Fix/remove improper printf style formats
[openmx:openmx.git] / src / omxMLFitFunction.cpp
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 #include <R.h>
18 #include <Rinternals.h>
19 #include <Rdefines.h>
20 #include <R_ext/Rdynload.h>
21 #include <R_ext/BLAS.h>
22 #include <R_ext/Lapack.h>
23 #include "omxAlgebraFunctions.h"
24 #include "omxExpectation.h"
25 #include "omxMLFitFunction.h"
26 #include "omxFIMLFitFunction.h"
27 #include "omxRAMExpectation.h"
28
29 void omxDestroyMLFitFunction(omxFitFunction *oo) {
30
31         if(OMX_DEBUG) {mxLog("Freeing ML Fit Function.");}
32         omxMLFitFunction* omlo = ((omxMLFitFunction*)oo->argStruct);
33
34         if(omlo->localCov != NULL)      omxFreeMatrixData(omlo->localCov);
35         if(omlo->localProd != NULL)     omxFreeMatrixData(omlo->localProd);
36         if(omlo->P != NULL)                     omxFreeMatrixData(omlo->P);
37         if(omlo->C != NULL)                     omxFreeMatrixData(omlo->C);
38         if(omlo->I != NULL)                     omxFreeMatrixData(omlo->I);
39 }
40
41 static void calcExtraLikelihoods(omxFitFunction *oo, double *saturated_out, double *independence_out)
42 {
43         omxMLFitFunction *state = (omxMLFitFunction*) oo->argStruct;
44         double det = 0.0;
45         omxMatrix* cov = state->observedCov;
46         int ncols = state->observedCov->cols;
47     
48         *saturated_out = (state->logDetObserved + ncols) * (state->n - 1);
49
50         // Independence model assumes all-zero manifest covariances.
51         // (det(expected) + tr(observed * expected^-1)) * (n - 1);
52         // expected is the diagonal of the observed.  Inverse expected is 1/each diagonal value.
53         // Therefore the diagonal elements of observed * expected^-1 are each 1.
54         // So the trace of the matrix is the same as the number of columns.
55         // The determinant of a diagonal matrix is the product of the diagonal elements.
56         // Since these are the same in the expected as in the observed, we can get 'em direct.
57
58         for(int i = 0; i < ncols; i++) {
59                 // We sum logs instead of logging the product.
60                 det += log(omxMatrixElement(cov, i, i));
61         }
62         if(OMX_DEBUG) { omxPrint(cov, "Observed:"); }
63
64         *independence_out = (ncols + det) * (state->n - 1);
65 }
66
67 static void addOutput(omxFitFunction *oo, MxRList *out)
68 {
69         // DEPRECATED, use omxPopulateMLAttributes
70         double saturated_out;
71         double independence_out;
72         calcExtraLikelihoods(oo, &saturated_out, &independence_out);
73         out->push_back(std::make_pair(mkChar("SaturatedLikelihood"),
74                                       ScalarReal(saturated_out)));
75         out->push_back(std::make_pair(mkChar("IndependenceLikelihood"),
76                                       ScalarReal(independence_out)));
77 }
78
79 static void omxCallMLFitFunction(omxFitFunction *oo, int want, FitContext *) {
80
81         if (want & (FF_COMPUTE_PREOPTIMIZE | FF_COMPUTE_POSTOPTIMIZE)) return;
82
83         if(OMX_DEBUG) { mxLog("Beginning ML Evaluation.");}
84         // Requires: Data, means, covariances.
85
86         double sum = 0.0, det = 0.0;
87         char u = 'U';
88         char r = 'R';
89         int info = 0;
90         double oned = 1.0;
91         double zerod = 0.0;
92         double minusoned = -1.0;
93         int onei = 1;
94         double fmean = 0.0;
95
96         omxMatrix *scov, *smeans, *cov, *means, *localCov, *localProd, *P, *C;
97
98         omxMLFitFunction *omo = ((omxMLFitFunction*)oo->argStruct);
99         
100     /* Locals for readability.  Compiler should cut through this. */
101         scov            = omo->observedCov;
102         smeans          = omo->observedMeans;
103         cov                     = omo->expectedCov;
104         means           = omo->expectedMeans;
105         localCov        = omo->localCov;
106         localProd       = omo->localProd;
107         P                       = omo->P;
108         C                       = omo->C;
109         double n        = omo->n;
110         double Q        = omo->logDetObserved;
111         omxExpectation* expectation = oo->expectation;
112
113     /* Recompute and recopy */
114         omxExpectationCompute(expectation, NULL);
115
116         omxCopyMatrix(localCov, cov);                           // But expected cov is destroyed in inversion
117
118         if(OMX_DEBUG_ALGEBRA) {
119                 omxPrint(scov, "Observed Covariance is");
120                 omxPrint(localCov, "Implied Covariance Is");
121                 omxPrint(cov, "Original Covariance Is");
122         }
123
124         /* Calculate |expected| */
125
126 //      F77_CALL(dgetrf)(&(localCov->cols), &(localCov->rows), localCov->data, &(localCov->cols), ipiv, &info);
127         F77_CALL(dpotrf)(&u, &(localCov->cols), localCov->data, &(localCov->cols), &info);
128
129         if(OMX_DEBUG_ALGEBRA) { mxLog("Info on LU Decomp: %d", info);}
130         if(info > 0) {
131                 omxRaiseErrorf(oo->matrix->currentState,
132                                "Expected covariance matrix is non-positive-definite after %ld evaluations",
133                                oo->matrix->currentState->computeCount);
134                 return;
135         }
136
137         //det = log(det)        // TVO: changed multiplication of det to first log and the summing up; this line should just set det to zero.
138         for(info = 0; info < localCov->cols; info++) {          // |cov| is the square of the product of the diagonal elements of U from the LU factorization.
139                 det += log(fabs(localCov->data[info+localCov->rows*info])); // TVO: changed * to + and added fabs command
140         }
141         det *= 2.0;             // TVO: instead of det *= det;
142
143         if(OMX_DEBUG_ALGEBRA) { mxLog("Determinant of Expected Cov: %f", exp(det)); }
144         // TVO: removed det = log(fabs(det))
145         if(OMX_DEBUG_ALGEBRA) { mxLog("Log of Determinant of Expected Cov: %f", det); }
146
147         /* Calculate Expected^(-1) */
148 //      F77_CALL(dgetri)(&(localCov->rows), localCov->data, &(localCov->cols), ipiv, work, lwork, &info);
149         F77_CALL(dpotri)(&u, &(localCov->rows), localCov->data, &(localCov->cols), &info);
150         if(OMX_DEBUG_ALGEBRA) { mxLog("Info on Invert: %d", info); }
151
152         if(OMX_DEBUG_ALGEBRA) {omxPrint(cov, "Expected Covariance Matrix:");}
153         if(OMX_DEBUG_ALGEBRA) {omxPrint(localCov, "Inverted Matrix:");}
154
155         /* Calculate C = Observed * expected^(-1) */
156
157         // Stop gcc from issuing a warning
158         int majority = *(scov->majority) == 'n' ? scov->rows : scov->cols;
159
160         /*  TODO:  Make sure leading edges are being appropriately calculated, and sub them back into this */
161         F77_CALL(dsymm)(&r, &u, &(localCov->rows), &(scov->cols),
162                                         &oned, localCov->data, &(majority),
163                                         scov->data, &(majority),
164                                         &zerod, localProd->data, &(localProd->leading));
165
166     /* And get the trace of the result */
167
168         for(info = 0; info < localCov->cols; info++) {
169                 sum += localProd->data[info*localCov->cols + info];
170         }
171
172 //      for(info = 0; info < (localCov->cols * localCov->rows); info++) {
173 //              sum += localCov->data[info] * scov->data[info];
174 //      }
175
176         if(OMX_DEBUG_ALGEBRA) {omxPrint(scov, "Observed Covariance Matrix:");}
177         if(OMX_DEBUG_ALGEBRA) {omxPrint(localCov, "Inverse Matrix:");}
178         if(OMX_DEBUG_ALGEBRA) {omxPrint(localProd, "Product Matrix:");}
179
180         if(means != NULL) {
181                 if(OMX_DEBUG_ALGEBRA) { mxLog("Means Likelihood Calculation"); }
182                 omxRecompute(means);
183                 omxCopyMatrix(P, means);
184                 // P = means - smeans
185                 if(OMX_DEBUG_ALGEBRA) {omxPrint(means, "means");}
186                 if(OMX_DEBUG_ALGEBRA) {omxPrint(smeans, "smeans");}
187                 F77_CALL(daxpy)(&(smeans->cols), &minusoned, smeans->data, &onei, P->data, &onei);
188                 if(OMX_DEBUG_ALGEBRA) {omxPrint(P, "means - smeans");}
189                 // C = P * Cov
190                 F77_CALL(dsymv)(&u, &(localCov->rows), &oned, localCov->data, &(localCov->leading), P->data, &onei, &zerod, C->data, &onei);
191                 // P = C * P'
192                 fmean = F77_CALL(ddot)(&(C->cols), P->data, &onei, C->data, &onei);
193
194                 if(OMX_DEBUG_ALGEBRA) { mxLog("Mean contribution to likelihood is %f per row.", fmean); }
195                 if(fmean < 0.0) fmean = 0.0;
196         }
197
198         oo->matrix->data[0] = (sum + det) * (n - 1) + fmean * (n);
199
200         if(OMX_DEBUG) { mxLog("MLFitFunction value comes to: %f (Chisq: %f).", oo->matrix->data[0], (sum + det) - Q - cov->cols); }
201
202 }
203
204 void omxPopulateMLAttributes(omxFitFunction *oo, SEXP algebra) {
205     if(OMX_DEBUG) { mxLog("Populating ML Attributes."); }
206
207         omxMLFitFunction *argStruct = ((omxMLFitFunction*)oo->argStruct);
208         omxMatrix *expCovInt = argStruct->expectedCov;                  // Expected covariance
209         omxMatrix *expMeanInt = argStruct->expectedMeans;                       // Expected means
210
211         SEXP expCovExt, expMeanExt, gradients;
212         PROTECT(expCovExt = allocMatrix(REALSXP, expCovInt->rows, expCovInt->cols));
213         for(int row = 0; row < expCovInt->rows; row++)
214                 for(int col = 0; col < expCovInt->cols; col++)
215                         REAL(expCovExt)[col * expCovInt->rows + row] =
216                                 omxMatrixElement(expCovInt, row, col);
217
218         if (expMeanInt != NULL) {
219                 PROTECT(expMeanExt = allocMatrix(REALSXP, expMeanInt->rows, expMeanInt->cols));
220                 for(int row = 0; row < expMeanInt->rows; row++)
221                         for(int col = 0; col < expMeanInt->cols; col++)
222                                 REAL(expMeanExt)[col * expMeanInt->rows + row] =
223                                         omxMatrixElement(expMeanInt, row, col);
224         } else {
225                 PROTECT(expMeanExt = allocMatrix(REALSXP, 0, 0));               
226         }   
227
228         if (0) {
229                 // TODO, fix for new gradient internal API
230         } else {
231                 PROTECT(gradients = allocMatrix(REALSXP, 0, 0));
232         }
233     
234         setAttrib(algebra, install("expCov"), expCovExt);
235         setAttrib(algebra, install("expMean"), expMeanExt);
236         setAttrib(algebra, install("gradients"), gradients);
237         
238         double saturated_out;
239         double independence_out;
240         calcExtraLikelihoods(oo, &saturated_out, &independence_out);
241         setAttrib(algebra, install("SaturatedLikelihood"), ScalarReal(saturated_out));
242         setAttrib(algebra, install("IndependenceLikelihood"), ScalarReal(independence_out));
243
244         UNPROTECT(3);
245 }
246
247 void omxSetMLFitFunctionCalls(omxFitFunction* oo) {
248         
249         /* Set FitFunction Calls to ML FitFunction Calls */
250         oo->computeFun = omxCallMLFitFunction;
251         oo->destructFun = omxDestroyMLFitFunction;
252         oo->addOutput = addOutput;
253         oo->populateAttrFun = omxPopulateMLAttributes;
254 }
255
256
257 void omxInitMLFitFunction(omxFitFunction* oo)
258 {
259         omxExpectation *expectation = oo->expectation;
260         if (strcmp(expectation->expType, "MxExpectationBA81")==0) {
261                 omxInitFitFunctionBA81(oo);
262                 return;
263         }
264
265         if(OMX_DEBUG) { mxLog("Initializing ML fit function."); }
266
267         int info = 0;
268         double det = 1.0;
269         char u = 'U';
270         
271         /* Read and set expectation */
272         omxSetMLFitFunctionCalls(oo);
273
274         if (!oo->expectation) { error("%s requires an expectation", oo->fitType); }
275
276         omxData* dataMat = oo->expectation->data;
277
278         if(!(dataMat == NULL) && strncmp(omxDataType(dataMat), "cov", 3) != 0 && strncmp(omxDataType(dataMat), "cor", 3) != 0) {
279                 if(strncmp(omxDataType(dataMat), "raw", 3) == 0) {
280                         if(OMX_DEBUG) { mxLog("Raw Data: Converting to FIML."); }
281                         omxInitFIMLFitFunction(oo);
282                         return;
283                 }
284                 char *errstr = (char*) calloc(250, sizeof(char));
285                 sprintf(errstr, "ML FitFunction unable to handle data type %s.\n", omxDataType(dataMat));
286                 omxRaiseError(oo->matrix->currentState, -1, errstr);
287                 free(errstr);
288                 if(OMX_DEBUG) { mxLog("ML FitFunction unable to handle data type %s.  Aborting.", omxDataType(dataMat)); }
289                 return;
290         }
291
292         omxMLFitFunction *newObj = (omxMLFitFunction*) R_alloc(1, sizeof(omxMLFitFunction));
293         oo->argStruct = (void*)newObj;
294
295         if(OMX_DEBUG) { mxLog("Processing Observed Covariance."); }
296         newObj->observedCov = omxDataMatrix(dataMat, NULL);
297         if(OMX_DEBUG) { mxLog("Processing Observed Means."); }
298         newObj->observedMeans = omxDataMeans(dataMat, NULL, NULL);
299         if(OMX_DEBUG && newObj->observedMeans == NULL) { mxLog("ML: No Observed Means."); }
300         if(OMX_DEBUG) { mxLog("Processing n."); }
301         newObj->n = omxDataNumObs(dataMat);
302
303         newObj->expectedCov = omxGetExpectationComponent(oo->expectation, oo, "cov");
304         newObj->expectedMeans = omxGetExpectationComponent(oo->expectation, oo, "means");
305
306         if(newObj->expectedCov == NULL) {
307                 omxRaiseError(oo->matrix->currentState, OMX_DEVELOPER_ERROR,
308                         "Developer Error in ML-based fit function object: ML's expectation must specify a model-implied covariance matrix.\nIf you are not developing a new expectation type, you should probably post this to the OpenMx forums.");
309                 return;
310         }
311
312         // Error Checking: Observed/Expected means must agree.  
313         // ^ is XOR: true when one is false and the other is not.
314         if((newObj->expectedMeans == NULL) ^ (newObj->observedMeans == NULL)) {
315                 if(newObj->expectedMeans != NULL) {
316                         omxRaiseError(oo->matrix->currentState, OMX_ERROR,
317                                 "Observed means not detected, but an expected means matrix was specified.\n  If you provide observed means, you must specify a model for the means.\n");
318                         return;
319                 } else {
320                         omxRaiseError(oo->matrix->currentState, OMX_ERROR,
321                                 "Observed means were provided, but an expected means matrix was not specified.\n  If you  wish to model the means, you must provide observed means.\n");
322                         return;         
323                 }
324         }
325
326         /* Temporary storage for calculation */
327         int rows = newObj->observedCov->rows;
328         int cols = newObj->observedCov->cols;
329         newObj->localCov = omxInitMatrix(NULL, rows, cols, TRUE, oo->matrix->currentState);
330         newObj->localProd = omxInitMatrix(NULL, rows, cols, TRUE, oo->matrix->currentState);
331         newObj->P = omxInitMatrix(NULL, 1, cols, TRUE, oo->matrix->currentState);
332         newObj->C = omxInitMatrix(NULL, rows, cols, TRUE, oo->matrix->currentState);
333         newObj->I = omxInitMatrix(NULL, rows, cols, TRUE, oo->matrix->currentState);
334
335         for(int i = 0; i < rows; i++) omxSetMatrixElement(newObj->I, i, i, 1.0);
336
337         omxCopyMatrix(newObj->localCov, newObj->observedCov);
338
339         newObj->lwork = newObj->expectedCov->rows;
340         newObj->work = (double*)R_alloc(newObj->lwork, sizeof(double));
341
342         // TODO: Determine where the saturated model computation should go.
343
344         F77_CALL(dpotrf)(&u, &(newObj->localCov->cols), newObj->localCov->data, &(newObj->localCov->cols), &info);
345
346         if(OMX_DEBUG) { mxLog("Info on LU Decomp: %d", info); }
347         if(info != 0) {
348                 char *errstr = (char*) calloc(250, sizeof(char));
349                 sprintf(errstr, "Observed Covariance Matrix is non-positive-definite.\n");
350                 omxRaiseError(oo->matrix->currentState, -1, errstr);
351                 free(errstr);
352                 return;
353         }
354         for(info = 0; info < newObj->localCov->cols; info++) {
355                 det *= omxMatrixElement(newObj->localCov, info, info);
356         }
357         det *= det;                                     // Product of squares.
358
359         if(OMX_DEBUG) { mxLog("Determinant of Observed Cov: %f", det); }
360         newObj->logDetObserved = log(det);
361         if(OMX_DEBUG) { mxLog("Log Determinant of Observed Cov: %f", newObj->logDetObserved); }
362
363         omxCopyMatrix(newObj->localCov, newObj->expectedCov);
364 }
365
366 void omxSetMLFitFunctionGradient(omxFitFunction* oo, void (*derivativeFun)(omxFitFunction*, double*)) {
367     if(strncmp("omxMLFitFunction", oo->fitType, 16)) {
368         char errorstr[250];
369         sprintf(errorstr, "PROGRAMMER ERROR: Using vanilla-ML gradient with FitFunction of type %s", oo->fitType);
370         omxRaiseError(oo->matrix->currentState, -2, errorstr);
371         return;
372     }
373     
374     if(derivativeFun == NULL) {
375         char errorstr[250];
376         sprintf(errorstr, "Programmer error: ML gradient given NULL gradient function.");
377         omxRaiseError(oo->matrix->currentState, -2, errorstr);
378         return;
379     }
380     
381     //oo->gradientFun = derivativeFun; TODO
382 }
383
384 void omxSetMLFitFunctionGradientComponents(omxFitFunction* oo, void (*derivativeFun)(omxFitFunction*, omxMatrix**, omxMatrix**, int*)) {
385     if(OMX_DEBUG) { mxLog("Setting up gradient component function for ML FitFunction."); }
386     if(!strncmp("omxFIMLFitFunction", oo->fitType, 16)) {
387         if(OMX_DEBUG) { mxLog("FIML FitFunction gradients not yet implemented. Skipping."); }
388         return; // ERROR:NYI.
389     }
390     
391     if(derivativeFun == NULL) {
392         char errorstr[250];
393         sprintf(errorstr, "Programmer error: ML gradient components given NULL gradient function.");
394         omxRaiseError(oo->matrix->currentState, -2, errorstr);
395         return;
396     }
397     
398     omxMLFitFunction *omo = ((omxMLFitFunction*) oo->argStruct);
399     int rows = omo->observedCov->rows;
400     int cols = omo->observedCov->cols;
401     size_t nFreeVars = oo->freeVarGroup->vars.size();
402             
403     omo->derivativeFun = derivativeFun;
404     omo->X  = omxInitMatrix(NULL, rows, cols, TRUE, oo->matrix->currentState);
405     omo->Y  = omxInitMatrix(NULL, rows, cols, TRUE, oo->matrix->currentState);
406     omo->Ms = omxInitMatrix(NULL, 1, cols, TRUE, oo->matrix->currentState);
407     omo->Mu = omxInitMatrix(NULL, 1, cols, TRUE, oo->matrix->currentState);
408     omo->dSigma = (omxMatrix**) R_alloc(nFreeVars, sizeof(omxMatrix*));
409     omo->dMu = (omxMatrix**) R_alloc(nFreeVars, sizeof(omxMatrix*));
410     for(size_t i = 0; i < nFreeVars; i++) {
411         omo->dSigma[i] = omxInitMatrix(NULL, rows, cols, TRUE, oo->matrix->currentState);
412         omo->dMu[i] = omxInitMatrix(NULL, rows, 1, TRUE, oo->matrix->currentState);
413     }
414     //oo->gradientFun = omxCalculateMLGradient; TODO
415 }
416
417 void omxCalculateMLGradient(omxFitFunction* oo, double* gradient) {
418
419     if(OMX_DEBUG) { mxLog("Beginning ML Gradient Calculation."); }
420     // mxLog("Beginning ML Gradient Calculation, Iteration %d.%d (%d)\n", 
421         // oo->matrix->currentState->majorIteration, oo->matrix->currentState->minorIteration,
422         // oo->matrix->currentState->computeCount); //:::DEBUG:::
423     // 1) Calculate current Expected Covariance
424     // 2) Calculate eCov, the Inverse Expected Covariance matrix 
425     // 3) Calculate C = I - eCov D, where D is the observed covariance matrix
426     // 4) Calculate b = M - [observed M]
427     // 5) For each location in locs:
428     //   gradient[loc] = tr(eCov^-1 %*% dEdt %*% C) - (b^T %*% eCov^-1 %*% dEdt + 2 dMdt^T))eCov^-1 b)
429
430     omxMLFitFunction *omo = ((omxMLFitFunction*)oo->argStruct);
431     
432     /* Locals for readability.  Compiler should cut through this. */
433     omxMatrix *scov         = omo->observedCov;
434     omxMatrix *smeans       = omo->observedMeans;
435     omxMatrix *cov          = omo->expectedCov;
436     omxMatrix *M            = omo->expectedMeans;
437     omxMatrix *eCov         = omo->localCov;        // TODO: Maybe need to avoid reusing these
438     omxMatrix *I            = omo->I;
439     omxMatrix *C            = omo->C;
440     omxMatrix *X            = omo->X;
441     omxMatrix *Y            = omo->Y;
442     omxMatrix *Mu           = omo->Mu;
443     omxMatrix *Ms           = omo->Ms;
444     omxMatrix *P            = omo->P;
445     double n                = omo->n;
446     omxMatrix** dSigmas     = omo->dSigma;
447     omxMatrix** dMus        = omo->dMu;
448     
449     size_t gradientSize = oo->freeVarGroup->vars.size();
450     
451     char u = 'U';
452     int info;
453     double minusoned = -1.0;
454     int onei = 1;
455     int status[gradientSize];
456     int nLocs = gradientSize;
457     
458     // Calculate current FitFunction values
459     // We can safely assume this has been done
460     // omxFitFunctionCompute(oo);
461     
462     // Calculate current eCov
463     
464     omxCopyMatrix(eCov, cov);                           // But expected cov is destroyed in inversion
465     
466     F77_CALL(dpotrf)(&u, &(eCov->cols), eCov->data, &(eCov->cols), &info);
467
468     if(OMX_DEBUG_ALGEBRA) { mxLog("Info on LU Decomp: %d", info);}
469     if(info > 0) {
470             char *errstr = (char*) calloc(250, sizeof(char));
471         sprintf(errstr, "Expected covariance matrix is non-positive-definite");
472         if(oo->matrix->currentState->computeCount <= 0) {
473             strncat(errstr, " at starting values", 20);
474         }
475         strncat(errstr, ".\n", 3);
476         omxRaiseError(oo->matrix->currentState, -1, errstr);                        // Raise error
477         free(errstr);
478         return;                                                                     // Leave output untouched
479     }
480     
481     F77_CALL(dpotri)(&u, &(eCov->rows), eCov->data, &(eCov->cols), &info);
482     if(info > 0) {
483             char *errstr = (char*) calloc(250, sizeof(char));
484         sprintf(errstr, "Expected covariance matrix is not invertible");
485         if(oo->matrix->currentState->computeCount <= 0) {
486             strncat(errstr, " at starting values", 20);
487         }
488         strncat(errstr, ".\n", 3);
489         omxRaiseError(oo->matrix->currentState, -1, errstr);                        // Raise error
490         free(errstr);
491         return;
492     }
493     // Calculate P = expected means - observed means
494     if(M != NULL) {
495         omxCopyMatrix(P, smeans);
496         F77_CALL(daxpy)(&(smeans->cols), &minusoned, M->data, &onei, P->data, &onei);
497     }
498         
499         // Reset C and Calculate C = I - eCov * oCov
500     omxCopyMatrix(C, I);
501     omxDSYMM(TRUE, -1.0, eCov, scov, 1.0, C);
502     
503     // For means, calculate Ms = eCov-1 %*% P
504     if(M != NULL)
505         omxDSYMM(FALSE, 1.0, eCov, P, 0.0, Ms);
506     
507     // Calculate parameter-level derivatives
508     // TODO: Parallelize Here.
509
510     if(OMX_DEBUG)  { mxLog("Calling component function."); }
511     omo->derivativeFun(oo, dSigmas, dMus, status);
512     
513     for(int currentLoc = 0; currentLoc < nLocs; currentLoc++) {
514         double meanInfluence, covInfluence;
515         if(status[currentLoc] < 0) continue;  // Failure in computation--skip.
516         //   gradient[loc] = tr(eCov^-1 %*% dEdt %*% C) - 
517         //    (b^T %*% eCov^-1 %*% dEdt + 2 dMdt^T))eCov^-1 b)
518         // omxDGEMM(FALSE, FALSE, 1.0, dSigmas[currentLoc], C, 0.0, Y);
519         omxDSYMM(TRUE, 1.0, dSigmas[currentLoc], C, 0.0, Y);
520         omxDSYMM(TRUE, 1.0, eCov, Y, 0.0, X);
521         gradient[currentLoc] = 0;
522         covInfluence = 0.0;
523         for(int i = 0; i < eCov->cols; i++) 
524             covInfluence += omxMatrixElement(X, i, i);
525         if(M != NULL) {
526             omxCopyMatrix(Mu, dMus[currentLoc]);
527             omxDSYMV(1.0, dSigmas[currentLoc], Ms, 2.0, Mu);
528             meanInfluence = F77_CALL(ddot)(&(eCov->cols), Mu->data, &onei, Ms->data, &onei);
529         } else {
530             meanInfluence = 0;
531         }
532         gradient[currentLoc] = (covInfluence * (n-1)) - (meanInfluence * n);
533         if(OMX_DEBUG) { 
534             mxLog("Calculation for Gradient value %d: Cov: %3.9f, Mean: %3.9f, total: %3.9f",
535             currentLoc, covInfluence, meanInfluence, gradient[currentLoc]); 
536         }
537     }
538 }