信用记分卡分析的案例研究

打开生活的脚本

此示例显示了如何创建一个CreditsCorecard.对象、存储数据、显示和绘图存储数据信息。此示例还展示了如何拟合逻辑回归模型、为记分卡模型获得分数、确定违约概率以及使用三种不同的度量来验证信用记分卡模型。

步骤1。创建一个creditscorecard对象。

使用CreditCardData.mat文件来加载数据(使用Refaat 2011的数据集)。如果你的数据包含多个预测器，可以先使用screenpredictors(风险管理工具箱)将潜在的大量预测因子缩减为最能预测信用记分卡反应变量的子集。然后，您可以在创建CreditsCorecard.对象。此外，您可以使用阈值预测(风险管理工具箱)以交互式设置使用输出的信用记分卡预测器阈值screenpredictors(风险管理工具箱)。

当创建一个CreditsCorecard.对象,默认情况下,“响应者”设置为数据中的最后一列(“状态”在本例中)和“GoodLabel”的响应值(0.在本例中)。的语法CreditsCorecard.表明“CustID”是“IDVar”从预测器列表中删除。此外，虽然本例中没有演示，但在创建CreditsCorecard.对象使用CreditsCorecard.，可以使用可选的名称-值对参数“WeightsVar”指定观察（样本）重量或'binmissingdata'存放丢失的数据。

负载CreditCardData头(数据)

ans =8×11表（UUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUU乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌乌0.29 0 4 50 75业主雇佣53000 20是157.37 0.08 0 5 68 56业主雇佣53000 14是561.84 0.11 0 6 65 13业主雇佣48000 59是968.18 0.15 0 7 34 32业主不明32000 26是717.82 0.02 1 8 50 57其他雇佣51000 33否3041.2 0.13 0

变量CreditCardData客户ID，客户年龄，当前地址的时间，住宅状态，就业状态，客户收入，时间与银行，其他信用卡，平均每月余额，利用率和默认状态（响应）。

sc = creditscorecard(数据,“IDVar”那“CustID”）

sc = creditscorecard with properties: GoodLabel: 0 ResponseVar: 'status' WeightsVar: " VarNames: {1x11 cell} NumericPredictors: {1x6 cell} CategoricalPredictors: {'ResStatus' 'EmpStatus' 'OtherCC'} BinMissingData: 0 IDVar: 'CustID' PredictorVars: {1x9 cell} Data: [1200x11 table]

执行一些初始数据探索。查询分类变量的预测统计信息'resstatus'并绘制垃圾箱信息，以便'resstatus'。

bininfo (sc,'resstatus'）

ans =4×6表Bin Good Bad Odds WOE InfoValue ______________ _____________ _________ _________ {'Home Owner'} 365 177 2.0621 0.019329 0.0001682 {'Tenant'} 307 167 1.8383 -0.095564 0.0036638 {'Other'} 131 53 2.4717 0.20049 0.0059418 {' total '} 803 397 2.0227 NaN 0.0097738

plotbins (sc,'resstatus'）

图中包含一个轴对象。带有标题Resstatus的轴对象包含3个类型的栏，线路。这些物体代表好，坏。

此bin信息包含“Good”和“Bad”的频率，以及bin统计信息。避免使用频率为零的容器，因为它们会导致无限或未定义(南)统计。使用ModifierBins.或autobinning函数来相应地存储数据。

对于数值数据，常见的第一步是“精细分类”。这意味着将数据分类到几个容器中，这些容器是用规则网格定义的。为了说明这一点，使用预测器“CustIncome”。

cp = 20000:5000:60000;sc = modifybins (sc,“CustIncome”那'切口', cp);bininfo (sc,“CustIncome”）

ans =11×6表本好不好悲哀InfoValue几率  _________________ ____ ___ _______ _________ __________ {'[- 正,20000)}3 5 0.6 -1.2152 0.010765{[20000、25000)的}23 16 1.4375 -0.34151 0.0039819{[25000、30000)的}38 47 0.80851 -0.91698 0.065166{[30000、35000)的}131 75 1.7467 -0.14671 0.003782{[35000、40000)的}193 98 1.9694 -0.026696 0.00017359{'[40000,45000)'} 173 76 2.2763 0.11814 0.0028361 {'[45000,50000)'} 131 47 2.7872 0.32063 0.014348 {'[50000,55000)'} 82 24 3.4167 0.52425 0.021842 {'[55000,60000)'} 8 2.625 0.26066 0.0015642 {'[60000,Inf]'} 81 8 1.375 0.010235 {' total '

plotbins (sc,“CustIncome”）

图中包含一个Axis对象。标题为的Axis对象包含3个bar、line类型的对象。这些对象表示好、坏。

步骤2a。自动箱数据。

使用autobinning函数对每个预测器变量执行自动分类，使用默认值“单调”带有默认算法选项的算法。

sc = autobinning (sc);

在自动装箱步骤之后，必须使用bininfo和plotbins函数和微调。对于信用记分卡而言，证据权重（WOE）的单调、理想线性趋势是可取的，因为这会转化为给定预测值的线性点。可以使用plotbins。

预测='resstatus'；绘图箱（sc、预测器）

图中包含一个轴对象。带有标题Resstatus的轴对象包含3个类型的栏，线路。这些物体代表好，坏。

不像最初的情节'resstatus'当计分卡创建时，新的情节'resstatus'展示了越来越多的悲观趋势。这是因为autobinning默认情况下，函数通过增加赔率来排序类别的顺序。

这些图表表明“单调”算法能很好地找到该数据集单调的WOE趋势。要完成分箱过程，只需要使用ModifierBins.函数。

步骤2b。使用手动衬合进行微调。

手动修改箱子的常见步骤是：

使用bininfo具有两个输出参数的函数，其中第二个参数包含装箱规则。
使用第二个输出参数手动修改分组规则bininfo。
设置更新的分组规则ModifierBins.然后使用plotbins或bininfo查看更新的垃圾箱。

例如，根据情节“CustAge”在步骤2a中，1号和2号箱和5号和6号箱有相似的WOE。使用上面列出的步骤合并这些容器:

预测=“CustAge”；(bi, cp) = bininfo (sc、预测)

bi =8×6表本好不好悲哀InfoValue几率  _____________ ____ ___ ______ _________ _________ {'[- 正无穷,33)}70年53 1.3208 -0.42622 0.019746{[33岁,37)}64年47 1.3617 -0.39568 0.015308{[37、40)}73年47 1.5532 -0.26411 0.0072573{'[40岁,46)}174 94 1.8511 -0.088658 0.001781{25[46岁,48)}61 2.44 0.18758 0.0024372 {[48,58)}263 105 2.5048 0.21378 0.013476{'[58,Inf]'} 98 26 3.7692 0.62245 0.0352{'总计'}803 397 2.0227 NaN 0.095205

cp =6×133 37 40 46 48 58

Cp ([1 5]) = [];%合并垃圾箱1和2，垃圾箱5和6sc = modifybins (sc,“CustAge”那'切口', cp);plotbins (sc,“CustAge”）

图中包含一个轴对象。标题为CustAge的轴对象包含三个类型为bar, line的对象。这些物体代表好，坏。

为了“CustIncome”根据上面的图，最好合并3、4和5，因为它们有相似的WOE。合并这些箱子:

预测=“CustIncome”；(bi, cp) = bininfo (sc、预测)

bi =8×6表该文的UUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUU0.06843 0.00041042{'[35000400000'}193 98 1.9694-0.026696 0.00017359{'[4000042000'}68 34 2-0.011271 1.0819e-05{'[4200047000][164662.48480.205790.0078175{'[47000，Inf]}183563.26790.47972 0.041657{'Totals'}8033972.0227 NaN 0.12285

cp =6×129000 33000 35000 40000 42000 47000

Cp ([3 4]) = [];%合并存储箱3、4和5的步骤sc = modifybins (sc,“CustIncome”那'切口', cp);plotbins (sc,“CustIncome”）

图中包含一个Axis对象。标题为的Axis对象包含3个bar、line类型的对象。这些对象表示好、坏。

为了“TmWBank”根据上面的图，最好合并箱2和箱3，因为它们有相似的WOE。合并这些箱子:

预测=“TmWBank”；(bi, cp) = bininfo (sc、预测)

bi =6×6表本好不好悲哀InfoValue几率  _____________ ____ ___ ______ ________ _________ {'[- 正无穷,12)}141 90 1.5667 -0.25547 0.013057{'[12、23)}165 93 1.7742 -0.13107 0.0037719{' 45(23日)}224 125 1.792 -0.12109 0.0043479{'[71)}177 67 2.6418 0.26704 0.013795{”(71年,正)}96年22 4.3636 0.76889 0.049313{“总数”}803 397 2.0227 0.084284南

cp =4×112 23 45 71

cp（2）=[]；%合并垃圾箱2和3sc = modifybins (sc,“TmWBank”那'切口', cp);plotbins (sc,“TmWBank”）

图中包含一个axes对象。标题为TmWBank的axes对象包含3个bar、line类型的对象。这些对象表示好、坏。

为了“AMBalance”根据上面的图，最好合并箱2和箱3，因为它们有相似的WOE。合并这些箱子:

预测=“AMBalance”；(bi, cp) = bininfo (sc、预测)

bi =5×6表（UUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUOUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUU\\\\\\\\\\\\281597.44）}76 44 1.7273-0.15787 0.002554{'[1597.44，Inf]'}72 48 1.5-0.29895 0.0093402{'Totals'}803 397 2.0227 NaN 0.039868

cp =3×110^3.× 0.5589 1.2543 1.5974

cp（2）=[]；%合并垃圾箱2和3sc = modifybins (sc,“AMBalance”那'切口', cp);plotbins (sc,“AMBalance”）

图中包含一个轴对象。标题为AMBalance的轴对象包含3个类型为bar, line的对象。这些物体代表好，坏。

现在，装箱微调已经完成，所有预测值的装箱都接近线性WOE趋势。

步骤3。拟合逻辑回归模型。

这fitmodel函数将逻辑回归模型拟合到WOE数据。fitmodel内部存储训练数据，将其转换为祸值，映射反应变量，以便‘好’是1，并符合线性逻辑回归模型。默认情况下，fitmodel使用逐步过程来确定模型中应该包含哪些预测因子。

sc = fitmodel (sc);

1.添加询问，偏差= 1490.8954，pvalue = 1.1640961C-08 2.添加tmwbank，偏差= 1467.3249，chi2stat = 23.570535，pvalue = 1.2041739E-06 3.添加余距= 1455.858，chi2stat = 11.46846那PValue = 0.00070848829 4. Adding EmpStatus, Deviance = 1447.6148, Chi2Stat = 8.2432677, PValue = 0.0040903428 5. Adding CustAge, Deviance = 1442.06, Chi2Stat = 5.5547849, PValue = 0.018430237 6. Adding ResStatus, Deviance = 1437.9435, Chi2Stat = 4.1164321, PValue = 0.042468555 7. Adding OtherCC, Deviance = 1433.7372, Chi2Stat = 4.2063597, PValue = 0.040272676 Generalized linear regression model: status ~ [Linear formula with 8 terms in 7 predictors] Distribution = Binomial Estimated Coefficients: Estimate SE tStat pValue ________ _______ ______ __________ (Intercept) 0.7024 0.064 10.975 5.0407e-28 CustAge 0.61562 0.24783 2.4841 0.012988 ResStatus 1.3776 0.65266 2.1107 0.034799 EmpStatus 0.88592 0.29296 3.024 0.0024946 CustIncome 0.69836 0.21715 3.216 0.0013001 TmWBank 1.106 0.23266 4.7538 1.9958e-06 OtherCC 1.0933 0.52911 2.0662 0.038806 AMBalance 1.0437 0.32292 3.2322 0.0012285 1200 observations, 1192 error degrees of freedom Dispersion: 1 Chi^2-statistic vs. constant model: 89.7, p-value = 1.42e-16

步骤4.查看和格式化记分卡点。

在拟合logistic模型后，默认情况下，这些点是无比例的，直接来自于WOE值和模型系数的组合。这displaypoints函数总结记分卡的要点。

p1=显示点（sc）；显示点（p1）

预测变量______________ __________________________ {'custage'} {'[-inf，37）'} -0.15314 {'custage'} {'[37,40）'} -0.062247 {'cometers'} {'[40,46）'} 0.045763 {'custage'} {'[46,58）} 0.22888 {'监护'} {'[58，inf]'} 0.48354 {'exce'} {'<缺失>'} nan {'resstatus'} {'租户'} -0.031302 {'Resstatus'} {'ReseStatus'} 0.12697 {'其他'} {'其他'} 0.37652 {'resstatus'} {'<缺少>'} nan {'empstatus'}{'未知'} -0.076369 {'empstatus'} {'雇用的'} 0.31456 {'empstatus'} {'<缺少>'} nan {'custincome'} {'[-inf，29000）'} -0.45455 {'Custincome'} {'[29000,33000）'} -0.1037 {'custincome'} {'[33000,42000）'} 0.077768 {'custincome'} {'[42000,47000）'} 0.24406 {'custincome'} {custincome'} {'[47000，inf]'} 0.43536 {'custincome'} {'<缺失>'} nan {'tmwbank'} {'tmwbank'} {'[-inf，12）'} -0.18221 {'tmwbank'} {'[12,45）' } -0.038279 {'TmWBank' } {'[45,71)' } 0.39569 {'TmWBank' } {'[71,Inf]' } 0.95074 {'TmWBank' } {'' } NaN {'OtherCC' } {'No' } -0.193 {'OtherCC' } {'Yes' } 0.15868 {'OtherCC' } {'' } NaN {'AMBalance' } {'[-Inf,558.88)' } 0.3552 {'AMBalance' } {'[558.88,1597.44)'} -0.026797 {'AMBalance' } {'[1597.44,Inf]' } -0.21168 {'AMBalance' } {'' } NaN

这是一个很好的时间来修改垃圾箱标签，如果这是出于化妆品的原因感兴趣的事情。为此，请使用ModifierBins.更改容器标签。

sc = modifybins (sc,“CustAge”那'binlabels'那．..{“36”37到39的'40到45'“46 57”“58,”}）;sc = modifybins (sc,“CustIncome”那'binlabels'那．..{“28999”“29000 - 32999”“33000 - 41999”“42000 - 46999”“47000,”}）;sc = modifybins (sc,“TmWBank”那'binlabels'那．..{“11”‘12至44’'45到70'“71,”}）;sc = modifybins (sc,“AMBalance”那'binlabels'那．..{'最多558.87'558.88到1597.43的“1597.44”,}）;p1=显示点（sc）；显示点（p1）

预测本点  ______________ _____________________ _________ {' CustAge}{‘多达36}-0.15314{‘CustAge}{' 37到39}-0.062247{‘CustAge}{40到45的}0.045763{‘CustAge}{“46 57”}0.22888{‘CustAge}{' 58和}0.48354{‘CustAge}{“失踪> <”}南{‘ResStatus}{“租户”}-0.031302{‘ResStatus}{‘业主’}0.12697{‘ResStatus}{‘其他’}0.37652{‘ResStatus}{“失踪> <”}南{‘EmpStatus}{‘未知’}-0.076369{‘EmpStatus}{“雇佣”}0.31456{‘EmpStatus}{“失踪> <”}南{‘CustIncome}{‘28999’}-0.45455{‘CustIncome}{“29000 - 32999”}-0.1037{‘CustIncome}{“33000 - 41999”}0.077768{‘CustIncome}{“42000 - 46999”}0.24406{‘CustIncome}{' 47000和'}0.43536{‘CustIncome}{“失踪> <”}南{‘TmWBank}{' 11 '} -0.18221{‘TmWBank}{' 12至44}-0.038279{‘TmWBank}{' 45到70}0.39569{‘TmWBank}{' 71和'}0.95074{‘TmWBank}{“失踪> <”}南{‘OtherCC}{‘不’}-0.193{‘OtherCC}{'是的'}0.15868{‘OtherCC}{“失踪> <”}NaN{` AMBalance `} {` AMBalance `} {` AMBalance `} {` AMBalance `} {` AMBalance `} {` AMBalance `}} -0.21168 {` AMBalance `} {`  `

点通常是缩放的，也经常是圆形的。要做到这一点，使用格式点功能。例如，您可以设置与目标赔率级别相对应的目标分数级别，还可以将所需分数设置为赔率的两倍（PDO）。

“靶点= 500;TargetOdds = 2;PDO = 50;%点数加倍几率sc = formatpoints (sc,“PointsOddsAndPDO”，[TargetPoints Targetodds PDO]）;p2 = displaypoints（sc）;DISP（P2）

“UUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUU"寄存"{{}南{{}{{}{{}{}{}{}{}{}{}{}{}{}{}{}{}{}}租户}62.028{{'ResStatus'}{'Other'}91.446{'ResStatus'}{{'missing>}NaN{'EmpStatus'}{'Unknown'}58.777{'EmpStatus'}{'EmpStatus'}{'EmpStatus'}86.976{'EmpStatus'}{'NaN{'CustIncome截至28999'}31.497{'CustIncome 29000至32999'}56.805{'CustIncome 33000至41999'}468981}{{{{{{{{{{{{{{{{{{{{门门门门收入收入收入收入'{{{{{{{{{{{{{{门门门门门门门门门门门门门门门门门门门门门门门门门门门门门门门门门门收入'{{{{{{门门门门门门门收入收入收入收入收入'{{{{{{{{{{{Tmw银行'}}{{门门门邦邦邦邦邦邦邦邦邦{{{{{{门门门门门门门门门门门门门门门门门门邦邦邦邦邦邦邦到11}{{{{{{{门门门门门门门门门门门门门门门门门门门门门门门门门门门门邦邦邦邦邦邦邦邦邦邦邦{{{{{{{{{{门门门门门门门门门门门门门门门门门门门门{'AMBalance'}{'558.87'}89.908{'AMBalance'}{'558.88至1597.43'}62.353{'AMBalance'}{'1597.44及以上}49.016{'AMBalance'}{}南

第5步。得分数据。

这分数功能计算培训数据的分数。一个可选的数据输入也可以传递给分数，例如验证数据。每个客户的每个预测器的点数作为可选输出提供。

(分数,分)=分数(sc);disp(分数(1:10))

528.2044 554.8861 505.2406 564.0717 554.8861 586.1904 441.8755 515.8125 524.4553 508.3169

显示（点（1:10，：）

CustAge ResStatus EmpStatus CustIncome TmWBank OtherCC AMBalance _______ _________ _________ __________ _______ _______ _________ 80.796 62.028 58.777 95.69 92.829 75.732 62.353 99.166 73.445 86.976 95.69 61.524 75.732 62.353 80.796 62.028 86.976 69.896 9829 50.364 62.353 80.796 73.445 86.976 95.732 89.908 99.166 73.445 86.976 95.6961.524 75.732 62.353 99.166 73.445 86.976 95.69 92.829 75.732 62.353 53.239 73.445 58.777 56.805 61.524 75.732 62.353 81.446 86.976 95.69 61.524 50.364 49.016 80.796 62.028 58.777 95.69 61.524 75.732 89.908 80.796 73.445 58.777 95.69 61.524 75.732 62.353

步骤6。计算违约概率。

要计算违约概率，使用probdefault函数。

pd = probdefault (sc);

定义“良好”的概率，并将预测的概率与格式化的分数进行对比。可视化地分析目标点和目标概率是否匹配，并且点对概率加倍(PDO)关系是否成立。

ProbGood = 1 pd;PredictedOdds = ProbGood. / pd;图散射(分数,PredictedOdds)标题(“预测赔率vs.得分”)xlabel('分数')伊拉贝尔(“预测概率”)举行在…上xLimits=xlim；yLimits=ylim；%目标点数和几率绘图（[TargetPoints TargetPoints]，[yLimits（1）TargetOdds]，凯西:”[xLimits(1) TargetPoints]，[TargetOdds TargetOdds]，凯西:”）目标点+ PDO情节([靶点+ PDO靶点+ PDO], [yLimits (1) 2 * TargetOdds),凯西:”)绘图（[xLimits（1）TargetPoints+PDO]，[2*targetods 2*targetods]，凯西:”）目标点数减去PDO绘图（[targetpoints-pdo targetpoints-pdo]，[ylimits（1）targetodds / 2]，凯西:”) plot([xLimits(1) TargetPoints-PDO]，[TargetOdds/2 TargetOdds/2]，凯西:”)举行从

图中包含一个轴对象。标题为Predicted Odds vs. Score的轴对象包含7个类型为scatter, line的对象。

步骤7。使用CAP、ROC和Kolmogorov-Smirnov统计量验证信用记分卡模型

这CreditsCorecard.类支持三种验金宝app证方法，累积精度轮廓(CAP)、接收者工作特征(ROC)和Kolmogorov-Smirnov (K-S)统计量。有关CAP、ROC和KS的更多信息，请参见累积准确性概况（帽）那接收机工作特性(ROC),Kolmogorov-Smirnov统计(KS)。

[Stats，T]=validatemodel（sc，'阴谋',{“帽子”那“中华民国”那“KS”}）;

图中包含一个Axis对象。标题为累积精度轮廓（CAP）曲线的Axis对象包含6个patch、line和text类型的对象。

图中包含一个轴对象。以Receiver Operating Characteristic (ROC)曲线为标题的轴对象包含patch、line、text三种类型的对象。

图中包含一个轴对象。标题为K-S Plot的轴对象包含6个类型为line, text的对象。这些对象代表累积不良品，累积商品。

disp(统计)

测量值  ________________________ _______ {' 精度比0.32225”}{ROC曲线下面积的}0.66113{“KS统计”}0.22324 499.18{“k值”}

disp (T (1:15)):

PctObs ______ ___________ ________ _________ _________ __________ ___________ __________ __________ 369.4 0.735 01 802 397 0 0.0012453 0.00083333 377.86 0.73107 1 1 802 396 0.0025189 0.0012453 0.0016667 379.78 0.7258 2 1 802 395 0.0050378 0.0012453 0.0025 391.810.69139 - 3 1 802 394 0.0075567 0.0012453 0.0033333 394.77 0.68259 801 394 0.0075567 0.0024907 0.0041667 395.78 0.67954 - 4 801 393 0.010076 0.0024907 0.005 396.95 0.67598 5 801 392 0.012594 0.0024907 0.0058333 398.37 0.67167 801 391 0.015113 0.0024907 0.0066667 401.26 0.66276 801 390 0.017632 0.0024907 0.0075 403.23 0.65664 8 801 3890.。0.20151 0.0024907 0.0083333 405.09 0.65081 8 3 800 389 0.020151 0.003736 0.0091667 405.15 0.65062 11 5 798 386 0.027708 0.0062267 0.013333 405.37 0.64991 11 6 797 386 0.027708 0.007472 0.014167 406.18 0.64735 12 6 797 385 0.030227 0.007472 0.015 407.14 0.64433 13 6 797 384 0.032746 0.007472 0.015833