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