chart: Fix format string issues in chart_write_title callers.
[pspp] / src / language / stats / regression.q
1 /* PSPP - a program for statistical analysis.
2    Copyright (C) 2005 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 <gsl/gsl_cdf.h>
20 #include <gsl/gsl_matrix.h>
21 #include <gsl/gsl_vector.h>
22 #include <math.h>
23 #include <stdlib.h>
24
25 #include <data/case.h>
26 #include <data/casegrouper.h>
27 #include <data/casereader.h>
28 #include <data/category.h>
29 #include <data/dictionary.h>
30 #include <data/missing-values.h>
31 #include <data/procedure.h>
32 #include <data/transformations.h>
33 #include <data/value-labels.h>
34 #include <data/variable.h>
35 #include <language/command.h>
36 #include <language/dictionary/split-file.h>
37 #include <language/data-io/file-handle.h>
38 #include <language/lexer/lexer.h>
39 #include <libpspp/compiler.h>
40 #include <libpspp/message.h>
41 #include <libpspp/taint.h>
42 #include <math/design-matrix.h>
43 #include <math/coefficient.h>
44 #include <math/linreg.h>
45 #include <math/moments.h>
46 #include <output/table.h>
47
48 #include "xalloc.h"
49
50 #include "gettext.h"
51 #define _(msgid) gettext (msgid)
52
53 #define REG_LARGE_DATA 1000
54
55 /* (headers) */
56
57 /* (specification)
58    "REGRESSION" (regression_):
59    *variables=custom;
60    +statistics[st_]=r,
61                     coeff,
62                     anova,
63                     outs,
64                     zpp,
65                     label,
66                     sha,
67                     ci,
68                     bcov,
69                     ses,
70                     xtx,
71                     collin,
72                     tol,
73                     selection,
74                     f,
75                     defaults,
76                     all;
77    ^dependent=varlist;
78    +save[sv_]=resid,pred;
79    +method=enter.
80 */
81 /* (declarations) */
82 /* (functions) */
83 static struct cmd_regression cmd;
84
85 /*
86   Moments for each of the variables used.
87  */
88 struct moments_var
89 {
90   struct moments1 *m;
91   const struct variable *v;
92 };
93
94 /*
95   Transformations for saving predicted values
96   and residuals, etc.
97  */
98 struct reg_trns
99 {
100   int n_trns;                   /* Number of transformations. */
101   int trns_id;                  /* Which trns is this one? */
102   pspp_linreg_cache *c;         /* Linear model for this trns. */
103 };
104 /*
105   Variables used (both explanatory and response).
106  */
107 static const struct variable **v_variables;
108
109 /*
110   Number of variables.
111  */
112 static size_t n_variables;
113
114 static bool run_regression (struct casereader *, struct cmd_regression *,
115                             struct dataset *, pspp_linreg_cache **);
116
117 /*
118    STATISTICS subcommand output functions.
119  */
120 static void reg_stats_r (pspp_linreg_cache *);
121 static void reg_stats_coeff (pspp_linreg_cache *);
122 static void reg_stats_anova (pspp_linreg_cache *);
123 static void reg_stats_outs (pspp_linreg_cache *);
124 static void reg_stats_zpp (pspp_linreg_cache *);
125 static void reg_stats_label (pspp_linreg_cache *);
126 static void reg_stats_sha (pspp_linreg_cache *);
127 static void reg_stats_ci (pspp_linreg_cache *);
128 static void reg_stats_f (pspp_linreg_cache *);
129 static void reg_stats_bcov (pspp_linreg_cache *);
130 static void reg_stats_ses (pspp_linreg_cache *);
131 static void reg_stats_xtx (pspp_linreg_cache *);
132 static void reg_stats_collin (pspp_linreg_cache *);
133 static void reg_stats_tol (pspp_linreg_cache *);
134 static void reg_stats_selection (pspp_linreg_cache *);
135 static void statistics_keyword_output (void (*)(pspp_linreg_cache *),
136                                        int, pspp_linreg_cache *);
137
138 static void
139 reg_stats_r (pspp_linreg_cache * c)
140 {
141   struct tab_table *t;
142   int n_rows = 2;
143   int n_cols = 5;
144   double rsq;
145   double adjrsq;
146   double std_error;
147
148   assert (c != NULL);
149   rsq = c->ssm / c->sst;
150   adjrsq = 1.0 - (1.0 - rsq) * (c->n_obs - 1.0) / (c->n_obs - c->n_indeps);
151   std_error = sqrt (pspp_linreg_mse (c));
152   t = tab_create (n_cols, n_rows, 0);
153   tab_dim (t, tab_natural_dimensions);
154   tab_box (t, TAL_2, TAL_2, -1, TAL_1, 0, 0, n_cols - 1, n_rows - 1);
155   tab_hline (t, TAL_2, 0, n_cols - 1, 1);
156   tab_vline (t, TAL_2, 2, 0, n_rows - 1);
157   tab_vline (t, TAL_0, 1, 0, 0);
158
159   tab_text (t, 1, 0, TAB_CENTER | TAT_TITLE, _("R"));
160   tab_text (t, 2, 0, TAB_CENTER | TAT_TITLE, _("R Square"));
161   tab_text (t, 3, 0, TAB_CENTER | TAT_TITLE, _("Adjusted R Square"));
162   tab_text (t, 4, 0, TAB_CENTER | TAT_TITLE, _("Std. Error of the Estimate"));
163   tab_double (t, 1, 1, TAB_RIGHT, sqrt (rsq), NULL);
164   tab_double (t, 2, 1, TAB_RIGHT, rsq, NULL);
165   tab_double (t, 3, 1, TAB_RIGHT, adjrsq, NULL);
166   tab_double (t, 4, 1, TAB_RIGHT, std_error, NULL);
167   tab_title (t, _("Model Summary"));
168   tab_submit (t);
169 }
170
171 /*
172   Table showing estimated regression coefficients.
173  */
174 static void
175 reg_stats_coeff (pspp_linreg_cache * c)
176 {
177   size_t j;
178   int n_cols = 7;
179   int n_rows;
180   int this_row;
181   double t_stat;
182   double pval;
183   double std_err;
184   double beta;
185   const char *label;
186
187   const struct variable *v;
188   const union value *val;
189   struct tab_table *t;
190
191   assert (c != NULL);
192   n_rows = c->n_coeffs + 3;
193
194   t = tab_create (n_cols, n_rows, 0);
195   tab_headers (t, 2, 0, 1, 0);
196   tab_dim (t, tab_natural_dimensions);
197   tab_box (t, TAL_2, TAL_2, -1, TAL_1, 0, 0, n_cols - 1, n_rows - 1);
198   tab_hline (t, TAL_2, 0, n_cols - 1, 1);
199   tab_vline (t, TAL_2, 2, 0, n_rows - 1);
200   tab_vline (t, TAL_0, 1, 0, 0);
201
202   tab_text (t, 2, 0, TAB_CENTER | TAT_TITLE, _("B"));
203   tab_text (t, 3, 0, TAB_CENTER | TAT_TITLE, _("Std. Error"));
204   tab_text (t, 4, 0, TAB_CENTER | TAT_TITLE, _("Beta"));
205   tab_text (t, 5, 0, TAB_CENTER | TAT_TITLE, _("t"));
206   tab_text (t, 6, 0, TAB_CENTER | TAT_TITLE, _("Significance"));
207   tab_text (t, 1, 1, TAB_LEFT | TAT_TITLE, _("(Constant)"));
208   tab_double (t, 2, 1, 0, c->intercept, NULL);
209   std_err = sqrt (gsl_matrix_get (c->cov, 0, 0));
210   tab_double (t, 3, 1, 0, std_err, NULL);
211   tab_double (t, 4, 1, 0, 0.0, NULL);
212   t_stat = c->intercept / std_err;
213   tab_double (t, 5, 1, 0, t_stat, NULL);
214   pval = 2 * gsl_cdf_tdist_Q (fabs (t_stat), 1.0);
215   tab_double (t, 6, 1, 0, pval, NULL);
216   for (j = 0; j < c->n_coeffs; j++)
217     {
218       struct string tstr;
219       ds_init_empty (&tstr);
220       this_row = j + 2;
221
222       v = pspp_coeff_get_var (c->coeff[j], 0);
223       label = var_to_string (v);
224       /* Do not overwrite the variable's name. */
225       ds_put_cstr (&tstr, label);
226       if (var_is_alpha (v))
227         {
228           /*
229              Append the value associated with this coefficient.
230              This makes sense only if we us the usual binary encoding
231              for that value.
232            */
233
234           val = pspp_coeff_get_value (c->coeff[j], v);
235
236           var_append_value_name (v, val, &tstr);
237         }
238
239       tab_text (t, 1, this_row, TAB_CENTER, ds_cstr (&tstr));
240       /*
241          Regression coefficients.
242        */
243       tab_double (t, 2, this_row, 0, c->coeff[j]->estimate, NULL);
244       /*
245          Standard error of the coefficients.
246        */
247       std_err = sqrt (gsl_matrix_get (c->cov, j + 1, j + 1));
248       tab_double (t, 3, this_row, 0, std_err, NULL);
249       /*
250          Standardized coefficient, i.e., regression coefficient
251          if all variables had unit variance.
252        */
253       beta = pspp_coeff_get_sd (c->coeff[j]);
254       beta *= c->coeff[j]->estimate / c->depvar_std;
255       tab_double (t, 4, this_row, 0, beta, NULL);
256
257       /*
258          Test statistic for H0: coefficient is 0.
259        */
260       t_stat = c->coeff[j]->estimate / std_err;
261       tab_double (t, 5, this_row, 0, t_stat, NULL);
262       /*
263          P values for the test statistic above.
264        */
265       pval =
266         2 * gsl_cdf_tdist_Q (fabs (t_stat),
267                              (double) (c->n_obs - c->n_coeffs));
268       tab_double (t, 6, this_row, 0, pval, NULL);
269       ds_destroy (&tstr);
270     }
271   tab_title (t, _("Coefficients"));
272   tab_submit (t);
273 }
274
275 /*
276   Display the ANOVA table.
277  */
278 static void
279 reg_stats_anova (pspp_linreg_cache * c)
280 {
281   int n_cols = 7;
282   int n_rows = 4;
283   const double msm = c->ssm / c->dfm;
284   const double mse = pspp_linreg_mse (c);
285   const double F = msm / mse;
286   const double pval = gsl_cdf_fdist_Q (F, c->dfm, c->dfe);
287
288   struct tab_table *t;
289
290   assert (c != NULL);
291   t = tab_create (n_cols, n_rows, 0);
292   tab_headers (t, 2, 0, 1, 0);
293   tab_dim (t, tab_natural_dimensions);
294
295   tab_box (t, TAL_2, TAL_2, -1, TAL_1, 0, 0, n_cols - 1, n_rows - 1);
296
297   tab_hline (t, TAL_2, 0, n_cols - 1, 1);
298   tab_vline (t, TAL_2, 2, 0, n_rows - 1);
299   tab_vline (t, TAL_0, 1, 0, 0);
300
301   tab_text (t, 2, 0, TAB_CENTER | TAT_TITLE, _("Sum of Squares"));
302   tab_text (t, 3, 0, TAB_CENTER | TAT_TITLE, _("df"));
303   tab_text (t, 4, 0, TAB_CENTER | TAT_TITLE, _("Mean Square"));
304   tab_text (t, 5, 0, TAB_CENTER | TAT_TITLE, _("F"));
305   tab_text (t, 6, 0, TAB_CENTER | TAT_TITLE, _("Significance"));
306
307   tab_text (t, 1, 1, TAB_LEFT | TAT_TITLE, _("Regression"));
308   tab_text (t, 1, 2, TAB_LEFT | TAT_TITLE, _("Residual"));
309   tab_text (t, 1, 3, TAB_LEFT | TAT_TITLE, _("Total"));
310
311   /* Sums of Squares */
312   tab_double (t, 2, 1, 0, c->ssm, NULL);
313   tab_double (t, 2, 3, 0, c->sst, NULL);
314   tab_double (t, 2, 2, 0, c->sse, NULL);
315
316
317   /* Degrees of freedom */
318   tab_text (t, 3, 1, TAB_RIGHT | TAT_PRINTF, "%g", c->dfm);
319   tab_text (t, 3, 2, TAB_RIGHT | TAT_PRINTF, "%g", c->dfe);
320   tab_text (t, 3, 3, TAB_RIGHT | TAT_PRINTF, "%g", c->dft);
321
322   /* Mean Squares */
323   tab_double (t, 4, 1, TAB_RIGHT, msm, NULL);
324   tab_double (t, 4, 2, TAB_RIGHT, mse, NULL);
325
326   tab_double (t, 5, 1, 0, F, NULL);
327
328   tab_double (t, 6, 1, 0, pval, NULL);
329
330   tab_title (t, _("ANOVA"));
331   tab_submit (t);
332 }
333
334 static void
335 reg_stats_outs (pspp_linreg_cache * c)
336 {
337   assert (c != NULL);
338 }
339
340 static void
341 reg_stats_zpp (pspp_linreg_cache * c)
342 {
343   assert (c != NULL);
344 }
345
346 static void
347 reg_stats_label (pspp_linreg_cache * c)
348 {
349   assert (c != NULL);
350 }
351
352 static void
353 reg_stats_sha (pspp_linreg_cache * c)
354 {
355   assert (c != NULL);
356 }
357 static void
358 reg_stats_ci (pspp_linreg_cache * c)
359 {
360   assert (c != NULL);
361 }
362 static void
363 reg_stats_f (pspp_linreg_cache * c)
364 {
365   assert (c != NULL);
366 }
367 static void
368 reg_stats_bcov (pspp_linreg_cache * c)
369 {
370   int n_cols;
371   int n_rows;
372   int i;
373   int k;
374   int row;
375   int col;
376   const char *label;
377   struct tab_table *t;
378
379   assert (c != NULL);
380   n_cols = c->n_indeps + 1 + 2;
381   n_rows = 2 * (c->n_indeps + 1);
382   t = tab_create (n_cols, n_rows, 0);
383   tab_headers (t, 2, 0, 1, 0);
384   tab_dim (t, tab_natural_dimensions);
385   tab_box (t, TAL_2, TAL_2, -1, TAL_1, 0, 0, n_cols - 1, n_rows - 1);
386   tab_hline (t, TAL_2, 0, n_cols - 1, 1);
387   tab_vline (t, TAL_2, 2, 0, n_rows - 1);
388   tab_vline (t, TAL_0, 1, 0, 0);
389   tab_text (t, 0, 0, TAB_CENTER | TAT_TITLE, _("Model"));
390   tab_text (t, 1, 1, TAB_CENTER | TAT_TITLE, _("Covariances"));
391   for (i = 0; i < c->n_coeffs; i++)
392     {
393       const struct variable *v = pspp_coeff_get_var (c->coeff[i], 0);
394       label = var_to_string (v);
395       tab_text (t, 2, i, TAB_CENTER, label);
396       tab_text (t, i + 2, 0, TAB_CENTER, label);
397       for (k = 1; k < c->n_coeffs; k++)
398         {
399           col = (i <= k) ? k : i;
400           row = (i <= k) ? i : k;
401           tab_double (t, k + 2, i, TAB_CENTER,
402                      gsl_matrix_get (c->cov, row, col), NULL);
403         }
404     }
405   tab_title (t, _("Coefficient Correlations"));
406   tab_submit (t);
407 }
408 static void
409 reg_stats_ses (pspp_linreg_cache * c)
410 {
411   assert (c != NULL);
412 }
413 static void
414 reg_stats_xtx (pspp_linreg_cache * c)
415 {
416   assert (c != NULL);
417 }
418 static void
419 reg_stats_collin (pspp_linreg_cache * c)
420 {
421   assert (c != NULL);
422 }
423 static void
424 reg_stats_tol (pspp_linreg_cache * c)
425 {
426   assert (c != NULL);
427 }
428 static void
429 reg_stats_selection (pspp_linreg_cache * c)
430 {
431   assert (c != NULL);
432 }
433
434 static void
435 statistics_keyword_output (void (*function) (pspp_linreg_cache *),
436                            int keyword, pspp_linreg_cache * c)
437 {
438   if (keyword)
439     {
440       (*function) (c);
441     }
442 }
443
444 static void
445 subcommand_statistics (int *keywords, pspp_linreg_cache * c)
446 {
447   /*
448      The order here must match the order in which the STATISTICS
449      keywords appear in the specification section above.
450    */
451   enum
452   { r,
453     coeff,
454     anova,
455     outs,
456     zpp,
457     label,
458     sha,
459     ci,
460     bcov,
461     ses,
462     xtx,
463     collin,
464     tol,
465     selection,
466     f,
467     defaults,
468     all
469   };
470   int i;
471   int d = 1;
472
473   if (keywords[all])
474     {
475       /*
476          Set everything but F.
477        */
478       for (i = 0; i < f; i++)
479         {
480           keywords[i] = 1;
481         }
482     }
483   else
484     {
485       for (i = 0; i < all; i++)
486         {
487           if (keywords[i])
488             {
489               d = 0;
490             }
491         }
492       /*
493          Default output: ANOVA table, parameter estimates,
494          and statistics for variables not entered into model,
495          if appropriate.
496        */
497       if (keywords[defaults] | d)
498         {
499           keywords[anova] = 1;
500           keywords[outs] = 1;
501           keywords[coeff] = 1;
502           keywords[r] = 1;
503         }
504     }
505   statistics_keyword_output (reg_stats_r, keywords[r], c);
506   statistics_keyword_output (reg_stats_anova, keywords[anova], c);
507   statistics_keyword_output (reg_stats_coeff, keywords[coeff], c);
508   statistics_keyword_output (reg_stats_outs, keywords[outs], c);
509   statistics_keyword_output (reg_stats_zpp, keywords[zpp], c);
510   statistics_keyword_output (reg_stats_label, keywords[label], c);
511   statistics_keyword_output (reg_stats_sha, keywords[sha], c);
512   statistics_keyword_output (reg_stats_ci, keywords[ci], c);
513   statistics_keyword_output (reg_stats_f, keywords[f], c);
514   statistics_keyword_output (reg_stats_bcov, keywords[bcov], c);
515   statistics_keyword_output (reg_stats_ses, keywords[ses], c);
516   statistics_keyword_output (reg_stats_xtx, keywords[xtx], c);
517   statistics_keyword_output (reg_stats_collin, keywords[collin], c);
518   statistics_keyword_output (reg_stats_tol, keywords[tol], c);
519   statistics_keyword_output (reg_stats_selection, keywords[selection], c);
520 }
521
522 /*
523   Free the transformation. Free its linear model if this
524   transformation is the last one.
525  */
526 static bool
527 regression_trns_free (void *t_)
528 {
529   bool result = true;
530   struct reg_trns *t = t_;
531
532   if (t->trns_id == t->n_trns)
533     {
534       result = pspp_linreg_cache_free (t->c);
535     }
536   free (t);
537
538   return result;
539 }
540
541 /*
542   Gets the predicted values.
543  */
544 static int
545 regression_trns_pred_proc (void *t_, struct ccase *c,
546                            casenumber case_idx UNUSED)
547 {
548   size_t i;
549   size_t n_vals;
550   struct reg_trns *trns = t_;
551   pspp_linreg_cache *model;
552   union value *output = NULL;
553   const union value **vals = NULL;
554   const struct variable **vars = NULL;
555
556   assert (trns != NULL);
557   model = trns->c;
558   assert (model != NULL);
559   assert (model->depvar != NULL);
560   assert (model->pred != NULL);
561
562   vars = xnmalloc (model->n_coeffs, sizeof (*vars));
563   n_vals = (*model->get_vars) (model, vars);
564
565   vals = xnmalloc (n_vals, sizeof (*vals));
566   output = case_data_rw (c, model->pred);
567   assert (output != NULL);
568
569   for (i = 0; i < n_vals; i++)
570     {
571       vals[i] = case_data (c, vars[i]);
572     }
573   output->f = (*model->predict) ((const struct variable **) vars,
574                                  vals, model, n_vals);
575   free (vals);
576   free (vars);
577   return TRNS_CONTINUE;
578 }
579
580 /*
581   Gets the residuals.
582  */
583 static int
584 regression_trns_resid_proc (void *t_, struct ccase *c,
585                             casenumber case_idx UNUSED)
586 {
587   size_t i;
588   size_t n_vals;
589   struct reg_trns *trns = t_;
590   pspp_linreg_cache *model;
591   union value *output = NULL;
592   const union value **vals = NULL;
593   const union value *obs = NULL;
594   const struct variable **vars = NULL;
595
596   assert (trns != NULL);
597   model = trns->c;
598   assert (model != NULL);
599   assert (model->depvar != NULL);
600   assert (model->resid != NULL);
601
602   vars = xnmalloc (model->n_coeffs, sizeof (*vars));
603   n_vals = (*model->get_vars) (model, vars);
604
605   vals = xnmalloc (n_vals, sizeof (*vals));
606   output = case_data_rw (c, model->resid);
607   assert (output != NULL);
608
609   for (i = 0; i < n_vals; i++)
610     {
611       vals[i] = case_data (c, vars[i]);
612     }
613   obs = case_data (c, model->depvar);
614   output->f = (*model->residual) ((const struct variable **) vars,
615                                   vals, obs, model, n_vals);
616   free (vals);
617   free (vars);
618   return TRNS_CONTINUE;
619 }
620
621 /*
622    Returns false if NAME is a duplicate of any existing variable name.
623 */
624 static bool
625 try_name (const struct dictionary *dict, const char *name)
626 {
627   if (dict_lookup_var (dict, name) != NULL)
628     return false;
629
630   return true;
631 }
632
633 static void
634 reg_get_name (const struct dictionary *dict, char name[VAR_NAME_LEN],
635               const char prefix[VAR_NAME_LEN])
636 {
637   int i = 1;
638
639   snprintf (name, VAR_NAME_LEN, "%s%d", prefix, i);
640   while (!try_name (dict, name))
641     {
642       i++;
643       snprintf (name, VAR_NAME_LEN, "%s%d", prefix, i);
644     }
645 }
646
647 static void
648 reg_save_var (struct dataset *ds, const char *prefix, trns_proc_func * f,
649               pspp_linreg_cache * c, struct variable **v, int n_trns)
650 {
651   struct dictionary *dict = dataset_dict (ds);
652   static int trns_index = 1;
653   char name[VAR_NAME_LEN];
654   struct variable *new_var;
655   struct reg_trns *t = NULL;
656
657   t = xmalloc (sizeof (*t));
658   t->trns_id = trns_index;
659   t->n_trns = n_trns;
660   t->c = c;
661   reg_get_name (dict, name, prefix);
662   new_var = dict_create_var (dict, name, 0);
663   assert (new_var != NULL);
664   *v = new_var;
665   add_transformation (ds, f, regression_trns_free, t);
666   trns_index++;
667 }
668 static void
669 subcommand_save (struct dataset *ds, int save, pspp_linreg_cache ** models)
670 {
671   pspp_linreg_cache **lc;
672   int n_trns = 0;
673   int i;
674
675   assert (models != NULL);
676
677   if (save)
678     {
679       /* Count the number of transformations we will need. */
680       for (i = 0; i < REGRESSION_SV_count; i++)
681         {
682           if (cmd.a_save[i])
683             {
684               n_trns++;
685             }
686         }
687       n_trns *= cmd.n_dependent;
688
689       for (lc = models; lc < models + cmd.n_dependent; lc++)
690         {
691           assert (*lc != NULL);
692           assert ((*lc)->depvar != NULL);
693           if (cmd.a_save[REGRESSION_SV_RESID])
694             {
695               reg_save_var (ds, "RES", regression_trns_resid_proc, *lc,
696                             &(*lc)->resid, n_trns);
697             }
698           if (cmd.a_save[REGRESSION_SV_PRED])
699             {
700               reg_save_var (ds, "PRED", regression_trns_pred_proc, *lc,
701                             &(*lc)->pred, n_trns);
702             }
703         }
704     }
705   else
706     {
707       for (lc = models; lc < models + cmd.n_dependent; lc++)
708         {
709           if (*lc != NULL)
710             {
711               pspp_linreg_cache_free (*lc);
712             }
713         }
714     }
715 }
716
717 int
718 cmd_regression (struct lexer *lexer, struct dataset *ds)
719 {
720   struct casegrouper *grouper;
721   struct casereader *group;
722   pspp_linreg_cache **models;
723   bool ok;
724   size_t i;
725
726   if (!parse_regression (lexer, ds, &cmd, NULL))
727     {
728       return CMD_FAILURE;
729     }
730
731   models = xnmalloc (cmd.n_dependent, sizeof *models);
732   for (i = 0; i < cmd.n_dependent; i++)
733     {
734       models[i] = NULL;
735     }
736
737   /* Data pass. */
738   grouper = casegrouper_create_splits (proc_open (ds), dataset_dict (ds));
739   while (casegrouper_get_next_group (grouper, &group))
740     run_regression (group, &cmd, ds, models);
741   ok = casegrouper_destroy (grouper);
742   ok = proc_commit (ds) && ok;
743
744   subcommand_save (ds, cmd.sbc_save, models);
745   free (v_variables);
746   free (models);
747   free_regression (&cmd);
748
749   return ok ? CMD_SUCCESS : CMD_FAILURE;
750 }
751
752 /*
753   Is variable k the dependent variable?
754  */
755 static bool
756 is_depvar (size_t k, const struct variable *v)
757 {
758   return v == v_variables[k];
759 }
760
761 /* Parser for the variables sub command */
762 static int
763 regression_custom_variables (struct lexer *lexer, struct dataset *ds,
764                              struct cmd_regression *cmd UNUSED,
765                              void *aux UNUSED)
766 {
767   const struct dictionary *dict = dataset_dict (ds);
768
769   lex_match (lexer, '=');
770
771   if ((lex_token (lexer) != T_ID
772        || dict_lookup_var (dict, lex_tokid (lexer)) == NULL)
773       && lex_token (lexer) != T_ALL)
774     return 2;
775
776
777   if (!parse_variables_const
778       (lexer, dict, &v_variables, &n_variables, PV_NONE))
779     {
780       free (v_variables);
781       return 0;
782     }
783   assert (n_variables);
784
785   return 1;
786 }
787
788 /* Identify the explanatory variables in v_variables.  Returns
789    the number of independent variables. */
790 static int
791 identify_indep_vars (const struct variable **indep_vars,
792                      const struct variable *depvar)
793 {
794   int n_indep_vars = 0;
795   int i;
796
797   for (i = 0; i < n_variables; i++)
798     if (!is_depvar (i, depvar))
799       indep_vars[n_indep_vars++] = v_variables[i];
800   if ((n_indep_vars < 1) && is_depvar (0, depvar))
801     {
802       /*
803         There is only one independent variable, and it is the same
804         as the dependent variable. Print a warning and continue.
805        */
806       msg (SE,
807            gettext ("The dependent variable is equal to the independent variable." 
808                     "The least squares line is therefore Y=X." 
809                     "Standard errors and related statistics may be meaningless."));
810       n_indep_vars = 1;
811       indep_vars[0] = v_variables[0];
812     }
813   return n_indep_vars;
814 }
815
816 /* Encode categorical variables.
817    Returns number of valid cases. */
818 static int
819 prepare_categories (struct casereader *input,
820                     const struct variable **vars, size_t n_vars,
821                     struct moments_var *mom)
822 {
823   int n_data;
824   struct ccase c;
825   size_t i;
826
827   assert (vars != NULL);
828   assert (mom != NULL);
829
830   for (i = 0; i < n_vars; i++)
831     if (var_is_alpha (vars[i]))
832       cat_stored_values_create (vars[i]);
833
834   n_data = 0;
835   for (; casereader_read (input, &c); case_destroy (&c))
836     {
837       /*
838          The second condition ensures the program will run even if
839          there is only one variable to act as both explanatory and
840          response.
841        */
842       for (i = 0; i < n_vars; i++)
843         {
844           const union value *val = case_data (&c, vars[i]);
845           if (var_is_alpha (vars[i]))
846             cat_value_update (vars[i], val);
847           else
848             moments1_add (mom[i].m, val->f, 1.0);
849         }
850       n_data++;
851     }
852   casereader_destroy (input);
853
854   return n_data;
855 }
856
857 static void
858 coeff_init (pspp_linreg_cache * c, struct design_matrix *dm)
859 {
860   c->coeff = xnmalloc (dm->m->size2, sizeof (*c->coeff));
861   pspp_coeff_init (c->coeff, dm);
862 }
863
864 /*
865   Put the moments in the linreg cache.
866  */
867 static void
868 compute_moments (pspp_linreg_cache * c, struct moments_var *mom,
869                  struct design_matrix *dm, size_t n)
870 {
871   size_t i;
872   size_t j;
873   double weight;
874   double mean;
875   double variance;
876   double skewness;
877   double kurtosis;
878   /*
879      Scan the variable names in the columns of the design matrix.
880      When we find the variable we need, insert its mean in the cache.
881    */
882   for (i = 0; i < dm->m->size2; i++)
883     {
884       for (j = 0; j < n; j++)
885         {
886           if (design_matrix_col_to_var (dm, i) == (mom + j)->v)
887             {
888               moments1_calculate ((mom + j)->m, &weight, &mean, &variance,
889                                   &skewness, &kurtosis);
890               pspp_linreg_set_indep_variable_mean (c, (mom + j)->v, mean);
891               pspp_linreg_set_indep_variable_sd (c, (mom + j)->v, sqrt (variance));
892             }
893         }
894     }
895 }
896
897 static bool
898 run_regression (struct casereader *input, struct cmd_regression *cmd,
899                 struct dataset *ds, pspp_linreg_cache **models)
900 {
901   size_t i;
902   int n_indep = 0;
903   int k;
904   struct ccase c;
905   const struct variable **indep_vars;
906   struct design_matrix *X;
907   struct moments_var *mom;
908   gsl_vector *Y;
909
910   pspp_linreg_opts lopts;
911
912   assert (models != NULL);
913
914   if (!casereader_peek (input, 0, &c))
915     {
916       casereader_destroy (input);
917       return true;
918     }
919   output_split_file_values (ds, &c);
920   case_destroy (&c);
921
922   if (!v_variables)
923     {
924       dict_get_vars (dataset_dict (ds), &v_variables, &n_variables, 0);
925     }
926
927   for (i = 0; i < cmd->n_dependent; i++)
928     {
929       if (!var_is_numeric (cmd->v_dependent[i]))
930         {
931           msg (SE, _("Dependent variable must be numeric."));
932           return false;
933         }
934     }
935
936   mom = xnmalloc (n_variables, sizeof (*mom));
937   for (i = 0; i < n_variables; i++)
938     {
939       (mom + i)->m = moments1_create (MOMENT_VARIANCE);
940       (mom + i)->v = v_variables[i];
941     }
942   lopts.get_depvar_mean_std = 1;
943
944   lopts.get_indep_mean_std = xnmalloc (n_variables, sizeof (int));
945   indep_vars = xnmalloc (n_variables, sizeof *indep_vars);
946
947   for (k = 0; k < cmd->n_dependent; k++)
948     {
949       const struct variable *dep_var;
950       struct casereader *reader;
951       casenumber row;
952       struct ccase c;
953       size_t n_data;            /* Number of valid cases. */
954
955       dep_var = cmd->v_dependent[k];
956       n_indep = identify_indep_vars (indep_vars, dep_var);
957       reader = casereader_clone (input);
958       reader = casereader_create_filter_missing (reader, indep_vars, n_indep,
959                                                  MV_ANY, NULL);
960       reader = casereader_create_filter_missing (reader, &dep_var, 1,
961                                                  MV_ANY, NULL);
962       n_data = prepare_categories (casereader_clone (reader),
963                                    indep_vars, n_indep, mom);
964
965       if ((n_data > 0) && (n_indep > 0))
966         {
967           Y = gsl_vector_alloc (n_data);
968           X =
969             design_matrix_create (n_indep,
970                                   (const struct variable **) indep_vars,
971                                   n_data);
972           for (i = 0; i < X->m->size2; i++)
973             {
974               lopts.get_indep_mean_std[i] = 1;
975             }
976           models[k] = pspp_linreg_cache_alloc (X->m->size1, X->m->size2);
977           models[k]->depvar = dep_var;
978           /*
979              For large data sets, use QR decomposition.
980            */
981           if (n_data > sqrt (n_indep) && n_data > REG_LARGE_DATA)
982             {
983               models[k]->method = PSPP_LINREG_QR;
984             }
985
986           /*
987              The second pass fills the design matrix.
988            */
989           reader = casereader_create_counter (reader, &row, -1);
990           for (; casereader_read (reader, &c); case_destroy (&c))
991             {
992               for (i = 0; i < n_indep; ++i)
993                 {
994                   const struct variable *v = indep_vars[i];
995                   const union value *val = case_data (&c, v);
996                   if (var_is_alpha (v))
997                     design_matrix_set_categorical (X, row, v, val);
998                   else
999                     design_matrix_set_numeric (X, row, v, val);
1000                 }
1001               gsl_vector_set (Y, row, case_num (&c, dep_var));
1002             }
1003           /*
1004              Now that we know the number of coefficients, allocate space
1005              and store pointers to the variables that correspond to the
1006              coefficients.
1007            */
1008           coeff_init (models[k], X);
1009
1010           /*
1011              Find the least-squares estimates and other statistics.
1012            */
1013           pspp_linreg ((const gsl_vector *) Y, X, &lopts, models[k]);
1014
1015           if (!taint_has_tainted_successor (casereader_get_taint (input)))
1016             {
1017               subcommand_statistics (cmd->a_statistics, models[k]);
1018             }
1019
1020           gsl_vector_free (Y);
1021           design_matrix_destroy (X);
1022         }
1023       else
1024         {
1025           msg (SE,
1026                gettext ("No valid data found. This command was skipped."));
1027         }
1028       casereader_destroy (reader);
1029     }
1030   for (i = 0; i < n_variables; i++)
1031     {
1032       moments1_destroy ((mom + i)->m);
1033     }
1034   free (mom);
1035   free (indep_vars);
1036   free (lopts.get_indep_mean_std);
1037   casereader_destroy (input);
1038
1039   return true;
1040 }
1041
1042 /*
1043   Local Variables:
1044   mode: c
1045   End:
1046 */