library(mosaic)

# Einlesen in R
tips <- read.csv2("tips.csv")

mean(tip ~ 1, data = tips)

lm(tip ~ 1, data = tips)

#ALtdaten alte VL
erglm1 <- lm(tip~total_bill, data = tips )
erglm2 <- lm(tip~smoker , data=tips)

summary(erglm1)
summary(erglm2)

#Neues
erglm3 <- lm(tip ~ # abbhängige Variable
               total_bill + smoker, # unabhängige Variablen
             data = tips) # Datensatz
summary(erglm3)

plotModel(erglm3)

#Bootstrapping
set.seed(1896) # Reproduzierbarkeit
Bootvtlg <- do(10000) * lm(tip ~ total_bill + smoker,
                           data = resample(tips))
confint(Bootvtlg)

#Interatkionseffekt
erglm4 <- lm(tip ~ total_bill + smoker + total_bill:smoker,
             data = tips)
plotModel(erglm4)

#Test alle Variablen
lm(tip ~ .,
   data = tips)

#Schrittweise Regression
#Wertet Schrittweise alle Variablen aus und gibt aus, welche relevant sind
#Noch ohne Interaktionen
step(lm(tip ~ .,
   data = tips))

step(lm(tip ~ .+total_bill:smoker,
        data = tips))

#S. 311
erglmtb <- lm(total_bill ~ size+time,
        data = tips)
plotModel(erglmtb)


#Logistische Regression
gf_point( (sex=="Male") ~ total_bill,
          data = tips)

#S.322
# Referenzklasse festlegen
tips$sex<- relevel(tips$sex, ref = "Female")
# Kontrolle
levels(tips$sex)

# Speichere Ergebnis der Regression glm() in "ergglm1"
ergglm1 <- glm(sex ~ # abhängige Variable
                 total_bill, # unabghängige Variable(n)
               data = tips, # Datensatz
               # Abhängige Variable binomial,
               # Verknüpfung Logit
               family = binomial("logit"))
summary(ergglm1)

#Modell auflösen x = 10
exp(-0.12 +0.04 * 10) / (1+exp(-0.12 +0.04 * 10))

plotModel(ergglm1)

set.seed(1896) # Reproduzierbarkeit
Bootvtlg <- do(10000) *
  glm(sex ~ total_bill,
      data = resample(tips),
      family = binomial("logit"))
gf_histogram( ~ total_bill, data = Bootvtlg)
quantile( ~ total_bill, data = Bootvtlg,
          probs = c(0.025, 0.975))

set.seed(1896) # Reproduzierbarkeit
Nullvtlg <- do(10000) *
  glm(sex ~ shuffle(total_bill),
      data = tips,
      family = binomial("logit"))

gf_histogram( ~ total_bill, data = Nullvtlg)
prop( ~ abs(total_bill) >= coef(ergglm1)[2],
      data=Nullvtlg )

# Ab hier VL 7 von 2019-11-19
ergglm2 <- glm(sex ~ size,
               data = tips,
               family = binomial("logit"))
summary(ergglm2)

# S.334
#Modell auflösen x = 10
# b0 = 0,08 b1 = 0,2
# 0,08 + 0,2 * x
# x entweder 1, 2 oder 4

0.08+0.2
# p = 0,28
0.08+0.2*2
# p = 0,48
0.08+0.2*4
# p 0,28

exp(0.08 +0.2 * 1) / (1+exp(0.08 +0.2 * 1))
exp(0.08 +0.2 * 2) / (1+exp(0.08 +0.2 * 2))
exp(0.08 +0.2 * 4) / (1+exp(0.08 +0.2 * 4))