[ind2])+10)*(unlist(x[20+ind2])+16)*(20.91-i)) erg <- weighted.mean(x=c(p1, p2), w=c(pw[1], pw[2])) x[10+ind1] <- erg x[10+ind2] <- erg x[42+ind1] <- mean(pw) x[42+ind2] <- mean(pw) } erg <- weighted.mean(unlist(x[11:20]), unlist(x[43:52])) if(pl==T) plot(cl) return(erg) } # call this function for all cases pred <- apply(dfComb, 1, model) # model-2 without resolve model2 <- function(x, par=1){ rangeM <- matrix(NA, 10, 1) for (i in 1:10){ rangeM[i,1] <-(x[10+i])^2 } cl <- hclust(dist(rangeM), method="complete") for (i in 1:9){ ind1 <- abs(cl$merge[i, 1]) ind2 <- abs(cl$merge[i, 2]) p1 <- unlist(x[10+ind1])#Position p2 <- unlist(x[10+ind2]) pw <- c((unlist(x[ind1])+10)*(unlist(x[20+ind1])+16)*(20.97-i), #Influence & Salience (unlist(x[ind2])+10)*(unlist(x[20+ind2])+16)*(20.91-i)) erg <- weighted.mean(x=c(p1, p2), w=c(pw[1], pw[2])) x[10+ind1] <- erg x[10+ind2] <- erg x[42+ind1] <- mean(pw) x[42+ind2] <- mean(pw) } erg <- weighted.mean(unlist(x[11:20]), unlist(x[43:52])*par) return(erg) } pred2 <- apply(dfComb, 1, model2) # The following code was used for optimization. # model.opt <- function(x) -cor(apply(dfComb[-c(1:4),], 1, model2, par=x), dfComb$SM[-c(1:4)]) # optim(1,model.opt, method="Brent", lower=1, upper=4) # simple weighted mean model pred3 <- apply(dfComb, 1, function(x) weighted.mean(x[c(11:20)], w=x[c(43:52)])) ## a few functions to test the errors ## mean squared (prediction) error MSE <- function(y,yhat) { mean((y-yhat)**2) } ## mean absolute (prediction) error MAE <- function(y,yhat) { mean(abs(y-yhat)) } # plotting of the results # png("modelplots.png", res=600, unit="cm", height=15, width =15, type = "cairo") par(mfrow=c(2,2)) plot(predLm[-c(1:4)], dfComb$SM[-c(1:4)], main="model-lm", ylab ="PG values", xlab="prediction") abline(lm(dfComb$SM[-c(1:4)]~predLm[-c(1:4)] )) plot(pred3[-c(1:4)], dfComb$SM[-c(1:4)], main="model-wm", ylab ="PG values", xlab="prediction") abline(lm(dfComb$SM[-c(1:4)]~pred3[-c(1:4)] )) plot(pred[-c(1:4)], dfComb$SM[-c(1:4)], main="model-1", ylab ="PG values", xlab="prediction") abline(lm(dfComb$SM[-c(1:4)]~pred[-c(1:4)] )) plot(pred2[-c(1:4)], dfComb$SM[-c(1:4)], main="model-2", ylab ="PG values", xlab="prediction") abline(lm(dfComb$SM[-c(1:4)]~pred2[-c(1:4)] )) # dev.off() # output for error values cor(dfComb$SM[-c(1:4)], predLm[-c(1:4)]) ## [1] 0.844525 cor(dfComb$SM[-c(1:4)], pred3[-c(1:4)]) ## [1] 0.8837604 cor(dfComb$SM[-c(1:4)], pred[-c(1:4)]) ## [1] 0.8954496 cor(dfComb$SM[-c(1:4)], pred2[-c(1:4)]) ## [1] 0.8950237 MSE(dfComb$SM[-c(1:4)], predLm[-c(1:4)]) ## [1] 27.55464 MSE(dfComb$SM[-c(1:4)], pred3[-c(1:4)]) ## [1] 24.92964 MSE(dfComb$SM[-c(1:4)], pred[-c(1:4)]) ## [1] 20.42926 MSE(dfComb$SM[-c(1:4)], pred2[-c(1:4)]) ## [1] 20.50034 MAE(dfComb$SM[-c(1:4)], predLm[-c(1:4)]) ## [1] 4.263951 MAE(dfComb$SM[-c(1:4)], pred3[-c(1:4)]) ## [1] 3.086303 MAE(dfComb$SM[-c(1:4)], pred[-c(1:4)]) ## [1] 3.000046 MAE(dfComb$SM[-c(1:4)], pred2[-c(1:4)]) ## [1] 3.007319 # output real case values predLm[1:4] ## 1 2 3 4 ## 61.13923 35.50117 71.20703 56.61167 pred3[1:4] ## 1 2 3 4 ## 64.82902 20.55344 87.40786 52.31701 pred[1:4] ## 1 2 3 4 ## 61.55919 22.67710 84.65005 53.32019 pred2[1:4] ## 1 2 3 4 ## 61.55919 22.67710 84.65005 53.32019 dfComb$SM[1:4] ## [1] 67.76 20.64 87.24 54.05
Kommentare
Kommentar veröffentlichen