p1

dane <- readRDS("cwiczenia_3/dane/dane2007.rds")
write.csv(dane, "dane.csv", row.names=FALSE)
names(dane)
library(ggpubr)
library(car)
library(dplyr)
library(ggplot2)
library(ggResidpanel)
??car
# usunąć - date, mce oraz TwMP
dane = dane %>% select(-c(data, mce, TwMP))
dane  
dane = dane[complete.cases(dane),]
png("zad1_a.png")
ggplot(dane, aes(x=TwP, y=tps)) + geom_point() +
  xlab("TwP: Temperatura wody w Parsęcie [C]") + 
  ylab("tps: Temperatura powietrza [C]") + 
  geom_smooth() + 
  geom_abline(color = 'grey') + 
  theme_bw()
dev.off()

model_lm <- lm(formula = TwP ~ tps, data = dane)   
write.csv(model_lm$coefficients, "zad1_wspolczynniki.csv")
model_lm$coefficients # współczynnik modelu
summary(model_lm) # TwP = 0.62243 * tps - 3.08151



new <- data.frame(tps = c(5.3, 2.1, 21))
p <- predict(model_lm, new)
p #oszacowana temperatura
png("zad1_b.png")
ggplot(dane, aes(x=TwP, y=tps)) + geom_point() + 
  xlab("TwP: Temperatura wody w Parsęcie [C]") + 
  ylab("tps: Temperatura powietrza [C]") + 
  geom_smooth() + 
  geom_abline(color = 'grey') + 
  theme_bw() + 
  stat_regline_equation(data = dane, aes(x=TwP, y=tps), formula = x ~ y, 
                        show.legend = TRUE, label.x = 0, label.y = 25) +
  stat_cor(data = dane, x.label = 15, label.y = 20)
dev.off()
model_df <- model_lm$model
model_df$oszacowane = model_lm$fitted.values
model_df$reszty = model_lm$residuals
model_lm
png("zad1_c.png")
ggplot(model_df, aes(x=TwP, y=oszacowane)) + geom_point() +
  xlab("Wartości obserwowane") + 
  ylab("Wartości dopasowane") + 
  geom_smooth() + 
  geom_abline(color = 'grey') + 
  theme_bw()
dev.off()
smr_model_lm <-summary(model_lm)

smr_model_lm$r.squared # determinacji
# 91,59 % zmienności zmiennej TwP jest wyjaśniona przez zmienność tps

outlierTest(model_lm) #odstające id 120
dane[120, ]
png("zad1_d.png")
ggplot(dane, aes(x=TwP, y=tps)) + 
  geom_point() +
  geom_point(data = dane[120,], aes(x=TwP, y=tps), color = "red", size = 4) +
  xlab("TwP: Temperatura wody w Parsęcie [C]") + 
  ylab("tps: Temperatura powietrza [C]") + 
  geom_smooth() + 
  geom_abline(color = 'grey') + 
  theme_bw()

dev.off()
summary(smr_model_lm$residuals) # reszty z modelu
png("zad1_e.png")
resid_panel(model_lm) # wykresy reszt
dev.off()
#---------
# POSTĘPUJĄCA
start_m <- lm(TwP ~ 1, data = dane) #model tylko z wyrazem wolnym
end_m <- lm(TwP ~ ., data = dane) #model ze wszystkimi zmiennymi w zbiorze danych 
model_koniec_1 <- step(start_m, scope=list(lower=start_m, upper=end_m), direction="forward")

#model_koniec_1 <- step(lm(cena ~ ., data = dane), direction = "forward")
# WSTECZNA
model_koniec_2 <- step(lm(TwP ~ ., data = dane), direction = "backward")
# W OBU KIERUNKACH
model_koniec_3 <- step(lm(TwP ~ ., data = dane), direction = "both")
model_koniec_1
model_reczny_1 <- lm(TwP ~ tg20cm + tps + tg100cm + tg5cm, dane)
model_reczny_2 <- lm(TwP ~ tg20cm + tps + tg50cm + tg5cm, dane)
model_reczny_3 <- lm(TwP ~ tg20cm + tps + tg50cm + tg100cm + tg5cm, dane)
res_AIC = c(M1_postepujaca = AIC(model_koniec_1),
            M2_wsteczna = AIC(model_koniec_2),
            M3_wobukierunkach = AIC(model_koniec_3),
            m_reczny = AIC(model_reczny_1),
            m_reczny2 = AIC(model_reczny_2),
            m_reczny3 = AIC(model_reczny_3),
            modelml = AIC(model_lm))
which.min(res_AIC)
res_AIC
summary(model_koniec_1)
model_lm

m1 = data.frame("Model 1 - forward","TwP ~ tg20cm + tmin + tps + tg100cm + tg5cm", AIC(model_koniec_1), summary(model_koniec_1)$r.squared)
m2 = data.frame("Model 2 - backward","TwP ~ tps + tmin + tg20cm + tg100cm", AIC(model_koniec_2), summary(model_koniec_2)$r.squared)
m3 = data.frame("Model 3 - both","TwP ~ tps + tmin + tg20cm + tg100cm + tg5cm", AIC(model_koniec_3), summary(model_koniec_3)$r.squared)
m4 = data.frame("Model 4 - regresja liniowa", "TwP ~ tps", AIC(model_lm), summary(model_lm)$r.squared)
m5 = data.frame("Model 5 - ręczny", "TwP ~ tg5cm + tg10cm + tg50cm + tps + tg100cm", AIC(lm(TwP ~ tg5cm + tg10cm + tg50cm + tps + tg100cm, data = dane)), summary(lm(TwP ~ tg5cm + tg10cm + tg50cm + tps + tg100cm, data = dane))$r.squared)
names(m1) = c("Nazwa modelu", "Formuła", "Wartość AIC", "Współczynnik R2")
names(m2) = c("Nazwa modelu", "Formuła", "Wartość AIC", "Współczynnik R2")
names(m3) = c("Nazwa modelu", "Formuła", "Wartość AIC", "Współczynnik R2")
names(m4) = c("Nazwa modelu", "Formuła", "Wartość AIC", "Współczynnik R2")
names(m5) = c("Nazwa modelu", "Formuła", "Wartość AIC", "Współczynnik R2")
m12 = full_join(m1, m2)
m123 = full_join(m12, m3)
m1234 = full_join(m123, m4)
m12345 = full_join(m1234, m5)
View(m12345)
write.csv(m12345, "regresja.csv")


model_koniec_1$coefficients # współczynnik modelu
summary(model_koniec_1) # TwP = (0.19704 * tps + 0.41723 * tg20cm +
# 0.05197 * tmin + 0.17560 * tg100cm - 0.11092 * tg5cm) - 1.57185
smr_model_1 <-summary(model_koniec_1)
smr_model_1$r.squared # determinacji

outlierTest(model_koniec_1) #odstające id 120
dane[c(113,120,140,141), ]

png("zad2_a.png")
ggplot(dane, aes(x=TwP, y=tps)) + 
  geom_point() +
  geom_point(data = dane[c(113,120,140,141), ], aes(x=TwP, y=tps), color = "red", size = 4) +
  xlab("TwP: Temperatura wody w Parsęcie [C]") + 
  ylab("tps: Temperatura powietrza [C]") + 
  geom_smooth() + 
  geom_abline(color = 'grey') + 
  theme_bw()

dev.off()

png("zad2_b.png")
resid_compare(list(model_lm, model_koniec_1)) 
dev.off()