P. 1
01518_PAC2-Solucio_1

01518_PAC2-Solucio_1

|Views: 6|Likes:

More info:

Published by: César Diéguez Álvarez on Sep 13, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

11/22/2015

pdf

text

original

Estudis d’Economia i Empresa 01.

518 Estadística Aplicada Semestre 11-12/setembre 11

SOLUCIONS ORIENTATIVES Prova d’avaluació continuada 2. Aplicacions de la regressió lineal.
Enunciat
1. Per estudiar l'evolució mensual de l'activitat productiva de les branques industrials al nostre país és necessari consultar la variable Índex de Producció Industrial (IPI). L'Institut Nacional d'Estadística (INE) proporciona informació de l'índex global així com de les branques industrials, és a dir, de les indústries extractives, manufactureres i de producció i distribució d'energia elèctrica, aigua i gas. A més, la metodologia utilitzada per l'INE per obtenir el IPI està plenament harmonitzada amb la dels països de la Unió Europea. Nosaltres analitzarem les dades del IPI Energia, això és, d'un dels grans sectors industrials que rep una ponderació de 13,04 en el IPI. Les dades, que tenen freqüència mensual des de gener de 2000 fins a juliol de 2011, estan disponibles en el llibre d'Excel dadesPAC2.XLS. Tenint en compte que l'objectiu d'aquest estudi és analitzar el IPI Energia en l'economia espanyola, heu de respondre a les següents preguntes: a) Representar gràficament la sèrie del IPI Energia. Comentar la seva evolució. Quins són els components, a simple vista, presents en la sèrie? b) Contrastar estadísticament la presència dels diferents components en la sèrie. Comenta els resultats. c) Suposar que el període mostral (observat) s'acaba a la fi de 2010. Feu una predicció de la sèrie pels 7 primers mesos de l'any 2011 emprant tots els mètodes de previsió apropiats per a aquest tipus de sèrie. Valorar quantitativament i gràficament quin dels mètodes que heu utilitzat us proporciona millors prediccions tenint en compte que s'utilitzarà com a mètode de previsió per proposar una taxa de creixement prevista (veure apartat següent). d) Utilitzar aquest mètode per obtenir prediccions de la sèrie pels 5 últims mesos de 2011 (recordeu que en aquest cas heu d'obtenir la predicció considerant totes les observacions disponibles de la sèrie). Quin és la taxa de creixement prevista per el IPI Energia en 2011 (això és, comparant la dada de desembre del 2011 predita i la dada real de desembre del 2010)? Nota: Si és necessari suposar valors inicials utilitzar els valors proporcionats per un altre mètode de predicció (valors inicials de tendència i pendent igual a beta 0 i beta 1 respectivament i valors inicials de les components estacionals igual als índexs de Variació Estacional o IVE). Igualment, si és necessari, suposar que les constants d’allisat valen 0,8 en tots els casos.

SOLUCIÓ: Abans de decidir quins mètodes de predicció de la sèrie podem utilitzar, hem de determinar de quin tipus de sèrie es tracta. D'entrada, amb l'anàlisi gràfica ja es pot determinar, si més no, de manera aproximada. Addicionalment s'han d'aplicar contrastos estadístics per acabar de determinar el tipus de sèrie. Atès que estem treballant amb dades mensuals, la sèrie pot tenir tendència i/o component estacional i, per tant, es pot tractar de sèries de qualsevol dels quatre tipus: sense tendència ni component estacional (tipus I), amb component estacional sense tendència (tipus II), amb tendència sense component estacional (tipus III) o bé amb tendència i component estacional (tipus IV).

a) En primer lloc cal analitzar gràficament la sèrie.

01518_PAC2solució_.doc

1/10

on s'estabilitza per experimentar un important decreixement al començament de 2009 i tornar a estabilitzar-se. rebutgem la hipòtesi nul·la i concloem que la sèrie SÍ té tendència i.PAC2.1) al 95% =1. Les seves hipòtesis són: H0: la sèrie no té tendència (única i lineal) H1: la sèrie sí té tendència I el resultat obtingut és: Total suma de les diferències al quadrat = 224056 Ts = 0. Energia 120 115 110 105 100 95 90 85 80 75 0M 20 01 00 M 20 07 01 M 20 01 01 M 20 07 02 M 20 01 02 M 20 07 03 M 20 01 03 M 20 07 04 M 20 01 04 M 20 07 05 M 20 01 05 M 20 07 06 M 20 01 06 M 20 07 07 M 20 01 07 M 20 07 08 M 20 01 08 M 20 07 09 M 20 01 09 M 20 07 10 M 20 01 10 M 07 20 0 D'entrada s'observa com la sèrie presenta una tendència creixent fins a 2006. La qual cosa ens indica que la producció i distribució d'energia elèctrica en aquests períodes és superior que la resta de l'any.96). Aplicacions de la regressió lineal Índex de Producció Industrial.499405693 Z = 5. També s'observa a simple vista algun indici d'efecte estacional. la sèrie pot ser de tipus III o de tipus IV. Concretament hi ha un comportament que es repeteix any rere any en el període mostral i que consisteix en un pic cap amunt coincidint amb el començament de l'any i un altre coincidint amb l'estiu (juliol/agost).96 Per tant.doc 20 1 1M 06 2/10 . atès que l'estadístic de contrast en valor absolut és més gran que el valor en taules d'una distribució normal al 95% de confiança (1. b) Per confirmar la presència de tendència usarem el contrast de Daniel. Les hipòtesis a contrastar són: H0: la sèrie no té component estacional H1: la sèrie sí té component estacional 01518_PAC2solució_. Per assegurar-nos de la presència de component estacional i saber de quin tipus és la sèrie hem de fer el contrast de Kruskal-Wallis. per tant.866688534 N (0.

130 -2.146 -2.75 34133.503 -5. per tant.00 82834.678 -3.462 -4. yt -T_1 = sense tend en el quadre). rebutgem la hipòtesi nul·la i concloem que la sèrie SÍ té component estacional i.725 -3. el resultat del contrast ens dóna H = 43.760 2.doc 3/10 . c) Atès que la sèrie de l’IPI Energia és de tipus IV.82 32292. A continuació fem la mitjana d'aquests IVEB . D'aquesta manera obtenim els índexs de variació estacional bruts (IVEB). Com la nostra sèrie és mensual i treballarem amb una MM d'ordre 12. Procedim a realitzar les prediccions per ambdós mètodes per al període des de gener de 2011 fins a juliol de 2011 amb l'objectiu d'avaluar quin mètode proporciona millors prediccions: 1. els mètodes que podem utilitzar per fer les prediccions són el mètode de descomposició i el mètode de l'allisat exponencial de Holt-Winters. en conseqüència.70 (valor molt semblant a si s’aplica per a valors repetits la la mitjana de rangs. que. 43. Així doncs.713 2. això és.36 40809.71).249 -2.714 3.68).36 115671.297 5.083 -2.737 -0.09 57312.456 -5.00 36656.08 19602.761 3.193 -2.PAC2. Veure columnes MM12 i T_1 en el quadre.296 -2.069 -0.Mètode de descomposició Per aplicar el mètode de descomposició hem de seguir els següents passos: En primer lloc farem una primera estimació de la tendència amb el mètode de les mitjanes mòbils. la MM no es podrà assignar a un període i haurem de tornar a calcular una altra MM de longitud 2 a partir dels valors de la primera MM amb l'objectiu de centrar-la (MMC).33 95052.784 -0. A partir de la sèrie sense tendència que s'obté eliminant a la sèrie la tendència anteriorment estimada (atès que la sèrie presenta esquema additiu.33 49152.047 IVEN 9.818 -0.865 01518_PAC2solució_. la sèrie és de tipus IV. calculem la mitjana dels valors corresponents al mateix període estacional de tots els anys observats. Aplicacions de la regressió lineal La suma dels rangs dels diferents mesos en nivells i al quadrat en termes relatius al nombre d'observacions són els següents: nivell 1400 768 997 485 549 640 1068 635 596 670 794 1128 SUMA Quadrat 163333.509 -4. Fixant aquesta mitjana com a referència podrem corregir els IVEB i obtenir els índexs de variació estacional nets (IVEN): IVEB Gener Febrer Març Abril Maig Juny Juliol Agost Setembre Octubre Novembre Desembre Promig 9.08 25116.116 -0.27 751965. en valor absolut. és superior al valor en taules d'una distribució Khi-quadrat amb 11 graus de llibertat al 95% de confiança (19.250 5. una mitjana per a cadascun dels 12 mesos.49 R1 R2 R3 R4 R5 R6 R7 R8 R9 R10 R11 R12 I.

6 6.2 89.5 86 87.1 78.1 91.7 -3.4 2.0 83.0 87.4 93.5 4.3 2.4 -1.3 89.6 5.9 Predicció 98.2 87.6 -9.8 86. H).6 100.3 2.5 86.7 2...8 88.0 85.2 89.9 6.0 1.3 5.5 -4.2 89 86.1 -2.7 0. .77693227 113.1 84.8 -0.6 88.7 86.1 6. Data 2000M01 2000M02 2000M03 2000M04 2000M05 2000M06 2000M07 2000M08 2000M09 2000M10 2000M11 2000M12 2001M01 2001M02 2001M03 2001M04 2001M05 2001M06 2001M07 2001M08 2001M09 2001M10 2001M11 2001M12 2002M01 2002M02 2002M03 Índex MM12 T_1 98.0 87.7 2. A continuació utilitzant la sèrie desestacionalitzada estimem la tendència a partir del mètode de la tendència lineal.9 1. Aplicacions de la regressió lineal En tercer lloc.7 88 88.2 86. T) i com: pel extramuestral (m = 1.4 1.5 -4.6 Sense Tend IVEN 9.6 1.4 86.2 -2.9 9.434708 7.9 88.4 1.6 Error -0.1 87.5 10.9 88.9 4.5 4.7 3.6 85.8 5.4 -3.9 2. calculem la predicció de la sèrie com: per al període mostral (t = 1.7 -3.6 84.5 -0.3 24.0 92.9 86.5 0.1 6..1 -0.4 87.4 84.1 86.6 11.4 86.3 86.5 83.3 89.3 0.5 0.6 0.6 85 86.1 -1.8 86.1 3.3 88.2 EAM 0.8 0. obtenim la sèrie desestacionalitzada eliminant a cada valor de la sèrie el seu corresponent IVEN (veure columna Desestac en el quadre).6 1.1 91.6 5.4 89.7 89. fixant t = 1 en l'origen de la sèrie i utilitzem el mètode de mínims quadrats ordinaris per estimar els paràmetres.8 88.6 89.7 86.7 89.1 -2.4 80.4 0.7 12.9 2.2 0.1 -2.1 -0.0 87.7 2.1 -1.4 1.6 2.3 88.1 40.9 4.1 -1.2 85.6 2.3 20.1310856 0.8 2.5 0.0 3.1 Per obtenir els estadístics que ens permeten comparar la qualitat de les prediccions (Error quadràtic mitjà i Error absolut mitjà) hem de calcular els errors.4 87.7 90.6 1.5 3.11E-132 0.5 4.4 3.3 86.6 0.0 87.6 -2.0 89.4 1.4 2.5 91. 2.4 88.4 85.8425193 6.5 6.0 0.8 88.5 -4.5 90.2 39. els errors en valor absolut i els errors al quadrat (veure les 3 últimes columnes del quadre).5 -5.7 90.7 86.729 19.6 87. Finalment.7 87. això és.4 2.3 97 89.7 89.2 89.1 -2.9 2.8 87.9 90.0 0.396 9.6 88.8 -0.4 3.3 87.1 -0.3 99.8 -0.3 5.9 86.4 85. A partir de les dues últimes columnes calculem la mitjana per al període mostral i extra-mostral (des de gener de 2011 fins a juliol de 2011) que són els següents: EAM(mostral) EQM(mostral) EAM(extra-mostral) EQM (extra-mostral) 3..9 0.4 89.9 2.3 -2.5 0. Els paràmetres estimats són: Coeficients Error típic Estadístic t Probabilitat 88.4 90.4 -1.9 27.3 101.2 EQM 0.6 88.6 91.5969E-20 Beta 0 Beta 1 on observem que ambdós coeficients estimats són significatius.7 85.1 0.6 89.7 2.7 89.2 85.2 87.210 01518_PAC2solució_.5 86.PAC2.5 15.4 86.7 83.5 4.0 8.1 0.0 86.1 95.4 -2.4 96.6 85.5 6.9 84.4 96.0 -1.4 -0.8 -0.7 89.9 7.7 0.8 87.4 1.5 -5.6 91.376 92.2 87.1 -2.3 84.3 86.3 93. .1 6.5 83 83.3 83.4 86.0 1...3 86.10991077 0.doc 4/10 .0 86.5 Desestac 88.1 88 88.7 87.5 87.9 12.3 5.2 88.01013701 10.5 1.1 87.1 1.4 2.9 9.1 92.3 0.7 2.5 1.7 86.0 3.2 -2.2 2. 2.

Finalment. així com beta 0 i beta 1 com a condicions inicials per a la tendència i el pendent respectivament (valors ombrejats en el quadre). les prediccions s'obtenen com: 01518_PAC2solució_. Aplicacions de la regressió lineal També és interessant analitzar gràficament el comportament de la sèrie en relació la seva predicció: Mètode de Descomposició 120 115 110 105 100 95 90 85 80 75 2000M01 2000M07 2001M01 2001M07 2002M01 2002M07 2003M01 2003M07 2004M01 2004M07 2005M01 2005M07 2006M01 2006M07 2007M01 2007M07 2008M01 2008M07 2009M01 2009M07 2010M01 2010M07 Índex Predicció 2.doc 2011M06 5/10 . de la mateixa manera el pendent i el component estacional es va actualitzant. D'acord amb l'enunciat s'utilitzen com a condicions inicials per al component estacional els IVEN obtinguts en el mètode anterior. Per començar a aplicar les equacions d'actualització necessitem uns valors inicials que cal suposar.PAC2. Aquestes equacions es van recalculant cada període i ens proporcionen les columnes Tend.8 (tal i com indica l'enunciat). Per actualitzar els tres components s'utilitzen les següents equacions d'actualització: on cal determinar les constants d’allisat en 0. Pendt i Estac del quadre.Mètode de l'allisat exponencial de Holt-Winters: En aquest mètode suposem que la tendència és lineal i que.

07 78.0 87.8 86.63 -0.9 -2.9 91.1 -2.3 87.22 6.03 2.1 -3.8 -2.2 -5.2 89.2 -2.2 2.81 0.3 -3.46 1.7 89.78 3.1 0.7 -0.26 -3.7 86.2 87. 9.07 9.0 80.5 79.8 90.3 -1.11 2.9 98.1 88.7 91.7 2.00 0.7 -0.7 86.06 0.1 -0.7 86.92 3.47 1.08 1.1 0.8 -0.PAC2.77 0.9 85.63 0.7 3.4 10.5 86.0 -5.17 3.5 -4.8 -0.4 0.2 97.1 -0.29 1.doc 20 1 1M 06 6/10 .29 1.1 I gràficament: Mètode d'Allisat Exponencial de Holt-Winters 120 115 110 105 100 95 90 85 80 75 0M 20 01 00 M 20 07 01 M 20 01 01 M 20 07 02 M 20 01 02 M 20 07 03 M 20 01 03 M 20 07 04 M 20 01 04 M 20 07 05 M 20 01 05 M 20 07 06 M 20 01 06 M 20 07 07 M 20 01 07 M 20 07 08 M 20 01 08 M 20 07 09 M 20 01 09 M 20 07 10 M 20 01 10 M 07 Índex Predicció 20 0 01518_PAC2solució_.52 2000M01 2000M02 2000M03 2000M04 2000M05 2000M06 2000M07 2000M08 2000M09 2000M10 2000M11 2000M12 2001M01 2001M02 2001M03 2001M04 98.20 0.2 84. Pendt.15 9.70 14.85 5. Data S_1 Índex Tend.4 80.9 0.9 84.3 -1.81 0.1 -2.7 2.0 -2.08 1.9 85.9 2.37 14.1 83.1 83.3 Predicció Error EAM EQM Parametres Inicials S_2 S_3 S_4 S_5 S_6 S_7 S_8 S_9 S_10 S_11 S_12 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 88.17 -3.9 1.6 87.92 3.8 9.76 -1.2 85.3 88.85 5.9 0.1 88 88.48 1.01 -8.3 87.5 0.7 -3.1 0.4 0.8 85 88.8 78.11 2.6 -1.77 0.6 84.06 0.47 -1.5 85.2 89 96.5 84.46 -1.6 81.5 83 83.57 3.2 4.65 0.1 0.3 84. Aplicacions de la regressió lineal per al període mostral i com: per al període extra-mostral.08 1.4 85.76 1.6 -0.26 3.7 2.78 3.8 84.01 8.5 -5.15 3.5 0.39 31.8 87. Estac.4 80.9 5.1 -3.

0 96.2 91.doc 7/10 .3 -1. d) Utilitzant el mètode d’AEHW (que es comporta millor en termes de predicció per a la sèrie del IPI Energia).2 -2.7 0.4 104. la predicció pels 5 últims mesos de l'any 2011 és la següent: Data 2009M11 2009M12 2010M01 2010M02 2010M03 2010M04 2010M05 2010M06 2010M07 2010M08 2010M09 2010M10 2010M11 2010M12 2011M01 2011M02 2011M03 2011M04 2011M05 2011M06 2011M07 2011M08 2011M09 2011M10 2011M11 2011M12 Índex 90.6 97.6 -0.3 96.2 -1.8 99.0 1.9 -1.4 Estac.1 -5.8 3.6 -1.7 93.1 -1.3 96.7 -0.3 2.2 98.3 90.1 -5.9 88.5 104.4 94.1 95. el mètode que millor es comporta tant pel període mostral com per l’extra-mostral és l’AEHW .7 92.6 -5.9 106.1 94. on els nivells d'aquests factors es presenten a continuació: 01518_PAC2solució_.2 102.6 92.5 97. Aplicacions de la regressió lineal Igual que en el mètode anterior obtenim els valors de l’EQM i l’EAM que són els següent s: EAM(mostral) EQM(mostral) EAM(extra-mostral) EQM (extra-mostral) 3.5 -5.7 Predicció 95.4 3.5 92.1 96.2 -0.4 0.3 99.1 2.1 94.319 Com veiem.6 95.8 97.2 89.9 8.182 16.3% (=dic 2011 / dic 2010 -1)*100.8 89.6 87.3 -2.7 96.9 96.4 7. 91.8 0.7 98.2 103. Nivell de cobertura i si cotitza en bossa.662 9.7 95.7 90.2 -1.5 79.5 93.9 -0.5 100.5 Pendt.3 5.1 96.4 93.0 -2. 2.1 95.7 91. -0.6 4.4 90.5 -0.9 És important notar que cal recalcular les prediccions pels 7 primers mesos de l'any 2011 considerant que ara pertanyen al període mostral.6 84.3 102.177 2.5 100.6 79.9 96.1 1.4 -4.8 89.PAC2.2 -1.1 92.7 93.2 7.7 99. Els valors previstos per al final de l'any 2011 ens proporcionen una taxa de variació per a l'any 2011 de -18.0 96.7 100. En un estudi sobre què valoren els inversors a l'hora de triar una companyia d'assegurances.3 0.5 9.4 0.7 96.1 Tend.0 83.7 94. -3.5 86.1 93.9 0.6 94.0 -3.2 -2.4 95.6 106.7 80.9 98.9 98. es va entrevistar a 200 assegurats per obtenir el seu grau de valoració respecte a 3 factors: Preu del segur.

Solució: a) Les mitjanes obtingudes són: Targeta 1 Targeta 2 Targeta 3 Targeta 4 Targeta 5 Targeta 6 Targeta 7 Targeta 8 6. dur a terme l'anàlisi de mesures conjuntes amb Minitab.115 3. s'ha demanat als usuaris que ordenin de l'1 al 8 (de menys a més satisfacció) les targetes associades a les companyies d'assegurances i s'han obtingut els resultats que apareixen a la segona pestanya del fitxer d'Excel DadesPAC2.86 Valoració mitjana b) Caldrà fer la regressió de les mitjanes respecte del quadre anterior (quantificat).PAC2. Presentar els resultats obtinguts i determinar quins són els factors més rellevants per al conjunt d'individus enquestats.495 2.16 5.055 5. S'ha de tenir en compte que no podem usar tots els nivells de cada factor per evitar la multicolinealidad. que denominarem Targetes: Preu Mig X X X X X X X X X X Cobertura Mitja Escassa X X X X X X X Borsa Sí X X No Targeta 1 Targeta 2 Targeta 3 Targeta 4 Targeta 5 Targeta 6 Targeta 7 Targeta 8 Alt X Baix Completa X X X X Finalment. diferent al proposat en aquest exercici.59 5.xls.doc 8/10 . b) A partir de tota la informació que tenim.665 2. c) Proposar un cas d'estudi hipotètic. a) Calcular la valoració mitjana de preferències per a les diferents targetes. 01518_PAC2solució_. que tingui 4 factors a estudiar i que podríem resoldre-ho fent una anàlisi de mesures conjuntes (màxim 6 línies).055 5. Aplicacions de la regressió lineal Alt Preu Mig Baix Completa Cobertura Mitja Escassa Sí Borsa No Per dur a terme l'estudi s'ha dissenyat un qüestionari amb 8 opcions possibles de companyies d'assegurances.

5982 F 3.235 Fuente Preu alt Preu baix Cobertura completa Cobertura escassa Borsa sí SC Sec. 4.495 2.095 0.5984 1.3559 SE Coef 0. Aplicacions de la regressió lineal Valoració mitjana 6.59 5.00 -0.62 P 0.7734 0.0.3225 -0.356 Borsa sí Predictor Constante Preu alt Preu baix Cobertura completa Cobertura escassa Borsa sí S = 0.3% 0.6596 0.9% R-cuad.2322 A partir d'aquests resultats..055 5.(ajustado) = 64.1964 11.115 3. .0.7948 GL 1 1 1 1 1 CM 2.381 0.359 Cobertura completa .3559 21.0002 0.doc 9/10 .54 -1.7375 -2.11 -0.16 5.018 0.9368 0.3586 -0.86 Preu Alt 1 0 0 1 0 0 0 0 Mig 0 1 1 0 1 1 0 0 Baix 0 0 0 0 0 0 1 1 Completa 0 1 0 1 0 0 1 0 Cobertura Mitja 1 0 0 0 1 0 0 1 Escassa 0 0 1 0 0 1 0 0 Borsa Sí 1 1 0 0 0 1 0 1 No 0 0 1 1 1 0 1 0 Targeta 1 Targeta 2 Targeta 3 Targeta 4 Targeta 5 Targeta 6 Targeta 7 Targeta 8 Els resultats de la regressió són: Regression Analysis: Valoració mitjana versus P_Alt.1197 0. podem obtenir la taula següent amb les utilitats de cadascun dels nivells i la importància de cada factor: Import relativa Factors Preu Cobertura Borsa Nivells Alt Mig Baix Completa Mitja Escassa Sí No Utilitat 0.7375 0 -2.2% 01518_PAC2solució_.597 R-cuad. i tenint en compte que els coeficients associats als nivells que no hem usat en la regressió es fixen en zero.4423 0. La ecuación de regresión es Valoració mitjana = 5. = 89..8408 0.055 5.06 70.441 0.6600 0. P_Baix.0376 0.32 Preu baix .5712 T 7.38 0.9368 -0.PAC2.95 -3.6684 5.3559 0 Importància 3.54 P 0.665 2.641 0.3225 -0.3586 0 -0.44 + 0.5% Análisis de varianza Fuente Regresión Error residual Total GL 5 2 7 SC 10.9368 -0.773436 Coef 5.0.5% 8.2.7734 0.737 Preu alt .937 Cobertura escassa .7374 0.

Canvi (automàtic. i molt lluny dels anteriors. mitjà i baix). Combustible (dièsel. amb diferents nivells cadascun.5%) i finalment. 01518_PAC2solució_. gasolina). c) Un exemple d'un altre cas pràctic podria ser un estudi sobre els factors que valoren els consumidors quan compren un vehicle.2%). Equipament (bàsic. Els factors i nivells seran el Preu (alt. el factor al qui donen més importància els assegurats és a la cobertura del segur (70. Proposem 4 factors.doc 10/10 . mitjà i baix). manual).PAC2. Aplicacions de la regressió lineal Segons els resultats que obtenim a la taula. si cotitza en borsa la companyia (8.3%) seguit del preu (21.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->