Academia de Studii Economice Bucuresti 

Facultatea de Cibernetica, Statistica si Informatica Economica 
 
 
 
 
 
 
 
 
 
 
 
 

 
Proiect Analiza Datelor 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

1116

 
  

Cuprins 
 
Introducere 2 
Speranta De Viata La Nastere 3 
Femei Însărcinate Care Au Primit Îngrijire Prenatala (%) 3 
Rata Fertilității (Nasteri per Femeie) 3 
Rata Mortalității Infantile (Numărul Nou-născuților Decedati/1000 Nasteri Vii) 3 
Cheltuieli Personale Pentru Sănătate (% Din Totalul De Cheltuieli Private) 3 

Analiza Componentelor Principale 3 

Deviatia Standard 4 
Matricea cu eigenvectors 4 
Variabilele Scalate 5 
Media 5 
Matricea de scoruri 6 
Alegerea numarului de componente principale 6 

Analiza Cluster 8 
Metoda lui Ward 8 
Algoritmul celor K-medii 9 

Recunoasterea Supervizata a Formelor 11 

Anexe 16 
Datele Initiale 16 
Comenzi Folosite in R 17 
Matricea Scorurilor 18 
Datele Scalate 20 
 
 
 
 

   

1 
Introducere 
Datele utilizate in analiza se refera la 41 de tari din Intreaga lume, ordonate in functie de 
pozitionarea ca si speranta de viata la nastere, astfel incat Romania sa se afle printre ele. Datele 
se caracterizeaza din prisma a 6 indicatori agregati, variabile enumerate mai jos. 

SPERANTA DE VIATA LA NASTERE 

Speranta de viata la nastere reprezinta media duratelor de viata a unei generatii imaginare care 
ar fi supusa intreaga sa viata ratelor de mortalitate pe grupe de varsta ale anului de observare; 
reprezinta numarul mediu de ani pe care o persoana il poate trai in mod obisnuit, exprimat la 
nastere; difera in functie de sexul persoanei.  

FEMEI INSARCINATE CARE AU PRIMIT INGRIJIRE PRENATALA (%) 

Indicatorul exprima procentul de femei Insarcinate care au beneficiat de Ingrijire medicala 
prenatala din partea unui personal calificat, cel putin o data, pentru motive legate de sarcina. 
Indicatorul este exprimat In functie de numarul total de femei Insarcinate. 

RATA FERTILITATII (NASTERI PE FEMEIE) 

Rata fertilitatii reprezinta numarul de copii nascuti de o femeie, In ipoteza ca aceasta ar trai 
pana la dupa varsta procrearii si daca ar avea un numar de copii relevant cu specificul varstei. 
RATA MORTALITATII MATERNE (NUMARUL MAMELOR DECEDATE/100000 NASTERI VII) - Rata 
mortalitaţii materne (MMR) este numarul anual de decese de sex feminin per 100.000 
nascuţi-vii din orice cauza legate sau agravate de sarcina sau gestionarea acestuia (cu exceptia 
cauze accidentale sau incidentale). MMR include decese In timpul sarcinii, naşterii, sau In 
termen de 42 de zile de la Incetarea de sarcina, indiferent de durata şi site-ul de sarcina, pentru 
un anumit an. 

RATA MORTALITĂȚII INFANTILE (NUMĂRUL NOU-NĂSCUȚILOR DECEDATI/1000 NASTERI VII) 

Rata mortalității infantile reprezinta numărul de nou-născuți morți Într-o perioada de un an de la 
naștere, raportat la un număr de 1000 de nașteri reușite, Într-un anumit an.  
Cea mai importanta cauza a mortalității infantile este deshidratarea din cauza diareei. Datorita 
succesului in răspândirea informației despre soluțiile orale rehidratate (un amestec de săruri, 
zahar și apa), numărul copiilor care mor din cauza deshidratării a scăzut, ajungând pe locul doi 
spre sfârșitul anilor 1990. In prezent, cea mai comuna cauza a mortalitatii infantile este 
pneumonia. 

CHELTUIELI PERSONALE PENTRU SĂNĂTATE (% DIN TOTALUL DE CHELTUIELI PRIVATE) 

Cheltuieli personale pentru sanatate sunt orice cheltuieli directe efectuate de catre gospodariile 
populatiei, inclusiv gratuitati si plati In natura, la practicieni de sanatate si furnizorii de produse 
farmaceutice, aparate terapeutice, precum si alte bunuri si servicii al caror principal scop este 

2 
de a contribui la refacerea sau ameliorarea starii de sanatate a persoanelor fizice sau grupurilor 
de populatie. Este o parte a cheltuielilor private de sanatate. 

Analiza Componentelor Principale 

 
Datele multivariate sunt greu de vizualizat. Din acest motiv ar fi necesara reducerea 
dimensiunilor matricei lor. De cele mai multe ori este dorita reducerea numarului de 
coloane.Tehnica numita „Analiza componentelor principale” (Principal Component Analysis – 
PCA) are ca scop reducerea controlata a numarului de variabile(coloane) ale matricei de date, 
pe cat posibil la doua sau trei. Astfel, in loc de p variabile – corelate intre ele – am dori sa avem 
doar doua sau trei variabile noi, numite componente. Acestea exprima atribute noi ale indivizilor 
si sunt construite in aşa fel incat sa fie necorelate intre ele, fiecare dintre aceste noi variabile 
fiind o combinaţie liniara de variabilele originale. Scopul PCA este acela de a extrage cel mai 
mic numar de componente care sa recupereze cat mai mult din informaţia totala conţinuta in 
datele originale. 

Deviatia Standard 

> dtPca<-princomp(dt,cor=TRUE,scores=TRUE)
> dtPca$sdev

 
Comp.1  Comp.2  Comp.3  Comp.4  Comp.5  Comp.6 
1.5285967  1.1638761  0.996527  0.8644083  0.5966881  0.4609557 

Matricea cu eigenvectors 
 
Valori proprii şi vectori proprii sunt asociati matricei corelatiilor variabilelor initiale. O valoare 
proprie mai mare decat 1, pentru o componenta, indica faptul ca acea componenta are o 
contributie mai mare decat a unei variabile initiale, deci este indicat a fi extrasa. Vectorii proprii, 
asociati valorilor proprii, vor constitui ponderile in calculul combinatiilor liniare respective. 
 
> dtPca$loadings

 
    Comp.1  Comp.2  Comp.3  Comp.4  Comp.5  Comp.6 
SPERANTA.DE.VIATA.LA.
NASTERE  V1  -0.365  0.143  0.621  0.548  0.367  -0.161 
FEMEI.INSARCINATE.CA
RE.AU.PRIMIT.INGRIJIRE. V2  -0.127  0.549  0.471  -0.661  -0.102  0.11 

3 
PRENATALA... 
RATA.FERTILITATII..NAS
TERI.PE.FEMEIE.  V3  0.397  0.492    0.474  -0.61   
RATA.MORTALITATII.MA
TERNE..NUMARUL.MAM
ELOR.DECEDATE.100000
.NASTERI.VII.  V4  0.585    0.196  _  0.447  0.645 
RATA.MORTALITATII.INF
ANTILE..NUMARUL.NOU.
NASCUTILOR.DECEDATI.
1000.NASTERI.VII.  V5  0.588    0.184  -0.173  0.228  -0.732 
CHELTUIELI.PERSONALE
.PENTRU.SANATATE....DI
N.TOTALUL.DE.CHELTUI
ELI.PRIVATE.  V6    -0.659  0.562    -0.48  0.101 
 
  eigenvalue  variance.percent  cumulative.variance.percent 
Dim.1  2.3366078  38.943463  38.94346 
Dim.2  1.3546075  22.576792  61.52026 
Dim.3  0.9930661  16.551101  78.07136 
Dim.4  0.7472017  12.453362  90.52472 
Dim.5  0.3560367  5.933945  96.45866 
Dim.6  0.2124802  3.541336  100 
 
Regula Kaiser-Guttman. Este folosita in stabilirea numarului de componente principale: avem 
atatea componente cate valori proprii sunt mai mari decat 1. (Totusi, numarul final de 
componente va fi stabilit in functie de interpretarea concreta pe care acestea o primesc.)  

Variabilele Scalate 

> dtPca$scale
 
V1  V2  V3  V4  V5  V6 
0.7710606  10.0732319  0.5803205  53.4144117  5.2178773  14.0457639 

Media 

> dtPca$center
 
V1  V2  V3  V4  V5  V6 

4 
 74.12575  92.7  2.036075  77.525  12.4975  84.440695 

Matricea de scoruri 
Scorurile componentelor principale sunt coordonatele indivizilor in noile axe, date de vectorii 
proprii selectati. Media unei coloane de scoruri este 0. 
> scores <- dtPca$scores
> fix(scores)

 
(Matricea Scorurilor completa atasata la Anexe) 

Alegerea numarului de componente principale 

Graficul  descreşterii  (scree  plot).  Ofera  informatii  privind  valorile  proprii,  dar  si  ratele  lor  de 
descreştere. 
> fviz_eig(dtPca, addlabels = TRUE, ylim = c(0, 50))
 

5 
O metoda alternativa pentru determinarea numărului de componente principale este 
interpretarea Graficului descreșterii, care reprezinta valorile proprii ordonate de la mare la mic. 
Numărul componentelor principale este identificat in punctul dupa care valorile proprii ramase 
au un procent relativ si sunt similare ca dimensiune.  
 
Din graficul anterior ne putem opri la ​a treia componenta​ principala deoarece 78.1% din 
informația totala este conținuta de primele 3 componente principale. 
 

Analiza Cluster 
Analizele de tip cluster reprezinta procedura de clasificare de tip necontrolat, în care nu este 
cunoscuta aprioric nici apartenenta anumitor obiecte la anumite clase, nici numărul de clase 
posibile. 
 
Analiza cluster poate fi definite ca reprezentând o mulțime de principii, metode și algoritmi de 
clasificare, având ca scop organizarea datelor sub forma unor structuri informaționale 
semnificative. Este o analiza exploratorie ce are ca scop gruparea unor entități informaționale, 
cu natura fizica sau abstracta, în clase sau clustere alcătuite din entități informaționale cu grad 
ridicat de similaritate. 
 
În funcție de caracteristicile procedurilor pe care le utilizează, de ipotezele inițiale pe care se 
bazează și de natura rezultatelor obținute cu ajutorul lor, metodele de analiză cluster se împart 
în doua mari categorii: metode de clusterizare ierarhica și metode de clasificare prin partiționare 
sau metode iterative. 
 
Prima categorie de metode de analiză cluster include metodele de clusterizare prin agregare si 
metodele de clusterizare prin divizare. Pentru fiecare dintre cele două tipuri de clusterizare 
există mai multe proceduri, între care menționăm: metoda agregării simple, metoda agregării 
complete, metoda agregării medii, metoda lui Ward etc.   
 
Cea de-a doua categorie include o serie de algoritmi, între care menționăm: algoritmul celor 
K-medii, algoritmul celor Kmedoizi, algoritmul CLARA, algoritmul fuzzy etc. 
 
Vom aplica in cele ce urmeaza cate o metoda din fiecare categorie: 
● Metoda lui Ward 
● Algoritmul celor K-medii 

Metoda lui Ward 

Metoda lui Ward este o metoda de evaluare a distantei dintre doua clustere, care se bazează pe 
maximizarea gradului de omogenitate a clusterelor. Elementul caracteristic al metodei Ward 

6 
este reprezentat de faptul ca prin comasarea a doua clustere se urmărește obținerea unei 
omogenități maxime la nivelul tuturor clusterelor care aparțin unei configurații date a obiectelor 
pe clustere.  
 
Calculam matricea distantelor, si aplicam functia cluster 
> dtDist <- dist(dtScale, method = "euclidean")
> dtClust <- hclust(dtDist, method="ward.D")
 
Afisam dendograma 
 
> plot(dtClust)
 

 
 
 

Algoritmul celor K-medii  

K-means clustering (algoritmul celor k-medii) este cea mai populara metoda de partitionare. Ea 
presupune specificarea numărului de clustere dorite în extragere.  
 
> dtKm <- kmeans(dtScale,3)

7 
 
Executam si vizualizarea datelor 
> clusplot(dtScale, dtKm$cluster, color=TRUE, shade=TRUE, labels=2, lines=0)
 

 
 
 
> plotcluster(dtScale, dtKm$cluster)
 

8 
  
 

Recunoasterea Supervizata a Formelor 

 
Analiza discriminantă presupune utilizarea unui ansamblu de metode, 
tehnici și algoritmi în scopul de a determina acele caracteristici ale unor obiecte 
care au cea mai mare relevanță din punct de vedere al recunoașterii apartenenței 
acestor obiecte la anumite clase prestabilite (avem de-a face, așadar, cu o 
tehnică de recunoaștere supervizată a formelor) și de a determina apartenența 
cea mai probabilă a obiectelor la diferite clase.  
 
Analiza analiza discriminantă, am mai adăugat o coloana care arata apartenenta tarii la 
continentul European, astfel: 
0 → Tara nu se afla pe continentul European 
1 → Tara se afla pe continentul European 
 

9 
  
 
> scatterplotMatrix(dt[2:6])
 

10 
  
 
Scopul aplicării analizei discriminante (LDA) pe setul nostru de date este de a găsi combinațiile 
liniare ale variabilelor originale (cei 6 indici legați de speranța de viata si natalitate si indicele de 
apartenenta la continentul european) care oferă cea mai bună separare posibilă între grupurile 
(euro / non-euro) din setul nostru de date. 
 
Dacă vrem să separăm tarile in grupurile euro si non-euro inseamna ca numărul de grupuri G = 
2, iar numărul variabilelor este 6 (cei 6 indici → p = 6). Numărul maxim de funcții discriminante 
utile care pot separa tarile prin apartenenta lor este minimul dintre G-1 și p, deci în acest caz 
min(1,5) = 1.  
 
> dtLda <- lda(Euro ~ ., data=dt)
 
 
> dtLda
Prior probabilities of groups:
0 1
0.725 0.275

Group means:
V1 V2 V3 V4 V5 V6
0 74.12034 92.71034 2.229862 91.62069 13.67241 82.15587

11 
 1 74.14000 92.67273 1.525182 40.36364 9.40000 90.46433

Coefficients of linear discriminants:

LD1
V1 -0.533721617
V2 0.015727615
V3 -1.023794523
V4 -0.008630245
V5 -0.074800495
V6 0.040325805
 
Ceea ce inseamna ca prima functie discriminanta este cobinatia liniara dintre variabilele: 
-0.533 * V1 + 0.015 * V2 + … + 0.040 * V6 
 
Vom afisa informatiile sub forma de scatter.  
 
> dtLda.val <- predict(dtLda)
> plot(dtLda.val$x[,1])

 
 
 

12 
Anexe 
Datele Initiale 
 
RATA  RATA  CHELTUIELI 
FEMEI  MORTALITATII  MORTALITATII  PERSONALE 
RATA 
SPERANTA DE  INSARCINATE  MATERNE  INFANTILE  PENTRU 
FERTILITATII 
TARA  VIATA LA  CARE AU PRIMIT  (NUMARUL  (NUMARUL  SANATATE (% DIN 
(NASTERI PE 
NASTERE  INGRIJIRE  MAMELOR  NOU-NASCUTILOR  TOTALUL DE 
FEMEIE) 
PRENATALA (%  DECEDATE/1000 DECEDATI/1000  CHELTUIELI 
00 NASTERI VII)  NASTERI VII)  PRIVATE) 

Bosnia and 
Herzegovina  75.56 98.9 1.148 14 6.7 100
Slovak 
Republic  75.5 96.9 1.4 10 6.5 89.41913123
Bahrain  75.37 100 2.54 21 8.6 54.29060214
Ecuador  75.29 84.2 2.479 150 19.6 78.04562835
Vietnam  75.16 90.8 1.822 160 17.3 92.72876264
Tunisia  75.07 96 2.04 110 13.9 87.02634403
Kuwait  75.01 100 2.295 10 9.3 90.56256872
Libya  74.97 93 2.564 76 12.8 100
Macedonia, 
FYR  74.92 98.8 1.422 14 8.7 99.11710705
Sri Lanka  74.86 99.4 2.313 74 10.5 81.18647634
Malaysia  74.79 78.8 2.635 44 5.6 76.8085367
Montenegro  74.73 97.4 1.656 10 6.5 90.99181074
Serbia  74.56 98.2 1.4 25 6.1 95.54708674
Estonia  74.44 87.9 1.63 46 2.8 91.84782609

Hungary  74.33 88.9 1.25 23 5.4 78.34024272

Saudi Arabia  74.33 97 2.811 33 7.900001 50.15060442
Turkey  74.31 95 2.088 51 11.5 64.41488447
Venezuela, 
RB  74.28 94.1 2.49 98 12.9 90.63653341
St. Lucia  74.19 99.2 1.98 55 13.8 98.47288437
Romania  74.11 93.5 1.38 72 10.8 98.03241715
Thailand  74.09 99.1 1.579 54 10.6 55.77498443
Cape Verde  73.99 97.6 2.405 200 18.2 99.69967597
Oman  73.91 99 2.309 74 7.3 62.01321499

13 
 Peru  73.79 94.7 2.501 170 14.1 85.83846338
Georgia  73.64 97.6 1.555 75 18.3 89.49658173
Armenia  73.6 99.1 1.736 47 15.6 92.89385093
Jordan  73.58 98.8 3.8 88 18 77.64020564
Bulgaria  73.57 71.2 1.49 23 10.6 97.14484528
China  73.56 92.2 1.598 84 12.6 78.86010263
Nicaragua  73.55 90.2 2.622 150 21.6 92.58959477
Egypt, Arab 
Rep.  73.54 73.6 2.733 150 18 97.72268622
Colombia  73.49 97 2.1 130 15.4 71.49175213
Algeria  73.38 89.4 2.264 180 25.6 94.70889018
Latvia  73.33 91.8 1.17 58 7.1 97.28096677
Iran, Islamic 
Rep.  73.19 98.3 1.67 72 21.1 96.56736021
Brazil  73.11 98.2 1.83 96 13.9 57.76452659
Mauritius  73.1 45.9 1.47 66 12.8 88.76100937

Honduras  73.05 91.7 3.139 180 18.2 89.35067502

Jamaica  72.96 99 2.329 62 15.7 70.9534802
Lebanon  72.82 95.6 1.8 46 8 73.45546794
 

Comenzi Folosite in R 
# Am afisat pe ecran Working Directory
getwd()

# Am exportat datele din XLSX in CSV, si le-am copiat in Working Directory

# Apoi le-am importat in R
dt <- read.table("date.csv", header=TRUE, sep=",")

# Am salvat numele tarilor

rownames(dt) <- dt$Tara

# Am sters coloana Country din Data Frame-ul nostru

dt$Tara <- NULL

# Redenumim coloanele pentru a lucra mai usor cu ele

colnames(dt) <- c("V1", "V2", "V3", "V4", "V5", "V6")

# Am apelat functia care executa analiza componentelor principale

dtPca<-princomp(dt,cor=TRUE,scores=TRUE)
14 
dtPca$sdev
dtPca$loadings
dtPca$scale
dtPca$center
scores <- dtPca$scores
fviz_eig(dtPca, addlabels = TRUE, ylim = c(0, 50))

# Am instalat FactoMineR pentru a ilustra mai usor aspecte

# ale Analizei Componentelor Principale
install.packages("FactoMineR")
library(FactoMineR)

# Am instalat de asemenea factoextra pentru a desena scree plot

install.packages("factoextra")
library(factoextra)

# Am instalat libraria cluster pentru analiza cluster

library(cluster)

# Am importat libraria fpc pentru functia plotcluster

library(fpc)

# Am importat libraria MASS pentru Analiza discriminanta

library(MASS)

Matricea Scorurilor 
 
Bosnia and 
Herzegovina  -2.63939767 -0.823368 1.531481706 -0.06721838 0.23655802 -0.08027574
Slovak 
Republic  -2.53086971 -0.2315574 0.972201044 0.28049605 0.28304789 -0.1838219
Bahrain  -1.54077247 2.5089092 -0.152798875 1.02751228 0.37669969 -0.528291675
Ecuador  1.42168585 0.3615723 0.848680952 1.62310784 1.31131518 -0.499409304
Vietnam  0.87210381 -0.5309061 1.523302881 0.57770928 1.35390743 0.143442082
Tunisia  0.03994917 0.2219859 1.186862 0.43456997 0.65700415 0.052904578
Kuwait  -1.40451359 0.5290596 0.966843542 0.36078413 -0.83922086 -0.425685732
Libya  0.04929201 -0.1109535 1.37999904 0.9237558 -0.68719919 -0.11795501
Macedonia, 
FYR  -1.9262129 -0.6902245 1.077418778 -0.35375478 -0.2377387 -0.232736298
Sri Lanka  -0.52243566 0.9058534 0.721441536 0.38564412 -0.01470736 0.136263387

15 
 Malaysia  -0.91246394 0.2917892 -0.721769539 2.10161281 -0.49284188 0.222818618
Montenegro  -1.98961945 -0.2039239 0.467201173 -0.09797577 -0.41173554 -0.004526487
Serbia  -1.95298133 -0.6211573 0.562605833 -0.4721182 -0.27951362 0.307633059
Estonia  -1.76936892 -0.8120548 -0.178458201 0.45768827 -0.31573632 0.912250964
Hungary  -2.01332563 -0.4853322 -0.795329715 -0.0429367 0.40403878 0.203712007
Saudi Arabia  -0.79232166 2.5804339 -1.246765603 0.7636672 -0.16174555 -0.128592134
Turkey  -0.5801643 1.1540318 -0.672369759 0.12247327 0.42905038 -0.337070895
Venezuela, 
RB  0.51907232 0.1936794 0.57719881 0.36768124 -0.44064492 0.221757876
St. Lucia  -0.18273603 -0.3471346 0.875053579 -0.56335214 -0.58794151 -0.297014509
Romania  -0.63756551 -1.1385499 0.4159578 -0.61474296 0.08863808 0.27604124
Thailand  -0.98559774 1.317108 -1.080623598 -0.64336419 1.09875016 -0.149940517
Cape Verde  2.3128921 -0.2220657 1.421862967 -0.24287579 0.25048392 0.872717254
Oman  -0.52303567 1.6293875 -0.942993224 -0.06716745 0.05671943 0.641358131
Peru  1.65210018 0.3511783 0.32610793 0.05334146 0.12745314 0.99710097
Georgia  0.49080165 -0.5152462 0.183383838 -1.27926109 0.2838976 -0.657300144
Armenia  0.01986125 -0.4212403 0.179483718 -1.21670013 -0.4091557 -0.566097976
Jordan  2.09029806 1.9999557 0.002333587 0.5132718 -1.61502627 -0.500678585
Bulgaria  -0.58968123 -2.3121404 -1.27227865 0.51182933 -0.44641293 -0.423289269
China  0.03057381 -0.2438324 -0.723344871 -0.69565413 0.44540414 0.132955381
Nicaragua  2.56431406 -0.2114941 0.397883965 -0.02689444 -0.13892024 -0.246237758
Egypt, Arab 
Rep.  2.47230844 -1.2355228 -0.296632118 1.24130995 -0.4246399 0.117865634
Colombia  1.13067713 0.7476992 -0.526954817 -0.65660709 0.59514658 0.313305141
Algeria  3.20005798 -0.7259936 0.520044976 -0.49662564 0.51788018 -0.406007285
Latvia  -0.96424129 -1.4870641 -0.526792039 -1.11778819 -0.29824688 0.763323922
Iran, Islamic 
Rep.  1.09083746 -0.8171757 0.23777106 -1.68152765 -0.20303497 -0.933254986
Brazil  0.5035033 1.1735889 -1.533591241 -1.14758396 0.80490613 0.104965094
Mauritius  0.61603702 -3.4257869 -2.937387177 1.83883461 0.35032237 -0.45062124
Honduras  3.06545098 0.3919212 -0.017052952 0.10350685 -0.7224012 0.694340478
Jamaica  0.7997553 0.9835558 -1.094464171 -1.06114066 -0.45606789 -0.419614956
Lebanon  -0.48426719 0.2710152 -1.655514163 -1.14350692 -0.48829181 0.473666582
 

Datele Scalate 
Bosnia and 
Herzegovina  1.83670183  0.60775028  -1.511068027  -1.17432561  -1.09710755  1.09382325 

16 
Slovak 
Republic  1.75986578  0.4117018  -1.082287639  -1.24826977  -1.13495516  0.3499854 
Bahrain  1.59338766  0.71557694  0.857433162  -1.04492334  -0.73755527  -2.11955939 
Ecuador  1.49093959  -0.83320603  0.753641084  1.33977566  1.34406319  -0.44957483 
Vietnam  1.32446147  -0.18624605  -0.364250641  1.52463604  0.90881569  0.58265336 
Tunisia  1.20920739  0.32347999  0.006678425  0.60033411  0.26540635  0.18177184 
Kuwait  1.13237134  0.71557694  0.440563341  -1.24826977  -0.60508864  0.43036936 
Libya  1.0811473  0.02940727  0.898269389  -0.02819121  0.0572445  1.09382325 
Macedonia, 
FYR  1.01711726  0.59794786  -1.044854431  -1.17432561  -0.71863147  1.03175564 
Sri Lanka  0.94028121  0.6567624  0.471190511  -0.06516329  -0.37800299  -0.22877239 
Malaysia  0.85063914  -1.36253692  1.019076562  -0.61974445  -1.3052694  -0.53654269 
Montenegro  0.77380309  0.46071392  -0.646701214  -1.24826977  -1.13495516  0.46054518 
Serbia  0.55610094  0.53913331  -1.082287639  -0.97097918  -1.21065038  0.78078228 
Estonia  0.40242883  -0.47051635  -0.69094046  -0.58277237  -1.83513592  0.52072329 
Hungary  0.26156273  -0.37249211  -1.33751406  -1.00795126  -1.34311701  -0.42886336 
Saudi Arabia  0.26156273  0.42150423  1.31854223  -0.82309087  -0.87002171  -2.41060232 
Turkey  0.23595071  0.22545575  0.088350879  -0.49034218  -0.18876495  -1.40781969 
Venezuela, 
RB  0.19753269  0.13723393  0.772357688  0.37850164  0.07616831  0.43556909 
St. Lucia  0.08227861  0.63715755  -0.095412144  -0.41639802  0.24648254  0.98646662 
Romania  -0.02016946  0.07841939  -1.116317829  -0.10213536  -0.32123158  0.95550166 
Thailand  -0.04578148  0.62735513  -0.777717443  -0.43488406  -0.35907919  -2.01520693 
Cape Verde  -0.17384157  0.48031877  0.627729383  2.26407759  1.07912993  1.07271039 
Oman  -0.27628964  0.6175527  0.464384473  -0.06516329  -0.98356473  -1.57665769 
Peru  -0.42996175  0.19604848  0.791074293  1.70949643  0.30325396  0.09826352 
Georgia  -0.62205188  0.48031877  -0.818553671  -0.04667725  1.09805373  0.35543019 
Armenia  -0.67327592  0.62735513  -0.510580456  -0.56428633  0.58711102  0.59425911 
Jordan  -0.69888794  0.59794786  3.0013351  0.19364126  1.04128232  -0.47807615 
Bulgaria  -0.71169395  -2.10752113  -0.929151786  -1.00795126  -0.35907919  0.89310512 
China  -0.72449995  -0.04901212  -0.745388763  0.1196971  0.01939689  -0.39231707 
Nicaragua  -0.73730596  -0.2450606  0.996956939  1.33977566  1.72253927  0.57286982 
Egypt, Arab 
Rep.  -0.75011197  -1.87226296  1.185824491  1.33977566  1.04128232  0.93372749 
Colombia  -0.81414202  0.42150423  0.108768993  0.97005488  0.54926341  -0.91031404 
Algeria  -0.95500812  -0.32347999  0.387816547  1.89435682  2.47949144  0.72185684 
Latvia  -1.01903816  -0.08822181  -1.473634818  -0.36093991  -1.02141234  0.9026745 

17 
Iran, Islamic 
Rep.  -1.19832228  0.54893574  -0.622880081  -0.10213536  1.62792025  0.85250777 
Brazil  -1.30077036  0.53913331  -0.350638565  0.34152957  0.26540635  -1.87534159 
Mauritius  -1.31357637  -4.58753437  -0.963181976  -0.2130516  0.0572445  0.30371926 
Honduras  -1.37760641  -0.09802424  1.876637337  1.89435682  1.07912993  0.34517291 
Jamaica  -1.49286049  0.6175527  0.498414663  -0.28699575  0.60603482  -0.9481547 

Lebanon  -1.67214462  0.28427029  -0.401683849  -0.58277237  -0.8510981  -0.77226431 

 
 

18