pintos-os.org Git - pspp/blob - tests/language/stats/logistic.at

   1 AT_BANNER([LOGISTIC REGRESSION])
   2
   3 dnl These examples are adapted from
   4 dnl http://www.uvm.edu/~dhowell/gradstat/psych341/lectures/Logistic%20Regression/LogisticReg1.html
   5
   6
   7
   8 m4_define([LOGIT_TEST_DATA],
   9   [AT_DATA([lr-data.txt], dnl
  10  105.00    1.00    33.00    3.00     2.00   .35  17.00  20.00  .50110  -2.00440 1
  11  106.00    1.00    50.00    2.00     3.00   .38   7.00  15.00  .20168  -1.25264 1
  12  107.00    1.00    91.00    3.00     2.00   .28  15.00   7.00  .00897  -1.00905 1
  13  108.00    1.00    90.00    3.00     2.00   .20   2.00   2.00  .00972  -1.00982 1
  14  109.00    1.00    70.00    3.00     3.00   .38  23.00  27.00  .04745  -1.04981 1
  15  111.00    2.00    31.00    2.00     2.00   .00  19.00  10.00  .54159   1.84640 1
  16  112.00    1.00    91.00    2.00     3.00   .18   6.00  16.00  .00897  -1.00905 1
  17  113.00    1.00    81.00    3.00     2.00   .00   3.00   9.00  .01998  -1.02039 1
  18  114.00    2.00    15.00    1.00     2.00   .13  19.00  13.00  .81241   1.23090 1
  19  116.00    2.00     1.00    1.00     2.00   .88  15.00   7.00  .93102   1.07410 1
  20  117.00    1.00    93.00    3.00     2.00   .18   9.00  15.00  .00764  -1.00770 1
  21  118.00    2.00    14.00    1.00     3.00   .15  23.00  18.00  .82447   1.21289 1
  22  120.00    1.00    91.00    2.00     2.00   .43  17.00  14.00  .00897  -1.00905 1
  23  121.00    1.00    55.00    3.00     2.00   .69  20.00  14.00  .14409  -1.16834 1
  24  122.00    1.00    70.00    2.00     3.00   .03    .00   6.00  .04745  -1.04981 1
  25  123.00    1.00    25.00    2.00     2.00   .45   4.00  10.00  .65789  -2.92301 1
  26  125.00    1.00    91.00    2.00     2.00   .13    .00   3.00  .00897  -1.00905 1
  27  126.00    1.00    91.00    3.00     3.00   .23   4.00   6.00  .00897  -1.00905 1
  28  127.00    1.00    91.00    3.00     2.00   .00   8.00   8.00  .00897  -1.00905 1
  29  128.00    2.00    13.00    2.00     2.00   .65  16.00  14.00  .83592   1.19629 1
  30  129.00    1.00    50.00    2.00     2.00   .25  20.00  23.00  .20168  -1.25264 1
  31  135.00    1.00    90.00    3.00     3.00   .03   5.00  12.00  .00972  -1.00982 1
  32  138.00    1.00    70.00    3.00     3.00   .10   1.00   6.00  .04745  -1.04981 1
  33  139.00    2.00    19.00    3.00     3.00   .10  11.00  12.00  .75787   1.31949 1
  34  149.00    2.00    50.00    3.00     2.00   .03    .00    .00  .20168   4.95826 1
  35  204.00    1.00    50.00    3.00     1.00   .13    .00   1.00  .20168  -1.25264 1
  36  205.00    1.00    91.00    3.00     3.00   .72  16.00  18.00  .00897  -1.00905 1
  37  206.00    2.00    24.00    1.00     1.00   .10   5.00  21.00  .67592   1.47947 1
  38  207.00    1.00    80.00    3.00     3.00   .13   6.00   7.00  .02164  -1.02212 1
  39  208.00    1.00    87.00    2.00     2.00   .18   9.00  20.00  .01237  -1.01253 1
  40  209.00    1.00    70.00    2.00     2.00   .53  15.00  12.00  .04745  -1.04981 1
  41  211.00    1.00    55.00    2.00     1.00   .33   8.00   5.00  .14409  -1.16834 1
  42  212.00    1.00    56.00    3.00     1.00   .30   6.00  20.00  .13436  -1.15522 1
  43  214.00    1.00    54.00    2.00     2.00   .15    .00  16.00  .15439  -1.18258 1
  44  215.00    1.00    71.00    3.00     3.00   .35  12.00  12.00  .04391  -1.04592 1
  45  217.00    2.00    36.00    1.00     1.00   .10  12.00   8.00  .44049   2.27020 1
  46  218.00    1.00    91.00    2.00     2.00   .05  11.00  25.00  .00897  -1.00905 1
  47  219.00    1.00    91.00    2.00     2.00  1.23  11.00  24.00  .00897  -1.00905 1
  48  220.00    1.00    91.00    2.00     3.00   .08   8.00  11.00  .00897  -1.00905 1
  49  221.00    1.00    91.00    2.00     2.00   .33   5.00  11.00  .00897  -1.00905 1
  50  222.00    2.00    36.00    2.00     1.00   .18   5.00   3.00  .44049   2.27020 1
  51  223.00    1.00    70.00    2.00     3.00   .18  14.00   3.00  .04745  -1.04981 1
  52  224.00    1.00    91.00    2.00     2.00   .43   2.00  10.00  .00897  -1.00905 1
  53  225.00    1.00    55.00    2.00     1.00   .18   6.00  11.00  .14409  -1.16834 1
  54  229.00    2.00    75.00    2.00     2.00   .40  30.00  25.00  .03212  31.12941 1
  55  232.00    1.00    91.00    3.00     2.00   .15   6.00   3.00  .00897  -1.00905 1
  56  233.00    1.00    70.00    2.00     1.00   .00  11.00   8.00  .04745  -1.04981 1
  57  234.00    1.00    54.00    3.00     2.00   .10    .00    .00  .15439  -1.18258 1
  58  237.00    1.00    70.00    3.00     2.00   .18   5.00  25.00  .04745  -1.04981 1
  59  241.00    1.00    19.00    2.00     3.00   .33  13.00   9.00  .75787  -4.12995 1
  60  304.00    2.00    18.00    2.00     2.00   .26  25.00   6.00  .77245   1.29458 1
  61  305.00    1.00    88.00    3.00     2.00  1.35  17.00  29.00  .01142  -1.01155 1
  62  306.00    1.00    70.00    2.00     3.00   .63  14.00  33.00  .04745  -1.04981 1
  63  307.00    1.00    85.00    2.00     2.00  2.65  18.00  14.00  .01452  -1.01474 1
  64  308.00    1.00    13.00    2.00     2.00   .23   5.00   5.00  .83592  -6.09442 1
  65  309.00    2.00    13.00    2.00     2.00   .23   7.00  17.00  .83592   1.19629 1
  66  311.00    2.00     1.00    2.00     2.00   .50  20.00  14.00  .93102   1.07410 1
  67  315.00    1.00    19.00    2.00     3.00   .18   1.00  11.00  .75787  -4.12995 1
  68  316.00    1.00    88.00    2.00     2.00   .38  12.00  11.00  .01142  -1.01155 2
  69  318.00    1.00    88.00    3.00     2.00   .03   5.00   5.00  .01142  -1.01155 3
  70  319.00    2.00    18.00    2.00     3.00   .30  15.00  16.00  .77245   1.29458 1
  71  321.00    2.00    15.00    2.00     2.00   .63  15.00  18.00  .81241   1.23090 1
  72  322.00    1.00    88.00    3.00     2.00   .40  18.00  15.00  .01142  -1.01155 1
  73  325.00    2.00    18.00    2.00     3.00  1.00  28.00  18.00  .77245   1.29458 1
  74  329.00    1.00    88.00    3.00     2.00   .03   7.00  11.00  .01142  -1.01155 4
  75  332.00    2.00     2.00    2.00     2.00   .05   8.00   9.00  .92562   1.08036 1
  76 )])
  77
  78 dnl  Note: In the above data cases 305, 316 318 and 329 have identical values
  79 dnl of the 2nd and 3rd variables.  We use this for weight testing.
  80
  81 AT_SETUP([LOGISTIC REGRESSION basic test])
  82
  83 LOGIT_TEST_DATA
  84
  85 AT_DATA([lr-data.sps], [dnl
  86 set format = F12.3.
  87 set decimal dot.
  88 data list notable file='lr-data.txt'
  89  list /id outcome survrate prognos amttreat   gsi  avoid intrus   pre_1     lre_1  w *.
  90
  91 logistic regression
  92           variables = outcome with survrate
  93         .
  94 ])
  95
  96 AT_CHECK([pspp -O format=csv lr-data.sps], [0],
  97   [dnl
  98 Table: Dependent Variable Encoding
  99 Original Value,Internal Value
 100 1.000,0
 101 2.000,1
 102
 103 Table: Case Processing Summary
 104 Unweighted Cases,N,Percent
 105 Included in Analysis,66,100.000
 106 Missing Cases,0,.000
 107 Total,66,100.000
 108
 109 note: Estimation terminated at iteration number 6 because parameter estimates changed by less than 0.001
 110
 111 Table: Model Summary
 112 Step 1,-2 Log likelihood,Cox & Snell R Square,Nagelkerke R Square
 113 ,37.323,.455,.659
 114
 115 Table: Variables in the Equation
 116 ,,B,S.E.,Wald,df,Sig.,Exp(B)
 117 Step 1,survrate,-.081,.019,17.756,1,.000,.922
 118 ,Constant,2.684,.811,10.941,1,.001,14.639
 119 ])
 120
 121
 122 AT_CLEANUP
 123
 124 AT_SETUP([LOGISTIC REGRESSION missing values])
 125
 126 LOGIT_TEST_DATA
 127
 128 AT_DATA([lr-data.sps], [dnl
 129 set format = F12.3.
 130 set decimal dot.
 131 data list notable file='lr-data.txt'
 132  list /id outcome survrate prognos amttreat   gsi  avoid intrus   pre_1     lre_1  w *.
 133
 134 missing values survrate (999) avoid (44444).
 135
 136 logistic regression
 137           variables = outcome with survrate avoid
 138         .
 139 ])
 140
 141 AT_CHECK([pspp -O format=csv lr-data.sps > run0], [0], [ignore])
 142
 143 cat >> lr-data.txt << HERE
 144  105.00    1.00    999.00    3.00     2.00   .35  17.00  20.00  .50110  -2.00440 1
 145  106.00    1.00    999.00    2.00     3.00   .38   7.00  15.00  .20168  -1.25264 1
 146  107.00    1.00    5.00      3.00     2.00   .28  44444  34     .00897  -1.00905 1
 147 HERE
 148
 149 AT_CHECK([pspp -O format=csv lr-data.sps > run1], [0], [ignore])
 150
 151 dnl Only the summary information should be different
 152 AT_CHECK([diff run0 run1], [1], [dnl
 153 8,10c8,10
 154 < Included in Analysis,66,100.000
 155 < Missing Cases,0,.000
 156 < Total,66,100.000
 157 ---
 158 > Included in Analysis,66,95.652
 159 > Missing Cases,3,4.348
 160 > Total,69,100.000
 161 ])
 162
 163 AT_CLEANUP
 164
 165
 166
 167 dnl Check that a weighted dataset is interpreted correctly
 168 dnl To do this, the same data set is used, one weighted, one not.
 169 dnl The weighted dataset omits certain cases which are identical
 170 AT_SETUP([LOGISTIC REGRESSION weights])
 171
 172 LOGIT_TEST_DATA
 173
 174 AT_DATA([lr-data-unweighted.sps], [dnl
 175 set format = F12.3.
 176 set decimal dot.
 177 data list notable file='lr-data.txt'
 178  list /id outcome survrate prognos amttreat   gsi  avoid intrus   pre_1     lre_1  w *.
 179
 180 logistic regression
 181           variables = outcome with survrate
 182         .
 183 ])
 184
 185 AT_DATA([lr-data-weighted.sps], [dnl
 186 set format = F12.3.
 187 set decimal dot.
 188 data list notable file='lr-data.txt'
 189  list /id outcome survrate prognos amttreat   gsi  avoid intrus   pre_1     lre_1  w *.
 190
 191 weight by w.
 192
 193 * Omit duplicate cases.
 194 select if id <> 305 and id <> 316 and id <> 318.
 195
 196 logistic regression
 197           variables = outcome with survrate
 198         .
 199 ])
 200
 201
 202 AT_CHECK([pspp -O format=csv lr-data-unweighted.sps > unweighted-result], [0], [ignore])
 203 AT_CHECK([pspp -O format=csv lr-data-weighted.sps > weighted-result], [0], [ignore])
 204
 205 dnl The only difference should be the summary information, since
 206 dnl this displays the unweighted totals.
 207 AT_CHECK([diff unweighted-result weighted-result], [1], [dnl
 208 8c8
 209 < Included in Analysis,66,100.000
 210 ---
 211 > Included in Analysis,63,100.000
 212 10c10
 213 < Total,66,100.000
 214 ---
 215 > Total,63,100.000
 216 ])
 217
 218
 219 AT_CLEANUP
 220
 221
 222 dnl Check that the /NOCONST option works as intended.
 223 dnl The results this produces are very similar to those
 224 dnl at the example in http://www.ats.ucla.edu/stat/SPSS/faq/logregconst.htm
 225 AT_SETUP([LOGISTIC REGRESSION without constant])
 226
 227 AT_DATA([non-const.sps], [dnl
 228 set format=F20.3.
 229
 230 input program.
 231  loop #i = 1 to 200.
 232   compute female = (#i > 91).
 233   end case.
 234  end loop.
 235 end file.
 236 end input program.
 237
 238 compute constant = 1.
 239
 240 logistic regression female with constant /noconst.
 241 ])
 242
 243 AT_CHECK([pspp -O format=csv non-const.sps], [0],
 244  [dnl
 245 Table: Dependent Variable Encoding
 246 Original Value,Internal Value
 247 .00,0
 248 1.00,1
 249
 250 Table: Case Processing Summary
 251 Unweighted Cases,N,Percent
 252 Included in Analysis,200,100.000
 253 Missing Cases,0,.000
 254 Total,200,100.000
 255
 256 note: Estimation terminated at iteration number 2 because parameter estimates changed by less than 0.001
 257
 258 Table: Model Summary
 259 Step 1,-2 Log likelihood,Cox & Snell R Square,Nagelkerke R Square
 260 ,275.637,.008,.011
 261
 262 Table: Variables in the Equation
 263 ,,B,S.E.,Wald,df,Sig.,Exp(B)
 264 Step 1,constant,.180,.142,1.616,1,.204,1.198
 265 ])
 266
 267 AT_CLEANUP
 268
 269
 270
 271 dnl Check that if somebody passes a dependent variable which is not dichtomous,
 272 dnl then an error is raised.
 273 AT_SETUP([LOGISTIC REGRESSION non-dichotomous dep var])
 274
 275 AT_DATA([non-dich.sps], [dnl
 276 data list notable list /y x1 x2 x3 x4.
 277 begin data.
 278 1 2 3 4 5
 279 0 2 3 4 8
 280 2 3 4 5 6
 281 end data.
 282
 283 logistic regression y with x1 x2 x3 x4.
 284 ])
 285
 286 AT_CHECK([pspp -O format=csv non-dich.sps], [1],
 287  [dnl
 288 error: Dependent variable's values are not dichotomous.
 289 ])
 290
 291 AT_CLEANUP