DESARROLLO DE ALGORITMOS PARA MODELOS DE ECUACIONES SIMULTANEAS EN ALTAS PRESTACIONES. Jose Juan López Espín Universidad Miguel Hernández

Transcripción

1 DESARROLLO DE ALGORITMOS PARA MODELOS DE ECUACIONES SIMULTANEAS EN ALTAS PRESTACIONES Espín Universidad Miguel Hernández

2 Introducción Motivación Los Modelos de Ecuaciones Simultáneas (M.E.S.) nacen como herramienta econométrica. Limitados por su gran necesidad computacional. Actualmente han comenzado a usarse en otras disciplinas. No conocemos la existencia de software en paralelo para la resolución de M.E.S. (aunque sí en secuencial). Solo se conocen estudios sobre algoritmos paralelos para M.E.S. de estimadores de información completa. No conocemos la existencia de estudios o software capaz de encontrar el mejor M.E.S. a partir de los datos de las variables.

3 Que es un M.E.S.? Descripción Teórica El esquema de un modelo con N ecuaciones, N variables endógenas y K variables exógenas en forma matricial es: siendo: BY T + ΓX T + u T = 0 Y = (y 1... y N ), X = (x 1... x K ), u = (u 1... u N ) β 1,1... β 1,N γ 1,1... γ 1,K B =..., Γ =... β N,1... β N,N γ N,1... γ N,K matrices densas con valores reales, siendo β i,i = 1 i = 1,..., N. El modelo estructural se puede expresar también en forma reducida: Y = X Π + v, con Π T = B 1 Γ, v T = B 1 u T.

4 Que es un M.E.S.? Descripción Teórica Si se descompone B de la forma B = diag( 1,..., 1) + B, la expresión anterior queda de la siguiente forma: O en ecuaciones: Y T = BY T + ΓX T + u T y 1 = γ 1,1 x γ 1,K x K + β 1,2 y 2 + β 1,3 y β 1,N y N + u 1 y 2 = γ 2,1 x γ 2,K x K + β 2,1 y 1 + β 2,3 y β 2,N y N + u 2... y N = γ N,1 x γ N,K x K + β N,1 y β N,N 1 y N 1 + u N donde x 1, x 2,..., x K son variables exógenas, y 1, y 2,..., y N son variables endógenas, y u 1, u 2,..., u N son variables de ruido blanco. Todas ellas son vectores de dimensión d, siendo d el tamaño de la muestra.

5 Descripción Teórica Mínimos Cuadrados Ordinarios (MCO) Algoritmo 1 Algoritmo MCO bas Entrada: X R d K, Y R d N Salida: β R K N, Ŷ Rd N 1: Hacer X T X {coste 2K 2 d} 2: Hacer X T Y {coste 2NKd} 3: Hacer (X T X ) 1 (X T Y ) resolviendo el sistema X T Y = (X T X )β {coste 2 3 K 3 + 2K 2 N} 4: Si estimación=verdadero Entonces 5: Hacer Ŷ = X β {coste 2NKd} 6: Fin si Utilizar las librerías de Blas y Lapack.

6 Descripción Teórica Mínimos Cuadrados Indirectos (MCI) Solo se puede usar en ecuaciones exactamente identificadas (K = k i + n i 1). Estima los valores de Π de la ecuación Y = X Π + v mediante MCO. A continuación deduce los valores de la forma estructural (0 = B i Y T + Γ i X T + u T ) siguiendo la relación B i Π = Γ i. Algoritmo 2 Algoritmo MCI Entrada: X R d K, Y R d N, B R N N y Γ R N K Salida: B R N N, Γ R N K 1: Π T = MCO bas (Y,X,estimación=Falso) 2: Para i=1...n Hacer 3: Si ecuación i es exactamente identificada Entonces 4: Resolver B i Π = Γ i 5: Fin si 6: Fin Para

7 Descripción Teórica Mínimos Cuadrados en Dos Etapas (MC2E) Estimar los valores de B y Γ en la expresión: Y T = BY T + ΓX T + u T No es posible usar Mínimos Cuadrados (Y correlacionado con u). Algoritmo 3 Algoritmo MC2E bas Entrada: X R d K, Y R d N, B R N N y Γ R N K Salida: B R N N, Γ R N K 1: Estimar las variables proxy Ŷ = MCO bas(y,x,estimación=verdadero) 2: Sustituir Y por Ŷ resultando Y T = BŶ T + ΓX T + u T 3: Para i = 1...N Hacer 4: Hacer X ei = [X i Ŷi] {Usando B i y Γ i } 5: β i = MCO bas (y i,x ei,estimación=falso) 6: Sustituir los valores de β i en las incógnitas de B i y Γ i 7: Fin Para

8 MC2E basado en la descomposición de la inversa MC2E basado en la descomposición de la inversa La descomposición matricial que se va a usar está basada en el siguiente teorema: Teorema ( ) 1 A B B T = D ( A ) ( E + Id ) (D B T A 1 B) 1 ( E T Id) donde E = A 1 B. Supongamos que se va a resolver la ecuación i-ésima usando MC2E. y i = γ 0 + γ 1 x i γ ki x iki + α 1 ŷ i α ni ŷ ini + ɛ Las matriz usada al aplicar MCO en la ecuación es [X i Ŷ i ] (con dimensión d (n i + k i 1)), calculándose la expresión ([X i Ŷ i ] T [X i Ŷ i ]) 1 [X i Ŷ i ] T y i.

9 MC2E basado en la descomposición de la inversa MC2E basado en la descomposición de la inversa Usando el teorema previo, la inversa de la matriz: ( (X T i ( [ X T i Ŷ T i X i ) 1 Xi T Ŷ i Id ] ] [X ) 1 ( X T i Ŷ i = i X i Xi T Ŷi T X i Ŷi T ) (Ŷi T Ŷ i Yi T X i (Xi T X i ) 1 Xi T Ŷ i Ŷ i ) 1 = ( (X T i X i ) ) + Ŷ i ) 1 ( Yi T X i (Xi T X i ) 1 Id ni 1) Xi T X i se toma de X T X, que se obtiene al calcular Π. Xi T Ŷ i se toma de X T Y, que se obtiene al calcular Π (ya que X T Ŷ = X T Y ). (Xi T X i ) 1 [Xi T Ŷ i Id ki ] se tiene que calcular. Ŷ T i Ŷ T i Ŷ T i (Ŷ T i X i (Xi T X i ) 1 Xi T Ŷ i se toma de Ŷ Ŷ i Ŷi T Ŷ i Ŷ T X i (Xi T X i (X T Ŷ i se tiene que calcular. T Ŷ, que es calculado antes. X i )Xi T Ŷ i se tiene que calcular. X i ) 1 X T Ŷ i ) 1 ( Ŷ T X i (Xi T X i ) 1 Id ni 1) se tiene que calcular. i( i i ) i (X T Multiplicar i X i ) 1 Xi T Ŷ i por la matriz resultante del paso anterior. Id ni 1 ( (X T Sumar la matriz resultante del paso anterior a i X i ) 1 )

10 MC2E basado en la descomposición de la inversa MC2E basado en la descomposición de la inversa Se ha calculado la inversa de la matriz en la expresión de MCO para la ecuación i-esima (([X i Ŷ i ] T [X i Ŷ i ]) 1 [X i Ŷ i ] T y i ). La matriz [X i Ŷ i ] T y i tiene que ser también calculada. X T Ŷ T i y i se toma de X T Y, que se obtiene al calcular Π. i y i se toma de Ŷ T Ŷ puesto que Ŷ T Ŷ = Ŷ T Y. Se calcula la multiplicación de ambas matrices completando la expresión de MCO. Proposición El número de flops realizados al resolver una ecuación de un M.E.S. por MCO bas es mayor o igual que el número de flops realizados al resolver la misma ecuación por MCO inv.

11 MC2E basado en la descomposición de la inversa Estudio Experimental Tiempo de ejecución (en segundos) y ratio entre el algoritmo MC2E bas y MC2E inv : N: d: MC2E bas MC2E inv Ratio Tiempo de ejecución (en segundos) y ratio comparativo entre el algoritmo MCI y el algoritmo MC2E inv : N: d: MC2E inv MCI Ratio

12 Paralelización de los algoritmos en memoria distribuida Paralelización de MCO Utilizar las librerías de ScaLAPACK y PBLAS. Importante: Tiempo de comunicación entre procesadores. Algoritmo 6 Algoritmo PMCO bas Entrada: X R d K e Y R d N (distribuidas al estilo de ScaLAPACK) Salida: β R K N e Ŷ Rd N (distribuidas al estilo de ScaLAPACK) 1: Hacer X T X {Multiplicación en paralelo} 2: Hacer X T Y {Multiplicación en paralelo} 3: Hacer (X T X ) 1 (X T Y ) resolviendo el sistema X T Y = (X T X )β en paralelo 4: Si estimación=verdadero Entonces 5: Hacer Ŷ = X β {Multiplicación en paralelo} 6: Fin si

13 Paralelización de los algoritmos en memoria distribuida Paralelización de MCI Algoritmo 7 Algoritmo PMCI Entrada: X R d K e Y R d N (distribuidas al estilo de ScaLAPACK), B R N N y Γ R N K (distribuidas N p filas por procesador) Salida: B R N N y Γ R N K (distribuidas N p filas por procesador) 1: Π T = PMCO bas (Y,X,Falso) 2: Distribuir Π en todos los procesadores 3: EN PARALELO cada procesador q = 0,..., p 1 HACE 4: Para j=1... N p Hacer 5: i = q + (j 1)p + 1 6: Si ecuación i es exactamente identificada Entonces 7: Resolver B i Π = Γ i 8: Fin si 9: Fin Para 10: FIN PARALELO

14 Paralelización de los algoritmos en memoria distribuida Paralelización de MC2E Algoritmo 8 Algoritmo PMC2E inv Entrada: X R d K e Y R d N (distribuidas al estilo de ScaLAPACK), B R N N y Γ R N K (distribuidas N p filas por procesador) Salida: B R N N y Γ R N K (distribuidas N p filas por procesador) 1: Ŷ = PMCO bas (Y,X,Verdadero) {guardando Π, X T X y X T Y } 2: Hacer Ŷ T Ŷ {multiplicaciones en paralelo} 3: Distribuir Π, X T X, X T Y, Ŷ, Ŷ T Ŷ a todos los procesadores 4: EN PARALELO cada procesador q = 0,..., p 1 HACE 5: Para j=1... N p Hacer 6: i = q + (j 1)p + 1 7: β i = MCO inv (y i,ŷ,x,x T X,X T Y, Ŷ T Ŷ ) 8: Sustituir los valores de β i en las incógnitas de B i y Γ i 9: Fin Para 10: FIN PARALELO

15 Paralelización de los algoritmos en memoria distribuida Estudio experimental Eficiencia y speed-up del algoritmo PMCI. N : d : p Speed-up

16 Paralelización de los algoritmos en memoria distribuida Estudio experimental Eficiencia y speed-up del algoritmo PMC2E inv. N : d : p Speed-up

17 Paralelización de los algoritmos en memoria distribuida Estudio experimental Gráfico comparativo de los tiempos de comunicación (tc) y de operaciones aritméticas (ta) de los algoritmos PMCI y PMC2E inv :

18 MC2E basado en la descomposición QR MC2E mediante reflexiones de Householder Hacer la descomposición QR de X (X = Q reflexiones de Householder). Calcular Ŷ ( R1 0 ) mediante Ŷ ( = X (X ) T X ) 1 X T Y = QR(R T Q T QR) ( 1 R T ) Q T Y = R1 Q (R R T 1 )[R1 T IdK 0]QT Y = Q [Id 0 K 0]Q T Y ( ) ( ) ( ) ( IdK 0 = Q Q 0 0 T IdK 0 Ỹ1 Ỹ1 Y = Q = Q Ỹ 2 ) En cada ecuación i: Hacer la descompsición QR de la matriz X ei = Q i R i mediante reflexiones de Householder. Calcular ˆβ i = (Xe T i X ei ) 1 Xe T i y i = [R 1 i,1 0]QT i y i = [R 1 i,1 0]ỹ i = R 1 i,1 ỹi,1

19 MC2E basado en la descomposición QR Algoritmo para MC2E mediante reflexiones de Householder Algoritmo 10 Algoritmo MC2E H Entrada: X R d K, Y R d N, B R N N y Γ R N K Salida: B R N N, Γ R N K 1: Obtener Q y R (desc. QR de X ) {coste 4 3 K 2 (3d K)} 2: Ỹ = Q T ( Y {coste ) 2NK(2d K)} Ỹ1 3: Ŷ = Q {coste 2NK 2 } 0 4: Para i=1...n Hacer 5: Obtener Q i y R i (desc. QR de X ei ) {coste 4 3 (n i +k i 1) 2 (3d (n i +k i 1))} 6: ỹ i = Qi T y i {coste 2(n i + k i 1)(2d (n i + k i 1))} 7: β i = R 1 i,1 ỹi,1 {coste (n i + k i 1) 2 } 8: Sustituir los valores de β i en las incógnitas de B i y Γ i 9: Fin Para

20 MC2E basado en la descomposición QR Estudio Experimental Tiempo de ejecución (en segundos) y ratio comparativo entre el algoritmo MC2E bas, MC2E inv y MC2E H. N: d: Alg. Tiempo Tiempo Tiempo Tiempo Tiempo MC2E bas MC2E inv MC2E H Ratio MC2E bas /MC2E inv MC2E H /MC2E inv

21 MC2E basado en la descomposición QR MC2E mediante rotaciones de Givens Se detectan las siguientes deficiencias en el algoritmo anterior: No se aprovecha la descomposición QR de X en la descomposición en cada ecuación. El cálculo de la matriz Ŷ exige aplicar dos veces los reflectores de Householder a la matriz Y. Se propone: Obtener la descomposición QR de cada X ei mediante rotaciones de Givens haciendo ceros los elementos no nulos por debajo de la diagonal principal. Hacer la descomposición QR de [X Ŷ ] de la cual se obtendrán las descomposiciones QR de las X ei. Hacer la descomposición QR de X mediante reflexiones de Householder. ( ) Calcular Q T [X Ŷ ]=[Q T X Q T Ŷ ] = [R Q T R1 Ỹ Ŷ ] = 1 0 0

22 MC2E basado en la descomposición QR MC2E mediante rotaciones de Givens II Resolver la ecuación i-ésima y i = X i b i + Y i Γ i + ɛ i cuya matriz asociada es X ei = [X i Ŷ i ]. La matriz se puede expresar de la forma X ei = [X Ŷ ]S i donde S i es una matriz de selección. ( ) ( ) Q T X ei = Q T [X Ŷ ]S i = [R Q T R1 Ỹ Ŷ ]S i = 1 Ri,1 Ỹ S 0 0 i = i,1, 0 0 siendo R i,1 e Ỹ i,1 las K primeras filas de la matriz resultante de la multiplicación. Es necesario obtener la descomposición QR de X ei, por lo que hay que encontrar una matriz ortogonal que multiplicada a la anterior dé como resultado una matriz triangular superior. n i 1 Q i T = n=1 K n G (i) K j k i,k j k i +1 j=1 k i n=1 λ i,n n j=1 G (n) λ i,n j,λ i,n j+1

23 MC2E basado en la descomposición QR MC2E mediante rotaciones de Givens III La siguiente figura muestra la secuencia de eliminación de elementos en el proceso de retriangularización mediante rotaciones de Givens de una matriz X R 7 5. La entrada i (i=1,...,6) indica el elemento reducido a cero en la i-ésima rotación, multiplicando a la izquierda por la matriz Q i T = G (5) 5,6 G (5) 5,7 G (4) 4,5 G (4) 4,6 G (3) 3,4 G (2) 2,

24 MC2E basado en la descomposición QR Comparativa entre MC2E H y MC2E G Tiempo de ejecución (en segundos) y ratio, cuando se varía el tamaño del problema. Se muestra el promedio (número grande) y la desviación típica (subíndice) de 5 medidas para el mismo tamaño del problema. Tam. del problema Tiempo Tiempo N K d Householder Givens Ratio

25 Conclusiones Se han desarrollado algoritmos para los estimadores MCI y MC2E Se han mejorado los algoritmos utilizando descomposiciones matriciales (descomposicion de la inversa y QR) Se han desarrollado versiones en paralelo en memoria compartida y distribuida obteniendose speed-ups satisfactorios Se han aplicado los algoritmos a problemas reales