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, 2016 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           lex_match (lexer, T_EQUALS);
 229
 230           free (regression.dep_vars);
 231           regression.n_dep_vars = 0;
 232
 233           if (!parse_variables_const (lexer, dict,
 234                                       &regression.dep_vars,
 235                                       &regression.n_dep_vars,
 236                                       PV_NO_DUPLICATE | PV_NUMERIC))
 237             goto error;
 238         }
 239       else if (lex_match_id (lexer, "METHOD"))
 240         {
 241           lex_match (lexer, T_EQUALS);
 242
 243           if (!lex_force_match_id (lexer, "ENTER"))
 244             {
 245               goto error;
 246             }
 247         }
 248       else if (lex_match_id (lexer, "STATISTICS"))
 249         {
 250           unsigned long statistics = 0;
 251           lex_match (lexer, T_EQUALS);
 252
 253           while (lex_token (lexer) != T_ENDCMD
 254                  && lex_token (lexer) != T_SLASH)
 255             {
 256               if (lex_match (lexer, T_ALL))
 257                 {
 258                   statistics = ~0;
 259                 }
 260               else if (lex_match_id (lexer, "DEFAULTS"))
 261                 {
 262                   statistics |= STATS_DEFAULT;
 263                 }
 264               else if (lex_match_id (lexer, "R"))
 265                 {
 266                   statistics |= STATS_R;
 267                 }
 268               else if (lex_match_id (lexer, "COEFF"))
 269                 {
 270                   statistics |= STATS_COEFF;
 271                 }
 272               else if (lex_match_id (lexer, "ANOVA"))
 273                 {
 274                   statistics |= STATS_ANOVA;
 275                 }
 276               else if (lex_match_id (lexer, "BCOV"))
 277                 {
 278                   statistics |= STATS_BCOV;
 279                 }
 280               else if (lex_match_id (lexer, "CI"))
 281                 {
 282                   statistics |= STATS_CI;
 283
 284                   if (lex_match (lexer, T_LPAREN))
 285                     {
 286                       regression.ci = lex_number (lexer) / 100.0;
 287                       lex_get (lexer);
 288                       lex_force_match (lexer, T_RPAREN);
 289                     }
 290                 }
 291               else
 292                 {
 293                   lex_error (lexer, NULL);
 294                   goto error;
 295                 }
 296             }
 297
 298           if (statistics)
 299             regression.stats = statistics;
 300
 301         }
 302       else if (lex_match_id (lexer, "SAVE"))
 303         {
 304           lex_match (lexer, T_EQUALS);
 305
 306           while (lex_token (lexer) != T_ENDCMD
 307                  && lex_token (lexer) != T_SLASH)
 308             {
 309               if (lex_match_id (lexer, "PRED"))
 310                 {
 311                   regression.pred = true;
 312                 }
 313               else if (lex_match_id (lexer, "RESID"))
 314                 {
 315                   regression.resid = true;
 316                 }
 317               else
 318                 {
 319                   lex_error (lexer, NULL);
 320                   goto error;
 321                 }
 322             }
 323         }
 324       else
 325         {
 326           lex_error (lexer, NULL);
 327           goto error;
 328         }
 329     }
 330
 331   if (!regression.vars)
 332     {
 333       dict_get_vars (dict, &regression.vars, &regression.n_vars, 0);
 334     }
 335
 336   save = regression.pred || regression.resid;
 337   workspace.extras = 0;
 338   workspace.res_idx = -1;
 339   workspace.pred_idx = -1;
 340   workspace.writer = NULL;
 341   workspace.reader = NULL;
 342   workspace.residvars = NULL;
 343   workspace.predvars = NULL;
 344   if (save)
 345     {
 346       int i;
 347       struct caseproto *proto = caseproto_create ();
 348
 349       if (regression.resid)
 350         {
 351           workspace.extras ++;
 352           workspace.res_idx = 0;
 353           workspace.residvars = xcalloc (regression.n_dep_vars, sizeof (*workspace.residvars));
 354
 355           for (i = 0; i < regression.n_dep_vars; ++i)
 356             {
 357               workspace.residvars[i] = create_aux_var (ds, "RES");
 358               proto = caseproto_add_width (proto, 0);
 359             }
 360         }
 361
 362       if (regression.pred)
 363         {
 364           workspace.extras ++;
 365           workspace.pred_idx = 1;
 366           workspace.predvars = xcalloc (regression.n_dep_vars, sizeof (*workspace.predvars));
 367
 368           for (i = 0; i < regression.n_dep_vars; ++i)
 369             {
 370               workspace.predvars[i] = create_aux_var (ds, "PRED");
 371               proto = caseproto_add_width (proto, 0);
 372             }
 373         }
 374
 375       if (proc_make_temporary_transformations_permanent (ds))
 376         msg (SW, _("REGRESSION with SAVE ignores TEMPORARY.  "
 377                    "Temporary transformations will be made permanent."));
 378
 379       if (dict_get_filter (dict))
 380         msg (SW, _("REGRESSION with SAVE ignores FILTER.  "
 381                    "All cases will be processed."));
 382
 383       workspace.writer = autopaging_writer_create (proto);
 384       caseproto_unref (proto);
 385     }
 386
 387
 388   {
 389     struct casegrouper *grouper;
 390     struct casereader *group;
 391     bool ok;
 392
 393     grouper = casegrouper_create_splits (proc_open_filtering (ds, !save), dict);
 394
 395
 396     while (casegrouper_get_next_group (grouper, &group))
 397       {
 398         run_regression (&regression,
 399                         &workspace,
 400                         group);
 401
 402       }
 403     ok = casegrouper_destroy (grouper);
 404     ok = proc_commit (ds) && ok;
 405   }
 406
 407   if (workspace.writer)
 408     {
 409       struct save_trans_data *save_trans_data = xmalloc (sizeof *save_trans_data);
 410       struct casereader *r = casewriter_make_reader (workspace.writer);
 411       workspace.writer = NULL;
 412       workspace.reader = r;
 413       save_trans_data->ws = xmalloc (sizeof (workspace));
 414       memcpy (save_trans_data->ws, &workspace, sizeof (workspace));
 415       save_trans_data->n_dep_vars = regression.n_dep_vars;
 416
 417       add_transformation (ds, save_trans_func, save_trans_free, save_trans_data);
 418     }
 419
 420
 421   free (regression.vars);
 422   free (regression.dep_vars);
 423   return CMD_SUCCESS;
 424
 425 error:
 426
 427   free (regression.vars);
 428   free (regression.dep_vars);
 429   return CMD_FAILURE;
 430 }
 431
 432 /* Return the size of the union of dependent and independent variables */
 433 static size_t
 434 get_n_all_vars (const struct regression *cmd)
 435 {
 436   size_t result = cmd->n_vars;
 437   size_t i;
 438   size_t j;
 439
 440   result += cmd->n_dep_vars;
 441   for (i = 0; i < cmd->n_dep_vars; i++)
 442     {
 443       for (j = 0; j < cmd->n_vars; j++)
 444         {
 445           if (cmd->vars[j] == cmd->dep_vars[i])
 446             {
 447               result--;
 448             }
 449         }
 450     }
 451   return result;
 452 }
 453
 454 /* Fill VARS with the union of dependent and independent variables */
 455 static void
 456 fill_all_vars (const struct variable **vars, const struct regression *cmd)
 457 {
 458   size_t x = 0;
 459   size_t i;
 460   for (i = 0; i < cmd->n_vars; i++)
 461     {
 462       vars[i] = cmd->vars[i];
 463     }
 464
 465   for (i = 0; i < cmd->n_dep_vars; i++)
 466     {
 467       size_t j;
 468       bool absent = true;
 469       for (j = 0; j < cmd->n_vars; j++)
 470         {
 471           if (cmd->dep_vars[i] == cmd->vars[j])
 472             {
 473               absent = false;
 474               break;
 475             }
 476         }
 477       if (absent)
 478         {
 479           vars[cmd->n_vars + x++] = cmd->dep_vars[i];
 480         }
 481     }
 482 }
 483
 484 /*
 485   Is variable k the dependent variable?
 486 */
 487 static bool
 488 is_depvar (const struct regression *cmd, size_t k, const struct variable *v)
 489 {
 490   return v == cmd->vars[k];
 491 }
 492
 493
 494 /* Identify the explanatory variables in v_variables.  Returns
 495    the number of independent variables. */
 496 static int
 497 identify_indep_vars (const struct regression *cmd,
 498                      const struct variable **indep_vars,
 499                      const struct variable *depvar)
 500 {
 501   int n_indep_vars = 0;
 502   int i;
 503
 504   for (i = 0; i < cmd->n_vars; i++)
 505     if (!is_depvar (cmd, i, depvar))
 506       indep_vars[n_indep_vars++] = cmd->vars[i];
 507   if ((n_indep_vars < 1) && is_depvar (cmd, 0, depvar))
 508     {
 509       /*
 510          There is only one independent variable, and it is the same
 511          as the dependent variable. Print a warning and continue.
 512        */
 513       msg (SW,
 514            gettext
 515            ("The dependent variable is equal to the independent variable. "
 516             "The least squares line is therefore Y=X. "
 517             "Standard errors and related statistics may be meaningless."));
 518       n_indep_vars = 1;
 519       indep_vars[0] = cmd->vars[0];
 520     }
 521   return n_indep_vars;
 522 }
 523
 524
 525 static double
 526 fill_covariance (gsl_matrix * cov, struct covariance *all_cov,
 527                  const struct variable **vars,
 528                  size_t n_vars, const struct variable *dep_var,
 529                  const struct variable **all_vars, size_t n_all_vars,
 530                  double *means)
 531 {
 532   size_t i;
 533   size_t j;
 534   size_t dep_subscript;
 535   size_t *rows;
 536   const gsl_matrix *ssizes;
 537   const gsl_matrix *mean_matrix;
 538   const gsl_matrix *ssize_matrix;
 539   double result = 0.0;
 540
 541   const gsl_matrix *cm = covariance_calculate_unnormalized (all_cov);
 542
 543   if (cm == NULL)
 544     return 0;
 545
 546   rows = xnmalloc (cov->size1 - 1, sizeof (*rows));
 547
 548   for (i = 0; i < n_all_vars; i++)
 549     {
 550       for (j = 0; j < n_vars; j++)
 551         {
 552           if (vars[j] == all_vars[i])
 553             {
 554               rows[j] = i;
 555             }
 556         }
 557       if (all_vars[i] == dep_var)
 558         {
 559           dep_subscript = i;
 560         }
 561     }
 562   mean_matrix = covariance_moments (all_cov, MOMENT_MEAN);
 563   ssize_matrix = covariance_moments (all_cov, MOMENT_NONE);
 564   for (i = 0; i < cov->size1 - 1; i++)
 565     {
 566       means[i] = gsl_matrix_get (mean_matrix, rows[i], 0)
 567         / gsl_matrix_get (ssize_matrix, rows[i], 0);
 568       for (j = 0; j < cov->size2 - 1; j++)
 569         {
 570           gsl_matrix_set (cov, i, j, gsl_matrix_get (cm, rows[i], rows[j]));
 571           gsl_matrix_set (cov, j, i, gsl_matrix_get (cm, rows[j], rows[i]));
 572         }
 573     }
 574   means[cov->size1 - 1] = gsl_matrix_get (mean_matrix, dep_subscript, 0)
 575     / gsl_matrix_get (ssize_matrix, dep_subscript, 0);
 576   ssizes = covariance_moments (all_cov, MOMENT_NONE);
 577   result = gsl_matrix_get (ssizes, dep_subscript, rows[0]);
 578   for (i = 0; i < cov->size1 - 1; i++)
 579     {
 580       gsl_matrix_set (cov, i, cov->size1 - 1,
 581                       gsl_matrix_get (cm, rows[i], dep_subscript));
 582       gsl_matrix_set (cov, cov->size1 - 1, i,
 583                       gsl_matrix_get (cm, rows[i], dep_subscript));
 584       if (result > gsl_matrix_get (ssizes, rows[i], dep_subscript))
 585         {
 586           result = gsl_matrix_get (ssizes, rows[i], dep_subscript);
 587         }
 588     }
 589   gsl_matrix_set (cov, cov->size1 - 1, cov->size1 - 1,
 590                   gsl_matrix_get (cm, dep_subscript, dep_subscript));
 591   free (rows);
 592   return result;
 593 }
 594
 595 \f
 596
 597 /*
 598   STATISTICS subcommand output functions.
 599 */
 600 static void reg_stats_r (const linreg *,     const struct variable *);
 601 static void reg_stats_coeff (const linreg *, const gsl_matrix *, const struct variable *, const struct regression *);
 602 static void reg_stats_anova (const linreg *, const struct variable *);
 603 static void reg_stats_bcov (const linreg *,  const struct variable *);
 604
 605
 606 static void
 607 subcommand_statistics (const struct regression *cmd, const linreg * c, const gsl_matrix * cm,
 608                        const struct variable *var)
 609 {
 610   if (cmd->stats & STATS_R)
 611     reg_stats_r     (c, var);
 612
 613   if (cmd->stats & STATS_ANOVA)
 614     reg_stats_anova (c, var);
 615
 616   if (cmd->stats & STATS_COEFF)
 617     reg_stats_coeff (c, cm, var, cmd);
 618
 619   if (cmd->stats & STATS_BCOV)
 620     reg_stats_bcov  (c, var);
 621 }
 622
 623
 624 static void
 625 run_regression (const struct regression *cmd,
 626                 struct regression_workspace *ws,
 627                 struct casereader *input)
 628 {
 629   size_t i;
 630   linreg **models;
 631
 632   int k;
 633   struct ccase *c;
 634   struct covariance *cov;
 635   struct casereader *reader;
 636   size_t n_all_vars = get_n_all_vars (cmd);
 637   const struct variable **all_vars = xnmalloc (n_all_vars, sizeof (*all_vars));
 638
 639   double *means = xnmalloc (n_all_vars, sizeof (*means));
 640
 641   fill_all_vars (all_vars, cmd);
 642   cov = covariance_1pass_create (n_all_vars, all_vars,
 643                                  dict_get_weight (dataset_dict (cmd->ds)),
 644                                  MV_ANY);
 645
 646   reader = casereader_clone (input);
 647   reader = casereader_create_filter_missing (reader, all_vars, n_all_vars,
 648                                              MV_ANY, NULL, NULL);
 649
 650
 651   {
 652     struct casereader *r = casereader_clone (reader);
 653
 654     for (; (c = casereader_read (r)) != NULL; case_unref (c))
 655       {
 656         covariance_accumulate (cov, c);
 657       }
 658     casereader_destroy (r);
 659   }
 660
 661   models = xcalloc (cmd->n_dep_vars, sizeof (*models));
 662   for (k = 0; k < cmd->n_dep_vars; k++)
 663     {
 664       const struct variable **vars = xnmalloc (cmd->n_vars, sizeof (*vars));
 665       const struct variable *dep_var = cmd->dep_vars[k];
 666       int n_indep = identify_indep_vars (cmd, vars, dep_var);
 667       gsl_matrix *this_cm = gsl_matrix_alloc (n_indep + 1, n_indep + 1);
 668       double n_data = fill_covariance (this_cm, cov, vars, n_indep,
 669                                 dep_var, all_vars, n_all_vars, means);
 670       models[k] = linreg_alloc (dep_var, vars,  n_data, n_indep);
 671       models[k]->depvar = dep_var;
 672       for (i = 0; i < n_indep; i++)
 673         {
 674           linreg_set_indep_variable_mean (models[k], i, means[i]);
 675         }
 676       linreg_set_depvar_mean (models[k], means[i]);
 677       /*
 678          For large data sets, use QR decomposition.
 679        */
 680       if (n_data > sqrt (n_indep) && n_data > REG_LARGE_DATA)
 681         {
 682           models[k]->method = LINREG_QR;
 683         }
 684
 685       if (n_data > 0)
 686         {
 687           /*
 688              Find the least-squares estimates and other statistics.
 689            */
 690           linreg_fit (this_cm, models[k]);
 691
 692           if (!taint_has_tainted_successor (casereader_get_taint (input)))
 693             {
 694               subcommand_statistics (cmd, models[k], this_cm, dep_var);
 695             }
 696         }
 697       else
 698         {
 699           msg (SE, _("No valid data found. This command was skipped."));
 700         }
 701       gsl_matrix_free (this_cm);
 702       free (vars);
 703     }
 704
 705
 706   if (ws->extras > 0)
 707    {
 708       struct casereader *r = casereader_clone (reader);
 709
 710       for (; (c = casereader_read (r)) != NULL; case_unref (c))
 711         {
 712           struct ccase *outc = case_clone (c);
 713           for (k = 0; k < cmd->n_dep_vars; k++)
 714             {
 715               const struct variable **vars = xnmalloc (cmd->n_vars, sizeof (*vars));
 716               const struct variable *dep_var = cmd->dep_vars[k];
 717               int n_indep = identify_indep_vars (cmd, vars, dep_var);
 718               double *vals = xnmalloc (n_indep, sizeof (*vals));
 719               for (i = 0; i < n_indep; i++)
 720                 {
 721                   const union value *tmp = case_data (c, vars[i]);
 722                   vals[i] = tmp->f;
 723                 }
 724
 725               if (cmd->pred)
 726                 {
 727                   double pred = linreg_predict (models[k], vals, n_indep);
 728                   case_data_rw_idx (outc, k * ws->extras + ws->pred_idx)->f = pred;
 729                 }
 730
 731               if (cmd->resid)
 732                 {
 733                   double obs = case_data (c, models[k]->depvar)->f;
 734                   double res = linreg_residual (models[k], obs,  vals, n_indep);
 735                   case_data_rw_idx (outc, k * ws->extras + ws->res_idx)->f = res;
 736                 }
 737               free (vals);
 738               free (vars);
 739             }
 740           casewriter_write (ws->writer, outc);
 741         }
 742       casereader_destroy (r);
 743     }
 744
 745   casereader_destroy (reader);
 746
 747   for (k = 0; k < cmd->n_dep_vars; k++)
 748     {
 749       linreg_unref (models[k]);
 750     }
 751   free (models);
 752
 753   free (all_vars);
 754   free (means);
 755   casereader_destroy (input);
 756   covariance_destroy (cov);
 757 }
 758
 759 \f
 760
 761
 762 static void
 763 reg_stats_r (const linreg * c, const struct variable *var)
 764 {
 765   struct tab_table *t;
 766   int n_rows = 2;
 767   int n_cols = 5;
 768   double rsq;
 769   double adjrsq;
 770   double std_error;
 771
 772   assert (c != NULL);
 773   rsq = linreg_ssreg (c) / linreg_sst (c);
 774   adjrsq = rsq -
 775     (1.0 - rsq) * linreg_n_coeffs (c) / (linreg_n_obs (c) -
 776                                          linreg_n_coeffs (c) - 1);
 777   std_error = sqrt (linreg_mse (c));
 778   t = tab_create (n_cols, n_rows);
 779   tab_box (t, TAL_2, TAL_2, -1, TAL_1, 0, 0, n_cols - 1, n_rows - 1);
 780   tab_hline (t, TAL_2, 0, n_cols - 1, 1);
 781   tab_vline (t, TAL_2, 2, 0, n_rows - 1);
 782   tab_vline (t, TAL_0, 1, 0, 0);
 783
 784   tab_text (t, 1, 0, TAB_CENTER | TAT_TITLE, _("R"));
 785   tab_text (t, 2, 0, TAB_CENTER | TAT_TITLE, _("R Square"));
 786   tab_text (t, 3, 0, TAB_CENTER | TAT_TITLE, _("Adjusted R Square"));
 787   tab_text (t, 4, 0, TAB_CENTER | TAT_TITLE, _("Std. Error of the Estimate"));
 788   tab_double (t, 1, 1, TAB_RIGHT, sqrt (rsq), NULL, RC_OTHER);
 789   tab_double (t, 2, 1, TAB_RIGHT, rsq, NULL, RC_OTHER);
 790   tab_double (t, 3, 1, TAB_RIGHT, adjrsq, NULL, RC_OTHER);
 791   tab_double (t, 4, 1, TAB_RIGHT, std_error, NULL, RC_OTHER);
 792   tab_title (t, _("Model Summary (%s)"), var_to_string (var));
 793   tab_submit (t);
 794 }
 795
 796 /*
 797   Table showing estimated regression coefficients.
 798 */
 799 static void
 800 reg_stats_coeff (const linreg * c, const gsl_matrix *cov, const struct variable *var, const struct regression *cmd)
 801 {
 802   size_t j;
 803   int n_cols = 7;
 804   const int heading_rows = 2;
 805   int n_rows;
 806   int this_row;
 807   double t_stat;
 808   double pval;
 809   double std_err;
 810   double beta;
 811   const char *label;
 812
 813   const struct variable *v;
 814   struct tab_table *t;
 815
 816   const double df = linreg_n_obs (c) - linreg_n_coeffs (c) - 1;
 817   double q = (1 - cmd->ci) / 2.0;  /* 2-tailed test */
 818   double tval = gsl_cdf_tdist_Qinv (q, df);
 819
 820   assert (c != NULL);
 821   n_rows = linreg_n_coeffs (c) + heading_rows + 1;
 822
 823   if (cmd->stats & STATS_CI)
 824     n_cols += 2;
 825
 826   t = tab_create (n_cols, n_rows);
 827   tab_headers (t, 2, 0, 1, 0);
 828   tab_box (t, TAL_2, TAL_2, -1, TAL_1, 0, 0, n_cols - 1, n_rows - 1);
 829   tab_hline (t, TAL_2, 0, n_cols - 1, heading_rows);
 830   tab_vline (t, TAL_2, 2, 0, n_rows - 1);
 831   tab_vline (t, TAL_0, 1, 0, 0);
 832
 833
 834   tab_hline (t, TAL_1, 2, 4, 1);
 835   tab_joint_text (t, 2, 0, 3, 0, TAB_CENTER | TAT_TITLE, _("Unstandardized Coefficients"));
 836   tab_text (t, 2, 1, TAB_CENTER | TAT_TITLE, _("B"));
 837   tab_text (t, 3, 1, TAB_CENTER | TAT_TITLE, _("Std. Error"));
 838   tab_text (t, 4, 0, TAB_CENTER | TAT_TITLE, _("Standardized Coefficients"));
 839   tab_text (t, 4, 1, TAB_CENTER | TAT_TITLE, _("Beta"));
 840   tab_text (t, 5, 1, TAB_CENTER | TAT_TITLE, _("t"));
 841   tab_text (t, 6, 1, TAB_CENTER | TAT_TITLE, _("Sig."));
 842   tab_text (t, 1, heading_rows, TAB_LEFT | TAT_TITLE, _("(Constant)"));
 843   tab_double (t, 2, heading_rows, 0, linreg_intercept (c), NULL, RC_OTHER);
 844   std_err = sqrt (gsl_matrix_get (linreg_cov (c), 0, 0));
 845
 846   if (cmd->stats & STATS_CI)
 847     {
 848       double lower = linreg_intercept (c) - tval * std_err ;
 849       double upper = linreg_intercept (c) + tval * std_err ;
 850       tab_double (t, 7, heading_rows, 0, lower, NULL, RC_OTHER);
 851       tab_double (t, 8, heading_rows, 0, upper, NULL, RC_OTHER);
 852
 853       tab_joint_text_format (t, 7, 0, 8, 0, TAB_CENTER | TAT_TITLE, _("%g%% Confidence Interval for B"), cmd->ci * 100);
 854       tab_hline (t, TAL_1, 7, 8, 1);
 855       tab_text (t, 7, 1, TAB_CENTER | TAT_TITLE, _("Lower Bound"));
 856       tab_text (t, 8, 1, TAB_CENTER | TAT_TITLE, _("Upper Bound"));
 857     }
 858   tab_double (t, 3, heading_rows, 0, std_err, NULL, RC_OTHER);
 859   tab_double (t, 4, heading_rows, 0, 0.0, NULL, RC_OTHER);
 860   t_stat = linreg_intercept (c) / std_err;
 861   tab_double (t, 5, heading_rows, 0, t_stat, NULL, RC_OTHER);
 862   pval =
 863     2 * gsl_cdf_tdist_Q (fabs (t_stat),
 864                          (double) (linreg_n_obs (c) - linreg_n_coeffs (c)));
 865   tab_double (t, 6, heading_rows, 0, pval, NULL, RC_PVALUE);
 866
 867   for (j = 0; j < linreg_n_coeffs (c); j++)
 868     {
 869       struct string tstr;
 870       ds_init_empty (&tstr);
 871       this_row = j + heading_rows + 1;
 872
 873       v = linreg_indep_var (c, j);
 874       label = var_to_string (v);
 875       /* Do not overwrite the variable's name. */
 876       ds_put_cstr (&tstr, label);
 877       tab_text (t, 1, this_row, TAB_LEFT, ds_cstr (&tstr));
 878       /*
 879          Regression coefficients.
 880        */
 881       tab_double (t, 2, this_row, 0, linreg_coeff (c, j), NULL, RC_OTHER);
 882       /*
 883          Standard error of the coefficients.
 884        */
 885       std_err = sqrt (gsl_matrix_get (linreg_cov (c), j + 1, j + 1));
 886       tab_double (t, 3, this_row, 0, std_err, NULL, RC_OTHER);
 887       /*
 888          Standardized coefficient, i.e., regression coefficient
 889          if all variables had unit variance.
 890        */
 891       beta = sqrt (gsl_matrix_get (cov, j, j));
 892       beta *= linreg_coeff (c, j) /
 893         sqrt (gsl_matrix_get (cov, cov->size1 - 1, cov->size2 - 1));
 894       tab_double (t, 4, this_row, 0, beta, NULL, RC_OTHER);
 895
 896       /*
 897          Test statistic for H0: coefficient is 0.
 898        */
 899       t_stat = linreg_coeff (c, j) / std_err;
 900       tab_double (t, 5, this_row, 0, t_stat, NULL, RC_OTHER);
 901       /*
 902          P values for the test statistic above.
 903        */
 904       pval = 2 * gsl_cdf_tdist_Q (fabs (t_stat), df);
 905       tab_double (t, 6, this_row, 0, pval, NULL, RC_PVALUE);
 906       ds_destroy (&tstr);
 907
 908       if (cmd->stats & STATS_CI)
 909         {
 910           double lower = linreg_coeff (c, j)  - tval * std_err ;
 911           double upper = linreg_coeff (c, j)  + tval * std_err ;
 912
 913           tab_double (t, 7, this_row, 0, lower, NULL, RC_OTHER);
 914           tab_double (t, 8, this_row, 0, upper, NULL, RC_OTHER);
 915         }
 916     }
 917   tab_title (t, _("Coefficients (%s)"), var_to_string (var));
 918   tab_submit (t);
 919 }
 920
 921 /*
 922   Display the ANOVA table.
 923 */
 924 static void
 925 reg_stats_anova (const linreg * c, const struct variable *var)
 926 {
 927   int n_cols = 7;
 928   int n_rows = 4;
 929   const double msm = linreg_ssreg (c) / linreg_dfmodel (c);
 930   const double mse = linreg_mse (c);
 931   const double F = msm / mse;
 932   const double pval = gsl_cdf_fdist_Q (F, c->dfm, c->dfe);
 933
 934   struct tab_table *t;
 935
 936   assert (c != NULL);
 937   t = tab_create (n_cols, n_rows);
 938   tab_headers (t, 2, 0, 1, 0);
 939
 940   tab_box (t, TAL_2, TAL_2, -1, TAL_1, 0, 0, n_cols - 1, n_rows - 1);
 941
 942   tab_hline (t, TAL_2, 0, n_cols - 1, 1);
 943   tab_vline (t, TAL_2, 2, 0, n_rows - 1);
 944   tab_vline (t, TAL_0, 1, 0, 0);
 945
 946   tab_text (t, 2, 0, TAB_CENTER | TAT_TITLE, _("Sum of Squares"));
 947   tab_text (t, 3, 0, TAB_CENTER | TAT_TITLE, _("df"));
 948   tab_text (t, 4, 0, TAB_CENTER | TAT_TITLE, _("Mean Square"));
 949   tab_text (t, 5, 0, TAB_CENTER | TAT_TITLE, _("F"));
 950   tab_text (t, 6, 0, TAB_CENTER | TAT_TITLE, _("Sig."));
 951
 952   tab_text (t, 1, 1, TAB_LEFT | TAT_TITLE, _("Regression"));
 953   tab_text (t, 1, 2, TAB_LEFT | TAT_TITLE, _("Residual"));
 954   tab_text (t, 1, 3, TAB_LEFT | TAT_TITLE, _("Total"));
 955
 956   /* Sums of Squares */
 957   tab_double (t, 2, 1, 0, linreg_ssreg (c), NULL, RC_OTHER);
 958   tab_double (t, 2, 3, 0, linreg_sst (c), NULL, RC_OTHER);
 959   tab_double (t, 2, 2, 0, linreg_sse (c), NULL, RC_OTHER);
 960
 961
 962   /* Degrees of freedom */
 963   tab_text_format (t, 3, 1, TAB_RIGHT, "%.*g", DBL_DIG + 1, c->dfm);
 964   tab_text_format (t, 3, 2, TAB_RIGHT, "%.*g", DBL_DIG + 1, c->dfe);
 965   tab_text_format (t, 3, 3, TAB_RIGHT, "%.*g", DBL_DIG + 1, c->dft);
 966
 967   /* Mean Squares */
 968   tab_double (t, 4, 1, TAB_RIGHT, msm, NULL, RC_OTHER);
 969   tab_double (t, 4, 2, TAB_RIGHT, mse, NULL, RC_OTHER);
 970
 971   tab_double (t, 5, 1, 0, F, NULL, RC_OTHER);
 972
 973   tab_double (t, 6, 1, 0, pval, NULL, RC_PVALUE);
 974
 975   tab_title (t, _("ANOVA (%s)"), var_to_string (var));
 976   tab_submit (t);
 977 }
 978
 979
 980 static void
 981 reg_stats_bcov (const linreg * c, const struct variable *var)
 982 {
 983   int n_cols;
 984   int n_rows;
 985   int i;
 986   int k;
 987   int row;
 988   int col;
 989   const char *label;
 990   struct tab_table *t;
 991
 992   assert (c != NULL);
 993   n_cols = c->n_indeps + 1 + 2;
 994   n_rows = 2 * (c->n_indeps + 1);
 995   t = tab_create (n_cols, n_rows);
 996   tab_headers (t, 2, 0, 1, 0);
 997   tab_box (t, TAL_2, TAL_2, -1, TAL_1, 0, 0, n_cols - 1, n_rows - 1);
 998   tab_hline (t, TAL_2, 0, n_cols - 1, 1);
 999   tab_vline (t, TAL_2, 2, 0, n_rows - 1);
1000   tab_vline (t, TAL_0, 1, 0, 0);
1001   tab_text (t, 0, 0, TAB_CENTER | TAT_TITLE, _("Model"));
1002   tab_text (t, 1, 1, TAB_CENTER | TAT_TITLE, _("Covariances"));
1003   for (i = 0; i < linreg_n_coeffs (c); i++)
1004     {
1005       const struct variable *v = linreg_indep_var (c, i);
1006       label = var_to_string (v);
1007       tab_text (t, 2, i, TAB_CENTER, label);
1008       tab_text (t, i + 2, 0, TAB_CENTER, label);
1009       for (k = 1; k < linreg_n_coeffs (c); k++)
1010         {
1011           col = (i <= k) ? k : i;
1012           row = (i <= k) ? i : k;
1013           tab_double (t, k + 2, i, TAB_CENTER,
1014                       gsl_matrix_get (c->cov, row, col), NULL, RC_OTHER);
1015         }
1016     }
1017   tab_title (t, _("Coefficient Correlations (%s)"), var_to_string (var));
1018   tab_submit (t);
1019 }
1020