pintos-os.org Git - pspp/blob - src/language/stats/regression.c

   1 /* PSPP - a program for statistical analysis.
   2    Copyright (C) 2005, 2009, 2010, 2011, 2012, 2013, 2014 Free Software Foundation, Inc.
   3
   4    This program is free software: you can redistribute it and/or modify
   5    it under the terms of the GNU General Public License as published by
   6    the Free Software Foundation, either version 3 of the License, or
   7    (at your option) any later version.
   8
   9    This program is distributed in the hope that it will be useful,
  10    but WITHOUT ANY WARRANTY; without even the implied warranty of
  11    MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
  12    GNU General Public License for more details.
  13
  14    You should have received a copy of the GNU General Public License
  15    along with this program.  If not, see <http://www.gnu.org/licenses/>. */
  16
  17 #include <config.h>
  18
  19 #include <float.h>
  20 #include <stdbool.h>
  21
  22 #include <gsl/gsl_cdf.h>
  23 #include <gsl/gsl_matrix.h>
  24
  25 #include <data/dataset.h>
  26 #include <data/casewriter.h>
  27
  28 #include "language/command.h"
  29 #include "language/lexer/lexer.h"
  30 #include "language/lexer/value-parser.h"
  31 #include "language/lexer/variable-parser.h"
  32
  33
  34 #include "data/casegrouper.h"
  35 #include "data/casereader.h"
  36 #include "data/dictionary.h"
  37
  38 #include "math/covariance.h"
  39 #include "math/linreg.h"
  40 #include "math/moments.h"
  41
  42 #include "libpspp/message.h"
  43 #include "libpspp/taint.h"
  44
  45 #include "output/tab.h"
  46
  47 #include "gettext.h"
  48 #define _(msgid) gettext (msgid)
  49 #define N_(msgid) msgid
  50
  51
  52 #include <gl/intprops.h>
  53
  54 #define REG_LARGE_DATA 1000
  55
  56 #define STATS_R      1
  57 #define STATS_COEFF  2
  58 #define STATS_ANOVA  4
  59 #define STATS_OUTS   8
  60 #define STATS_CI    16
  61 #define STATS_BCOV  32
  62
  63 #define STATS_DEFAULT  (STATS_R | STATS_COEFF | STATS_ANOVA | STATS_OUTS)
  64
  65
  66
  67 struct regression
  68 {
  69   struct dataset *ds;
  70
  71   const struct variable **vars;
  72   size_t n_vars;
  73
  74   const struct variable **dep_vars;
  75   size_t n_dep_vars;
  76
  77   unsigned int stats;
  78   double ci;
  79
  80   bool resid;
  81   bool pred;
  82 };
  83
  84 struct regression_workspace
  85 {
  86   /* The new variables which will be introduced by /SAVE */
  87   const struct variable **predvars;
  88   const struct variable **residvars;
  89
  90   /* A reader/writer pair to temporarily hold the
  91      values of the new variables */
  92   struct casewriter *writer;
  93   struct casereader *reader;
  94
  95   /* Indeces of the new values in the reader/writer (-1 if not applicable) */
  96   int res_idx;
  97   int pred_idx;
  98
  99   /* 0, 1 or 2 depending on what new variables are to be created */
 100   int extras;
 101 };
 102
 103 static void run_regression (const struct regression *cmd,
 104                             struct regression_workspace *ws,
 105                             struct casereader *input);
 106
 107
 108 /* Return a string based on PREFIX which may be used as the name
 109    of a new variable in DICT */
 110 static char *
 111 reg_get_name (const struct dictionary *dict, const char *prefix)
 112 {
 113   char *name;
 114   int i;
 115
 116   /* XXX handle too-long prefixes */
 117   name = xmalloc (strlen (prefix) + INT_BUFSIZE_BOUND (i) + 1);
 118   for (i = 1;; i++)
 119     {
 120       sprintf (name, "%s%d", prefix, i);
 121       if (dict_lookup_var (dict, name) == NULL)
 122         return name;
 123     }
 124 }
 125
 126
 127 static const struct variable *
 128 create_aux_var (struct dataset *ds, const char *prefix)
 129 {
 130   struct variable *var;
 131   struct dictionary *dict = dataset_dict (ds);
 132   char *name = reg_get_name (dict, prefix);
 133   var = dict_create_var_assert (dict, name, 0);
 134   free (name);
 135   return var;
 136 }
 137
 138 /* Auxilliary data for transformation when /SAVE is entered */
 139 struct save_trans_data
 140 {
 141   int n_dep_vars;
 142   struct regression_workspace *ws;
 143 };
 144
 145 static bool
 146 save_trans_free (void *aux)
 147 {
 148   struct save_trans_data *save_trans_data = aux;
 149   free (save_trans_data->ws->predvars);
 150   free (save_trans_data->ws->residvars);
 151
 152   casereader_destroy (save_trans_data->ws->reader);
 153   free (save_trans_data->ws);
 154   free (save_trans_data);
 155   return true;
 156 }
 157
 158 static int
 159 save_trans_func (void *aux, struct ccase **c, casenumber x UNUSED)
 160 {
 161   struct save_trans_data *save_trans_data = aux;
 162   struct regression_workspace *ws = save_trans_data->ws;
 163   struct ccase *in =  casereader_read (ws->reader);
 164
 165   if (in)
 166     {
 167       int k;
 168       *c = case_unshare (*c);
 169
 170       for (k = 0; k < save_trans_data->n_dep_vars; ++k)
 171         {
 172           if (ws->pred_idx != -1)
 173             {
 174               double pred = case_data_idx (in, ws->extras * k + ws->pred_idx)->f;
 175               case_data_rw (*c, ws->predvars[k])->f = pred;
 176             }
 177
 178           if (ws->res_idx != -1)
 179             {
 180               double resid = case_data_idx (in, ws->extras * k + ws->res_idx)->f;
 181               case_data_rw (*c, ws->residvars[k])->f = resid;
 182             }
 183         }
 184       case_unref (in);
 185     }
 186
 187   return TRNS_CONTINUE;
 188 }
 189
 190
 191 int
 192 cmd_regression (struct lexer *lexer, struct dataset *ds)
 193 {
 194   struct regression_workspace workspace;
 195   struct regression regression;
 196   const struct dictionary *dict = dataset_dict (ds);
 197   bool save;
 198
 199   memset (&regression, 0, sizeof (struct regression));
 200
 201   regression.ci = 0.95;
 202   regression.stats = STATS_DEFAULT;
 203   regression.pred = false;
 204   regression.resid = false;
 205
 206   regression.ds = ds;
 207
 208   /* Accept an optional, completely pointless "/VARIABLES=" */
 209   lex_match (lexer, T_SLASH);
 210   if (lex_match_id (lexer, "VARIABLES"))
 211     {
 212       if (!lex_force_match (lexer, T_EQUALS))
 213         goto error;
 214     }
 215
 216   if (!parse_variables_const (lexer, dict,
 217                               &regression.vars, &regression.n_vars,
 218                               PV_NO_DUPLICATE | PV_NUMERIC))
 219     goto error;
 220
 221
 222   while (lex_token (lexer) != T_ENDCMD)
 223     {
 224       lex_match (lexer, T_SLASH);
 225
 226       if (lex_match_id (lexer, "DEPENDENT"))
 227         {
 228           if (!lex_force_match (lexer, T_EQUALS))
 229             goto error;
 230
 231           free (regression.dep_vars);
 232           regression.n_dep_vars = 0;
 233
 234           if (!parse_variables_const (lexer, dict,
 235                                       &regression.dep_vars,
 236                                       &regression.n_dep_vars,
 237                                       PV_NO_DUPLICATE | PV_NUMERIC))
 238             goto error;
 239         }
 240       else if (lex_match_id (lexer, "METHOD"))
 241         {
 242           lex_match (lexer, T_EQUALS);
 243
 244           if (!lex_force_match_id (lexer, "ENTER"))
 245             {
 246               goto error;
 247             }
 248         }
 249       else if (lex_match_id (lexer, "STATISTICS"))
 250         {
 251           unsigned long statistics = 0;
 252           lex_match (lexer, T_EQUALS);
 253
 254           while (lex_token (lexer) != T_ENDCMD
 255                  && lex_token (lexer) != T_SLASH)
 256             {
 257               if (lex_match (lexer, T_ALL))
 258                 {
 259                   statistics = ~0;
 260                 }
 261               else if (lex_match_id (lexer, "DEFAULTS"))
 262                 {
 263                   statistics |= STATS_DEFAULT;
 264                 }
 265               else if (lex_match_id (lexer, "R"))
 266                 {
 267                   statistics |= STATS_R;
 268                 }
 269               else if (lex_match_id (lexer, "COEFF"))
 270                 {
 271                   statistics |= STATS_COEFF;
 272                 }
 273               else if (lex_match_id (lexer, "ANOVA"))
 274                 {
 275                   statistics |= STATS_ANOVA;
 276                 }
 277               else if (lex_match_id (lexer, "BCOV"))
 278                 {
 279                   statistics |= STATS_BCOV;
 280                 }
 281               else if (lex_match_id (lexer, "CI"))
 282                 {
 283                   statistics |= STATS_CI;
 284
 285                   if (lex_match (lexer, T_LPAREN))
 286                     {
 287                       regression.ci = lex_number (lexer) / 100.0;
 288                       lex_get (lexer);
 289                       lex_force_match (lexer, T_RPAREN);
 290                     }
 291                 }
 292               else
 293                 {
 294                   lex_error (lexer, NULL);
 295                   goto error;
 296                 }
 297             }
 298
 299           if (statistics)
 300             regression.stats = statistics;
 301
 302         }
 303       else if (lex_match_id (lexer, "SAVE"))
 304         {
 305           lex_match (lexer, T_EQUALS);
 306
 307           while (lex_token (lexer) != T_ENDCMD
 308                  && lex_token (lexer) != T_SLASH)
 309             {
 310               if (lex_match_id (lexer, "PRED"))
 311                 {
 312                   regression.pred = true;
 313                 }
 314               else if (lex_match_id (lexer, "RESID"))
 315                 {
 316                   regression.resid = true;
 317                 }
 318               else
 319                 {
 320                   lex_error (lexer, NULL);
 321                   goto error;
 322                 }
 323             }
 324         }
 325       else
 326         {
 327           lex_error (lexer, NULL);
 328           goto error;
 329         }
 330     }
 331
 332   if (!regression.vars)
 333     {
 334       dict_get_vars (dict, &regression.vars, &regression.n_vars, 0);
 335     }
 336
 337   save = regression.pred || regression.resid;
 338   workspace.extras = 0;
 339   workspace.res_idx = -1;
 340   workspace.pred_idx = -1;
 341   workspace.writer = NULL;
 342   workspace.reader = NULL;
 343   workspace.residvars = NULL;
 344   workspace.predvars = NULL;
 345   if (save)
 346     {
 347       int i;
 348       struct caseproto *proto = caseproto_create ();
 349
 350       if (regression.resid)
 351         {
 352           workspace.extras ++;
 353           workspace.res_idx = 0;
 354           workspace.residvars = xcalloc (regression.n_dep_vars, sizeof (*workspace.residvars));
 355
 356           for (i = 0; i < regression.n_dep_vars; ++i)
 357             {
 358               workspace.residvars[i] = create_aux_var (ds, "RES");
 359               proto = caseproto_add_width (proto, 0);
 360             }
 361         }
 362
 363       if (regression.pred)
 364         {
 365           workspace.extras ++;
 366           workspace.pred_idx = 1;
 367           workspace.predvars = xcalloc (regression.n_dep_vars, sizeof (*workspace.predvars));
 368
 369           for (i = 0; i < regression.n_dep_vars; ++i)
 370             {
 371               workspace.predvars[i] = create_aux_var (ds, "PRED");
 372               proto = caseproto_add_width (proto, 0);
 373             }
 374         }
 375
 376       if (proc_make_temporary_transformations_permanent (ds))
 377         msg (SW, _("REGRESSION with SAVE ignores TEMPORARY.  "
 378                    "Temporary transformations will be made permanent."));
 379
 380       workspace.writer = autopaging_writer_create (proto);
 381       caseproto_unref (proto);
 382     }
 383
 384
 385   {
 386     struct casegrouper *grouper;
 387     struct casereader *group;
 388     bool ok;
 389
 390     grouper = casegrouper_create_splits (proc_open_filtering (ds, !save), dict);
 391
 392
 393     while (casegrouper_get_next_group (grouper, &group))
 394       {
 395         run_regression (&regression,
 396                         &workspace,
 397                         group);
 398
 399       }
 400     ok = casegrouper_destroy (grouper);
 401     ok = proc_commit (ds) && ok;
 402   }
 403
 404   if (workspace.writer)
 405     {
 406       struct save_trans_data *save_trans_data = xmalloc (sizeof *save_trans_data);
 407       struct casereader *r = casewriter_make_reader (workspace.writer);
 408       workspace.writer = NULL;
 409       workspace.reader = r;
 410       save_trans_data->ws = xmalloc (sizeof (workspace));
 411       memcpy (save_trans_data->ws, &workspace, sizeof (workspace));
 412       save_trans_data->n_dep_vars = regression.n_dep_vars;
 413
 414       add_transformation (ds, save_trans_func, save_trans_free, save_trans_data);
 415     }
 416
 417
 418   free (regression.vars);
 419   free (regression.dep_vars);
 420   return CMD_SUCCESS;
 421
 422 error:
 423
 424   free (regression.vars);
 425   free (regression.dep_vars);
 426   return CMD_FAILURE;
 427 }
 428
 429 /* Return the size of the union of dependent and independent variables */
 430 static size_t
 431 get_n_all_vars (const struct regression *cmd)
 432 {
 433   size_t result = cmd->n_vars;
 434   size_t i;
 435   size_t j;
 436
 437   result += cmd->n_dep_vars;
 438   for (i = 0; i < cmd->n_dep_vars; i++)
 439     {
 440       for (j = 0; j < cmd->n_vars; j++)
 441         {
 442           if (cmd->vars[j] == cmd->dep_vars[i])
 443             {
 444               result--;
 445             }
 446         }
 447     }
 448   return result;
 449 }
 450
 451 /* Fill VARS with the union of dependent and independent variables */
 452 static void
 453 fill_all_vars (const struct variable **vars, const struct regression *cmd)
 454 {
 455   size_t x = 0;
 456   size_t i;
 457   for (i = 0; i < cmd->n_vars; i++)
 458     {
 459       vars[i] = cmd->vars[i];
 460     }
 461
 462   for (i = 0; i < cmd->n_dep_vars; i++)
 463     {
 464       size_t j;
 465       bool absent = true;
 466       for (j = 0; j < cmd->n_vars; j++)
 467         {
 468           if (cmd->dep_vars[i] == cmd->vars[j])
 469             {
 470               absent = false;
 471               break;
 472             }
 473         }
 474       if (absent)
 475         {
 476           vars[cmd->n_vars + x++] = cmd->dep_vars[i];
 477         }
 478     }
 479 }
 480
 481 /*
 482   Is variable k the dependent variable?
 483 */
 484 static bool
 485 is_depvar (const struct regression *cmd, size_t k, const struct variable *v)
 486 {
 487   return v == cmd->vars[k];
 488 }
 489
 490
 491 /* Identify the explanatory variables in v_variables.  Returns
 492    the number of independent variables. */
 493 static int
 494 identify_indep_vars (const struct regression *cmd,
 495                      const struct variable **indep_vars,
 496                      const struct variable *depvar)
 497 {
 498   int n_indep_vars = 0;
 499   int i;
 500
 501   for (i = 0; i < cmd->n_vars; i++)
 502     if (!is_depvar (cmd, i, depvar))
 503       indep_vars[n_indep_vars++] = cmd->vars[i];
 504   if ((n_indep_vars < 1) && is_depvar (cmd, 0, depvar))
 505     {
 506       /*
 507          There is only one independent variable, and it is the same
 508          as the dependent variable. Print a warning and continue.
 509        */
 510       msg (SW,
 511            gettext
 512            ("The dependent variable is equal to the independent variable. "
 513             "The least squares line is therefore Y=X. "
 514             "Standard errors and related statistics may be meaningless."));
 515       n_indep_vars = 1;
 516       indep_vars[0] = cmd->vars[0];
 517     }
 518   return n_indep_vars;
 519 }
 520
 521
 522 static double
 523 fill_covariance (gsl_matrix * cov, struct covariance *all_cov,
 524                  const struct variable **vars,
 525                  size_t n_vars, const struct variable *dep_var,
 526                  const struct variable **all_vars, size_t n_all_vars,
 527                  double *means)
 528 {
 529   size_t i;
 530   size_t j;
 531   size_t dep_subscript;
 532   size_t *rows;
 533   const gsl_matrix *ssizes;
 534   const gsl_matrix *mean_matrix;
 535   const gsl_matrix *ssize_matrix;
 536   double result = 0.0;
 537
 538   const gsl_matrix *cm = covariance_calculate_unnormalized (all_cov);
 539
 540   if (cm == NULL)
 541     return 0;
 542
 543   rows = xnmalloc (cov->size1 - 1, sizeof (*rows));
 544
 545   for (i = 0; i < n_all_vars; i++)
 546     {
 547       for (j = 0; j < n_vars; j++)
 548         {
 549           if (vars[j] == all_vars[i])
 550             {
 551               rows[j] = i;
 552             }
 553         }
 554       if (all_vars[i] == dep_var)
 555         {
 556           dep_subscript = i;
 557         }
 558     }
 559   mean_matrix = covariance_moments (all_cov, MOMENT_MEAN);
 560   ssize_matrix = covariance_moments (all_cov, MOMENT_NONE);
 561   for (i = 0; i < cov->size1 - 1; i++)
 562     {
 563       means[i] = gsl_matrix_get (mean_matrix, rows[i], 0)
 564         / gsl_matrix_get (ssize_matrix, rows[i], 0);
 565       for (j = 0; j < cov->size2 - 1; j++)
 566         {
 567           gsl_matrix_set (cov, i, j, gsl_matrix_get (cm, rows[i], rows[j]));
 568           gsl_matrix_set (cov, j, i, gsl_matrix_get (cm, rows[j], rows[i]));
 569         }
 570     }
 571   means[cov->size1 - 1] = gsl_matrix_get (mean_matrix, dep_subscript, 0)
 572     / gsl_matrix_get (ssize_matrix, dep_subscript, 0);
 573   ssizes = covariance_moments (all_cov, MOMENT_NONE);
 574   result = gsl_matrix_get (ssizes, dep_subscript, rows[0]);
 575   for (i = 0; i < cov->size1 - 1; i++)
 576     {
 577       gsl_matrix_set (cov, i, cov->size1 - 1,
 578                       gsl_matrix_get (cm, rows[i], dep_subscript));
 579       gsl_matrix_set (cov, cov->size1 - 1, i,
 580                       gsl_matrix_get (cm, rows[i], dep_subscript));
 581       if (result > gsl_matrix_get (ssizes, rows[i], dep_subscript))
 582         {
 583           result = gsl_matrix_get (ssizes, rows[i], dep_subscript);
 584         }
 585     }
 586   gsl_matrix_set (cov, cov->size1 - 1, cov->size1 - 1,
 587                   gsl_matrix_get (cm, dep_subscript, dep_subscript));
 588   free (rows);
 589   return result;
 590 }
 591
 592 \f
 593
 594 /*
 595   STATISTICS subcommand output functions.
 596 */
 597 static void reg_stats_r (const linreg *,     const struct variable *);
 598 static void reg_stats_coeff (const linreg *, const gsl_matrix *, const struct variable *, const struct regression *);
 599 static void reg_stats_anova (const linreg *, const struct variable *);
 600 static void reg_stats_bcov (const linreg *,  const struct variable *);
 601
 602
 603 static void
 604 subcommand_statistics (const struct regression *cmd, const linreg * c, const gsl_matrix * cm,
 605                        const struct variable *var)
 606 {
 607   if (cmd->stats & STATS_R)
 608     reg_stats_r     (c, var);
 609
 610   if (cmd->stats & STATS_ANOVA)
 611     reg_stats_anova (c, var);
 612
 613   if (cmd->stats & STATS_COEFF)
 614     reg_stats_coeff (c, cm, var, cmd);
 615
 616   if (cmd->stats & STATS_BCOV)
 617     reg_stats_bcov  (c, var);
 618 }
 619
 620
 621 static void
 622 run_regression (const struct regression *cmd,
 623                 struct regression_workspace *ws,
 624                 struct casereader *input)
 625 {
 626   size_t i;
 627   linreg **models;
 628
 629   int k;
 630   struct ccase *c;
 631   struct covariance *cov;
 632   struct casereader *reader;
 633   size_t n_all_vars = get_n_all_vars (cmd);
 634   const struct variable **all_vars = xnmalloc (n_all_vars, sizeof (*all_vars));
 635
 636   double *means = xnmalloc (n_all_vars, sizeof (*means));
 637
 638   fill_all_vars (all_vars, cmd);
 639   cov = covariance_1pass_create (n_all_vars, all_vars,
 640                                  dict_get_weight (dataset_dict (cmd->ds)),
 641                                  MV_ANY);
 642
 643   reader = casereader_clone (input);
 644   reader = casereader_create_filter_missing (reader, all_vars, n_all_vars,
 645                                              MV_ANY, NULL, NULL);
 646
 647
 648   {
 649     struct casereader *r = casereader_clone (reader);
 650
 651     for (; (c = casereader_read (r)) != NULL; case_unref (c))
 652       {
 653         covariance_accumulate (cov, c);
 654       }
 655     casereader_destroy (r);
 656   }
 657
 658   models = xcalloc (cmd->n_dep_vars, sizeof (*models));
 659   for (k = 0; k < cmd->n_dep_vars; k++)
 660     {
 661       const struct variable **vars = xnmalloc (cmd->n_vars, sizeof (*vars));
 662       const struct variable *dep_var = cmd->dep_vars[k];
 663       int n_indep = identify_indep_vars (cmd, vars, dep_var);
 664       gsl_matrix *this_cm = gsl_matrix_alloc (n_indep + 1, n_indep + 1);
 665       double n_data = fill_covariance (this_cm, cov, vars, n_indep,
 666                                 dep_var, all_vars, n_all_vars, means);
 667       models[k] = linreg_alloc (dep_var, vars,  n_data, n_indep);
 668       models[k]->depvar = dep_var;
 669       for (i = 0; i < n_indep; i++)
 670         {
 671           linreg_set_indep_variable_mean (models[k], i, means[i]);
 672         }
 673       linreg_set_depvar_mean (models[k], means[i]);
 674       /*
 675          For large data sets, use QR decomposition.
 676        */
 677       if (n_data > sqrt (n_indep) && n_data > REG_LARGE_DATA)
 678         {
 679           models[k]->method = LINREG_QR;
 680         }
 681
 682       if (n_data > 0)
 683         {
 684           /*
 685              Find the least-squares estimates and other statistics.
 686            */
 687           linreg_fit (this_cm, models[k]);
 688
 689           if (!taint_has_tainted_successor (casereader_get_taint (input)))
 690             {
 691               subcommand_statistics (cmd, models[k], this_cm, dep_var);
 692             }
 693         }
 694       else
 695         {
 696           msg (SE, _("No valid data found. This command was skipped."));
 697         }
 698       gsl_matrix_free (this_cm);
 699       free (vars);
 700     }
 701
 702
 703   if (ws->extras > 0)
 704    {
 705       struct casereader *r = casereader_clone (reader);
 706
 707       for (; (c = casereader_read (r)) != NULL; case_unref (c))
 708         {
 709           struct ccase *outc = case_clone (c);
 710           for (k = 0; k < cmd->n_dep_vars; k++)
 711             {
 712               const struct variable **vars = xnmalloc (cmd->n_vars, sizeof (*vars));
 713               const struct variable *dep_var = cmd->dep_vars[k];
 714               int n_indep = identify_indep_vars (cmd, vars, dep_var);
 715               double *vals = xnmalloc (n_indep, sizeof (*vals));
 716               for (i = 0; i < n_indep; i++)
 717                 {
 718                   const union value *tmp = case_data (c, vars[i]);
 719                   vals[i] = tmp->f;
 720                 }
 721
 722               if (cmd->pred)
 723                 {
 724                   double pred = linreg_predict (models[k], vals, n_indep);
 725                   case_data_rw_idx (outc, k * ws->extras + ws->pred_idx)->f = pred;
 726                 }
 727
 728               if (cmd->resid)
 729                 {
 730                   double obs = case_data (c, models[k]->depvar)->f;
 731                   double res = linreg_residual (models[k], obs,  vals, n_indep);
 732                   case_data_rw_idx (outc, k * ws->extras + ws->res_idx)->f = res;
 733                 }
 734               free (vals);
 735               free (vars);
 736             }
 737           casewriter_write (ws->writer, outc);
 738         }
 739       casereader_destroy (r);
 740     }
 741
 742   casereader_destroy (reader);
 743
 744   for (k = 0; k < cmd->n_dep_vars; k++)
 745     {
 746       linreg_unref (models[k]);
 747     }
 748   free (models);
 749
 750   free (all_vars);
 751   free (means);
 752   casereader_destroy (input);
 753   covariance_destroy (cov);
 754 }
 755
 756 \f
 757
 758
 759 static void
 760 reg_stats_r (const linreg * c, const struct variable *var)
 761 {
 762   struct tab_table *t;
 763   int n_rows = 2;
 764   int n_cols = 5;
 765   double rsq;
 766   double adjrsq;
 767   double std_error;
 768
 769   assert (c != NULL);
 770   rsq = linreg_ssreg (c) / linreg_sst (c);
 771   adjrsq = rsq -
 772     (1.0 - rsq) * linreg_n_coeffs (c) / (linreg_n_obs (c) -
 773                                          linreg_n_coeffs (c) - 1);
 774   std_error = sqrt (linreg_mse (c));
 775   t = tab_create (n_cols, n_rows);
 776   tab_box (t, TAL_2, TAL_2, -1, TAL_1, 0, 0, n_cols - 1, n_rows - 1);
 777   tab_hline (t, TAL_2, 0, n_cols - 1, 1);
 778   tab_vline (t, TAL_2, 2, 0, n_rows - 1);
 779   tab_vline (t, TAL_0, 1, 0, 0);
 780
 781   tab_text (t, 1, 0, TAB_CENTER | TAT_TITLE, _("R"));
 782   tab_text (t, 2, 0, TAB_CENTER | TAT_TITLE, _("R Square"));
 783   tab_text (t, 3, 0, TAB_CENTER | TAT_TITLE, _("Adjusted R Square"));
 784   tab_text (t, 4, 0, TAB_CENTER | TAT_TITLE, _("Std. Error of the Estimate"));
 785   tab_double (t, 1, 1, TAB_RIGHT, sqrt (rsq), NULL, RC_OTHER);
 786   tab_double (t, 2, 1, TAB_RIGHT, rsq, NULL, RC_OTHER);
 787   tab_double (t, 3, 1, TAB_RIGHT, adjrsq, NULL, RC_OTHER);
 788   tab_double (t, 4, 1, TAB_RIGHT, std_error, NULL, RC_OTHER);
 789   tab_title (t, _("Model Summary (%s)"), var_to_string (var));
 790   tab_submit (t);
 791 }
 792
 793 /*
 794   Table showing estimated regression coefficients.
 795 */
 796 static void
 797 reg_stats_coeff (const linreg * c, const gsl_matrix *cov, const struct variable *var, const struct regression *cmd)
 798 {
 799   size_t j;
 800   int n_cols = 7;
 801   const int heading_rows = 2;
 802   int n_rows;
 803   int this_row;
 804   double t_stat;
 805   double pval;
 806   double std_err;
 807   double beta;
 808   const char *label;
 809
 810   const struct variable *v;
 811   struct tab_table *t;
 812
 813   const double df = linreg_n_obs (c) - linreg_n_coeffs (c) - 1;
 814   double q = (1 - cmd->ci) / 2.0;  /* 2-tailed test */
 815   double tval = gsl_cdf_tdist_Qinv (q, df);
 816
 817   assert (c != NULL);
 818   n_rows = linreg_n_coeffs (c) + heading_rows + 1;
 819
 820   if (cmd->stats & STATS_CI)
 821     n_cols += 2;
 822
 823   t = tab_create (n_cols, n_rows);
 824   tab_headers (t, 2, 0, 1, 0);
 825   tab_box (t, TAL_2, TAL_2, -1, TAL_1, 0, 0, n_cols - 1, n_rows - 1);
 826   tab_hline (t, TAL_2, 0, n_cols - 1, heading_rows);
 827   tab_vline (t, TAL_2, 2, 0, n_rows - 1);
 828   tab_vline (t, TAL_0, 1, 0, 0);
 829
 830
 831   tab_hline (t, TAL_1, 2, 4, 1);
 832   tab_joint_text (t, 2, 0, 3, 0, TAB_CENTER | TAT_TITLE, _("Unstandardized Coefficients"));
 833   tab_text (t, 2, 1, TAB_CENTER | TAT_TITLE, _("B"));
 834   tab_text (t, 3, 1, TAB_CENTER | TAT_TITLE, _("Std. Error"));
 835   tab_text (t, 4, 0, TAB_CENTER | TAT_TITLE, _("Standardized Coefficients"));
 836   tab_text (t, 4, 1, TAB_CENTER | TAT_TITLE, _("Beta"));
 837   tab_text (t, 5, 1, TAB_CENTER | TAT_TITLE, _("t"));
 838   tab_text (t, 6, 1, TAB_CENTER | TAT_TITLE, _("Sig."));
 839   tab_text (t, 1, heading_rows, TAB_LEFT | TAT_TITLE, _("(Constant)"));
 840   tab_double (t, 2, heading_rows, 0, linreg_intercept (c), NULL, RC_OTHER);
 841   std_err = sqrt (gsl_matrix_get (linreg_cov (c), 0, 0));
 842
 843   if (cmd->stats & STATS_CI)
 844     {
 845       double lower = linreg_intercept (c) - tval * std_err ;
 846       double upper = linreg_intercept (c) + tval * std_err ;
 847       tab_double (t, 7, heading_rows, 0, lower, NULL, RC_OTHER);
 848       tab_double (t, 8, heading_rows, 0, upper, NULL, RC_OTHER);
 849
 850       tab_joint_text_format (t, 7, 0, 8, 0, TAB_CENTER | TAT_TITLE, _("%g%% Confidence Interval for B"), cmd->ci * 100);
 851       tab_hline (t, TAL_1, 7, 8, 1);
 852       tab_text (t, 7, 1, TAB_CENTER | TAT_TITLE, _("Lower Bound"));
 853       tab_text (t, 8, 1, TAB_CENTER | TAT_TITLE, _("Upper Bound"));
 854     }
 855   tab_double (t, 3, heading_rows, 0, std_err, NULL, RC_OTHER);
 856   tab_double (t, 4, heading_rows, 0, 0.0, NULL, RC_OTHER);
 857   t_stat = linreg_intercept (c) / std_err;
 858   tab_double (t, 5, heading_rows, 0, t_stat, NULL, RC_OTHER);
 859   pval =
 860     2 * gsl_cdf_tdist_Q (fabs (t_stat),
 861                          (double) (linreg_n_obs (c) - linreg_n_coeffs (c)));
 862   tab_double (t, 6, heading_rows, 0, pval, NULL, RC_PVALUE);
 863
 864   for (j = 0; j < linreg_n_coeffs (c); j++)
 865     {
 866       struct string tstr;
 867       ds_init_empty (&tstr);
 868       this_row = j + heading_rows + 1;
 869
 870       v = linreg_indep_var (c, j);
 871       label = var_to_string (v);
 872       /* Do not overwrite the variable's name. */
 873       ds_put_cstr (&tstr, label);
 874       tab_text (t, 1, this_row, TAB_LEFT, ds_cstr (&tstr));
 875       /*
 876          Regression coefficients.
 877        */
 878       tab_double (t, 2, this_row, 0, linreg_coeff (c, j), NULL, RC_OTHER);
 879       /*
 880          Standard error of the coefficients.
 881        */
 882       std_err = sqrt (gsl_matrix_get (linreg_cov (c), j + 1, j + 1));
 883       tab_double (t, 3, this_row, 0, std_err, NULL, RC_OTHER);
 884       /*
 885          Standardized coefficient, i.e., regression coefficient
 886          if all variables had unit variance.
 887        */
 888       beta = sqrt (gsl_matrix_get (cov, j, j));
 889       beta *= linreg_coeff (c, j) /
 890         sqrt (gsl_matrix_get (cov, cov->size1 - 1, cov->size2 - 1));
 891       tab_double (t, 4, this_row, 0, beta, NULL, RC_OTHER);
 892
 893       /*
 894          Test statistic for H0: coefficient is 0.
 895        */
 896       t_stat = linreg_coeff (c, j) / std_err;
 897       tab_double (t, 5, this_row, 0, t_stat, NULL, RC_OTHER);
 898       /*
 899          P values for the test statistic above.
 900        */
 901       pval = 2 * gsl_cdf_tdist_Q (fabs (t_stat), df);
 902       tab_double (t, 6, this_row, 0, pval, NULL, RC_PVALUE);
 903       ds_destroy (&tstr);
 904
 905       if (cmd->stats & STATS_CI)
 906         {
 907           double lower = linreg_coeff (c, j)  - tval * std_err ;
 908           double upper = linreg_coeff (c, j)  + tval * std_err ;
 909
 910           tab_double (t, 7, this_row, 0, lower, NULL, RC_OTHER);
 911           tab_double (t, 8, this_row, 0, upper, NULL, RC_OTHER);
 912         }
 913     }
 914   tab_title (t, _("Coefficients (%s)"), var_to_string (var));
 915   tab_submit (t);
 916 }
 917
 918 /*
 919   Display the ANOVA table.
 920 */
 921 static void
 922 reg_stats_anova (const linreg * c, const struct variable *var)
 923 {
 924   int n_cols = 7;
 925   int n_rows = 4;
 926   const double msm = linreg_ssreg (c) / linreg_dfmodel (c);
 927   const double mse = linreg_mse (c);
 928   const double F = msm / mse;
 929   const double pval = gsl_cdf_fdist_Q (F, c->dfm, c->dfe);
 930
 931   struct tab_table *t;
 932
 933   assert (c != NULL);
 934   t = tab_create (n_cols, n_rows);
 935   tab_headers (t, 2, 0, 1, 0);
 936
 937   tab_box (t, TAL_2, TAL_2, -1, TAL_1, 0, 0, n_cols - 1, n_rows - 1);
 938
 939   tab_hline (t, TAL_2, 0, n_cols - 1, 1);
 940   tab_vline (t, TAL_2, 2, 0, n_rows - 1);
 941   tab_vline (t, TAL_0, 1, 0, 0);
 942
 943   tab_text (t, 2, 0, TAB_CENTER | TAT_TITLE, _("Sum of Squares"));
 944   tab_text (t, 3, 0, TAB_CENTER | TAT_TITLE, _("df"));
 945   tab_text (t, 4, 0, TAB_CENTER | TAT_TITLE, _("Mean Square"));
 946   tab_text (t, 5, 0, TAB_CENTER | TAT_TITLE, _("F"));
 947   tab_text (t, 6, 0, TAB_CENTER | TAT_TITLE, _("Sig."));
 948
 949   tab_text (t, 1, 1, TAB_LEFT | TAT_TITLE, _("Regression"));
 950   tab_text (t, 1, 2, TAB_LEFT | TAT_TITLE, _("Residual"));
 951   tab_text (t, 1, 3, TAB_LEFT | TAT_TITLE, _("Total"));
 952
 953   /* Sums of Squares */
 954   tab_double (t, 2, 1, 0, linreg_ssreg (c), NULL, RC_OTHER);
 955   tab_double (t, 2, 3, 0, linreg_sst (c), NULL, RC_OTHER);
 956   tab_double (t, 2, 2, 0, linreg_sse (c), NULL, RC_OTHER);
 957
 958
 959   /* Degrees of freedom */
 960   tab_text_format (t, 3, 1, TAB_RIGHT, "%.*g", DBL_DIG + 1, c->dfm);
 961   tab_text_format (t, 3, 2, TAB_RIGHT, "%.*g", DBL_DIG + 1, c->dfe);
 962   tab_text_format (t, 3, 3, TAB_RIGHT, "%.*g", DBL_DIG + 1, c->dft);
 963
 964   /* Mean Squares */
 965   tab_double (t, 4, 1, TAB_RIGHT, msm, NULL, RC_OTHER);
 966   tab_double (t, 4, 2, TAB_RIGHT, mse, NULL, RC_OTHER);
 967
 968   tab_double (t, 5, 1, 0, F, NULL, RC_OTHER);
 969
 970   tab_double (t, 6, 1, 0, pval, NULL, RC_PVALUE);
 971
 972   tab_title (t, _("ANOVA (%s)"), var_to_string (var));
 973   tab_submit (t);
 974 }
 975
 976
 977 static void
 978 reg_stats_bcov (const linreg * c, const struct variable *var)
 979 {
 980   int n_cols;
 981   int n_rows;
 982   int i;
 983   int k;
 984   int row;
 985   int col;
 986   const char *label;
 987   struct tab_table *t;
 988
 989   assert (c != NULL);
 990   n_cols = c->n_indeps + 1 + 2;
 991   n_rows = 2 * (c->n_indeps + 1);
 992   t = tab_create (n_cols, n_rows);
 993   tab_headers (t, 2, 0, 1, 0);
 994   tab_box (t, TAL_2, TAL_2, -1, TAL_1, 0, 0, n_cols - 1, n_rows - 1);
 995   tab_hline (t, TAL_2, 0, n_cols - 1, 1);
 996   tab_vline (t, TAL_2, 2, 0, n_rows - 1);
 997   tab_vline (t, TAL_0, 1, 0, 0);
 998   tab_text (t, 0, 0, TAB_CENTER | TAT_TITLE, _("Model"));
 999   tab_text (t, 1, 1, TAB_CENTER | TAT_TITLE, _("Covariances"));
1000   for (i = 0; i < linreg_n_coeffs (c); i++)
1001     {
1002       const struct variable *v = linreg_indep_var (c, i);
1003       label = var_to_string (v);
1004       tab_text (t, 2, i, TAB_CENTER, label);
1005       tab_text (t, i + 2, 0, TAB_CENTER, label);
1006       for (k = 1; k < linreg_n_coeffs (c); k++)
1007         {
1008           col = (i <= k) ? k : i;
1009           row = (i <= k) ? i : k;
1010           tab_double (t, k + 2, i, TAB_CENTER,
1011                       gsl_matrix_get (c->cov, row, col), NULL, RC_OTHER);
1012         }
1013     }
1014   tab_title (t, _("Coefficient Correlations (%s)"), var_to_string (var));
1015   tab_submit (t);
1016 }
1017