Updated copyright to 2013 for R/ demo/ models/passing and src/ folders, and also...
[openmx:openmx.git] / demo / BootstrapParallel.R
1 #
2 #   Copyright 2007-2013 The OpenMx Project
3 #
4 #   Licensed under the Apache License, Version 2.0 (the "License");
5 #   you may not use this file except in compliance with the License.
6 #   You may obtain a copy of the License at
7
8 #        http://www.apache.org/licenses/LICENSE-2.0
9
10 #   Unless required by applicable law or agreed to in writing, software
11 #   distributed under the License is distributed on an "AS IS" BASIS,
12 #   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
13 #   See the License for the specific language governing permissions and
14 #   limitations under the License.
15
16
17 # -----------------------------------------------------------------------
18 # Program: BootstrapParallel.R  
19 # Author: Unknown
20 #  Date: 9999.99.99 
21 #
22 # ModelType: Parallel
23 # DataType: Continuous
24 # Field: None
25 #
26 # Purpose:
27 #      Bootstrap parallel models
28 #
29 # RevisionHistory:
30 #      Ross Gore -- 2011.06.16 updated & reformatted
31 # -----------------------------------------------------------------------
32
33 require(OpenMx)
34
35
36 lambda <- matrix(c(.8, .5, .7, 0), 4, 1)
37 nObs <- 500
38 nReps <- 10
39 nVar <- nrow(lambda)
40 specifics <- diag(nVar)
41 chl <- chol(lambda %*% t(lambda) + specifics)
42 # parameters for the simulation: lambda = factor loadings,
43 # specifics = specific variances
44 # -----------------------------------------------------------------------------
45
46
47 pStrt <- 3
48 pEnd <- pStrt + 2*nVar - 1
49 hStrt <- pEnd + 1
50 hEnd <- hStrt + 2*nVar - 1
51 # indices for parameters and hessian estimate in results
52 # -----------------------------------------------------------------------------
53
54
55 dn <- list()
56 dn[[1]] <- paste("Var", 1:4, sep="")
57 dn[[2]] <- dn[[1]]
58 # dimension names for OpenMx
59 # -----------------------------------------------------------------------------
60
61
62 randomCov <- function(nObs, nVar, chl, dn) {
63   x <- matrix(rnorm(nObs*nVar), nObs, nVar)
64   x <- x %*% chl
65   thisCov <- cov(x)
66   dimnames(thisCov) <- dn
67   return(thisCov)  
68 }
69 # function to get a covariance matrix
70 # -----------------------------------------------------------------------------
71
72 createNewModel <- function(index, prefix, model) {
73         modelname <- paste(prefix, index, sep='')
74         data <- mxData(randomCov(nObs, nVar, chl, dn), type="cov", numObs=nObs)
75         model <- mxModel(model, data)
76         model <- mxRename(model, modelname)
77         return(model)
78 }
79
80 getStats <- function(model) {
81         retval <- c(model@output$status[[1]],
82                 max(abs(model@output$gradient)),
83                 model@output$estimate,
84                 sqrt(diag(solve(model@output$hessian))))
85         return(retval)
86 }
87
88
89
90 obsCov <- randomCov(nObs, nVar, chl, dn)
91 # initialize obsCov for MxModel
92 # -----------------------------------------------------------------------------
93
94 results <- matrix(0, nReps, hEnd)
95 dnr <- c("inform", "maxAbsG", paste("lambda", 1:nVar, sep=""),
96          paste("specifics", 1:nVar, sep=""),
97          paste("hessLambda", 1:nVar, sep=""),
98          paste("hessSpecifics", 1:nVar, sep=""))
99 dimnames(results)[[2]] <- dnr
100 # results matrix: get results for each simulation
101 # -----------------------------------------------------------------------------
102
103
104 template <- mxModel("stErrSim",
105                        mxMatrix(name="lambda", type="Full", nrow=4, ncol=1,
106                                 free=TRUE, values=c(.8, .5, .7, 0)),
107                        mxMatrix(name="specifics", type="Diag", nrow=4,
108                                 free=TRUE, values=rep(1, 4)),
109                        mxAlgebra(lambda %*% t(lambda) + specifics,
110                                  name="preCov", dimnames=dn),
111                        mxData(observed=obsCov, type="cov", numObs=nObs),
112                        mxFitFunctionML(),mxExpectationNormal(covariance='preCov'),
113                        independent = TRUE)
114 # instantiate MxModel
115 # -----------------------------------------------------------------------------
116
117 topModel <- mxModel("container")
118
119 submodels <- lapply(1:nReps, createNewModel, 'stErrSim', template)
120
121 names(submodels) <- imxExtractNames(submodels)
122 topModel@submodels <- submodels
123
124 modelResults <- mxRun(topModel, silent=TRUE, suppressWarnings=TRUE)
125
126 results <- t(omxSapply(modelResults@submodels, getStats))
127
128
129 results2 <- data.frame(results[which(results[,1] <= 1),])
130 # get rid of bad covergence results
131 # -----------------------------------------------------------------------------
132
133 means <- colMeans(results2)
134 stdevs <- sapply(results2, sd)
135 sumResults <- data.frame(matrix(dnr[pStrt:pEnd], 2*nVar, 1,
136                                 dimnames=list(NULL, "Parameter")))
137 sumResults$mean <- means[pStrt:pEnd]
138 sumResults$obsStDev <- stdevs[pStrt:pEnd]
139 sumResults$meanHessEst <- means[hStrt:hEnd]
140 sumResults$sqrt2meanHessEst <- sqrt(2) * sumResults$meanHessEst
141 # summarize the results
142 # -----------------------------------------------------------------------------
143
144 print(sumResults)
145 # print results
146 # -----------------------------------------------------------------------------
147