# F2-Daten fuer /dVd/
# Berechnung von Regressionslinien fuer /dV/ und /Vd/
# pfad = "Das Verzeichnis, wo die Daten gespeichert ist"
fdat = read.table(paste(pfad, "dform.txt", sep="/"),  header=T)
attach(fdat)
names(fdat)
plot(F2targ, F2in, type="n", xlab="F2-targ", ylab="F2-initial")
text(F2targ, F2in, lab)

regin = 

# ueberlagerte Regressionslinie

regfin = 

coef(regin)
coef(regfin)


######## Vorhersage-Intervall
source(paste(pfad, "lmint.S", sep="/"))
lmint(F2targ, F2in, level=.95)


####### Neigungen miteinander vergleichen
source(paste(pfad, "Slope.test.S", sep="/"))
args(Slope.test)

onset = cbind(F2in, F2targ)
offset = cbind(F2fin, F2targ)
Slope.test(onset, offset)


# 2.1 Sind die residuals normalverteilt?
qqnorm(resid(regin))
qqline(resid(regin))
plot(regin, 2)

shapiro.test(resid(regin))


# 2.2 Ist die y-x Verteilung linear?
plot(regin, 1)

# 2.3 Gibt es Beweise fuer eine Autokorrelation?
acf(resid(regin))
# 95% Vertrauensintervall dafuer
n = length(F2targ)
2/sqrt(n)

# 2.4 Haben die residuals eine konstante Varianz?
plot(resid(regin))

# 2.5 gibt es Ausreisser, die die R-Linie beeinflussen?
plot(regin, 4)
plot(F2targ, F2in, cex = 10*sqrt(cooks.distance(regin)))
text(F2targ, F2in, as.character(1:length(F2in)))

onsetohne = onset[-c(1,12),]
Slope.test(onset, onsetohne)


detach(fdat)


# 3. Mehrfache Regression
pfad = "Das Verzeichnis, wo die Daten gespeichert ist"
ydata = read.table(paste(pfad, "ydata.txt", sep="/"),  header=T)
attach(ydata)
names(ydata)

pairs(ydata)


regm = lm(F2 ~ DORSX+DORSY+LIPX+LIPY)
summary(regm)
# adjusted r-squared
n = length(F2)
1-(1-0.3939) * (  (n-1)/(n-4-1) )

library(MASS)
stepAIC(regm)

summary(regm)
summary(lm(F2~LIPX+LIPY))

# polynomiale Regression
detach(ydata)

edat = read.table(paste(pfad, "epg.txt", sep="/"),  header=T)
attach(edat)
plot(COG, F2)


regp = lm(F2 ~ COG + I(COG^2))
coef(regp)
plot(COG, F2)
curve(-294.3732+2047.8403*x -393.5154*x^2, add=T)