Кейс по измерению HR-активности

В продолжение поста Hr-рейтинг городов России
Это будет показ 1) одной фишки регрессионного анализа; б) визуализация решения; в) демонстрация того, что низкий R^2 не всегда плохо, а даже хорошо.
Обращаюсь к участникам семинара Аналитика для HR: все приведенное здесь можно сделать в excel, и ваших знаний достаточно, чтобы проделать все итерации самостоятельно

Кейс по измерению HR-активности

Для анализа мы берем таблицу с данными, см. Приложение 1, где в первой колонке указаны города, во второй - средняя количество уникальных переходов по году из города в 2013 году (брал среднее по месяцам январь - сентябрь), в третьей - население города.
Базовая гипотеза: количество переходов на сайт определяется количеством жителей города.
Строим регрессионное уравнение, получаем R^2 = 0, 98.
Замечательно? Давайте построим такую диаграмму рассеяния предсказанных и реальных значений (см например кейс Прогноз уровня зарплаты), чтобы визуально оценить диаграмму

Чувствуете подвох? Так и напрашивается: Москва не вся Россия... Убираем из регрессионного анализа Москву с Питером и... R^2 становится равным 0, 58! Это совсем не тоже самое, что 0, 98. И становится понятным, что размер населения города не так уж жестко влияет на активность HR в сети.
Делаем новую диаграмму без Москвы и Питера.

Задача: 

определите по диаграмме, какие города могут быть названы наиболее активными?
Если не видно названия городов (можно еще кликнуть по диаграмме, но лучшего качества диаграмм я не научился создавать в R - извините), то постройте в файле колнку предсказанных значений (это считается в excel - напоминалка участникам семинара Аналитика для HR), посчитайте разницу между предсказанными и реальными значениями.
И самое главное: какие факторы, помимо населения, могут влиять на HR активность?
напоминаю, что в нашем распоряжении есть теперь база Росстата (см, Где брать цифры по России), поэтому задача становится не абстрактной, не на развитие навыков фантазии, а вполне конкретной.

ПыСы

для тех, кто работает в программе R, может быть будет интересно, что код диаграмму такой
ggplot(St, aes(x = predicted, y = siteactivity, label = St$sity)) + geom_smooth(method = "lm") +   geom_point() + geom_text(size=3, angle = 45, hjust=1, vjust=1)

Приложение 1

sity	siteactivity	sitizens
Moscow	1673	11979529
Piter	483	5028000
Ekaterinburg	238	1429433
Novosib	172	1523801
Krasnodar	161	871194
HizNovgorod	141	1259921
Chelabinsk	119	1130132
Samara	117	1171598
Kazan	115	1176187
Rostov-Don	115	1103733
Ufa	102	1087170
Krasnoyarsk	85	1016385
Perm	84	1013890
Irkutsk	76	606137
Vladivostok	74	600378
Voronezh	71	1003638
Hanti-Mansiisk	56	90961
Saratov	64	839755
Habarovsk	67	593636
Volgograd	69	1018790
Omsk	62	1160670
Kemerovo	63	540095
Barnaul	51	629681
Tumen	47	634171
Orenburg	47	556127
Ulanovsk	48	615306
Izhevsk	46	632913
Yaroslavl	44	599169
Stavropol	44	412116
Belgorod	40	373528