Lista de Projetos

  O projeto foca-se na estimação de funções de resposta ao impulso (IRFs) através de projeções locais com variáveis instrumentais (LP-IV).   As IRFs são fundamentais para compreender os efeitos da política monetária e fiscal na economia. As projeções locais (LP) tornaram-se uma ferramenta essencial para a estimação de IRFs, oferecendo uma alternativa flexível às autoregressões vetoriais. O método LP-IV melhora a inferência causal ao corrigir problemas de endogeneidade, tornando-se crucial na investigação macroeconómica sobre efeitos de choques exógenos.   Apesar das suas vantagens, os métodos convencionais de LP-IV apresentam problemas de autocorrelação e enviesamento em amostras finitas. O projeto irá desenvolver um novo estimador de Mínimos Quadrados Indirectos Modificado (MILS) que corrige ambos os problemas tanto em séries estacionárias como em séries persistentes. Os métodos desenvolvidos serão subsequentemente aplicados para avaliar o impacto de choques de política monetária nos EUA e Zona Euro.   O projeto irá contribuir para uma melhor compreensão da transmissão da política monetária entre economias e setores, fornecendo lições valiosas para investigadores e decisores de política económica.    

 O projecto visa medir as expectativas de inflação de preços e salários, modelando os agentes como sendo capazes de escolher entre diferentes regras de expectativas com base no seu desempenho passado. O estudo será conduzido por um grupo de dois investigadores nucleares (especializados em macroeconomia e econometria) e vários consultores de bancos centrais (que ajudarão com pareceres sobre o estudo e divulgação dos resultados).

To enhance SME competitiveness in the drone sector by developing a tailored business development curriculum, promoting youth entrepreneurship through innovative training and resources, and creating upskilling pathways via a comprehensive online platform, ultimately aligning with EU digital and green transitions.

O projeto NATURE FUTURES visa integrar Soluções Baseadas na Natureza e Ciência Cidadã no ensino superior, melhorando a educação para a sustentabilidade, a colaboração interdisciplinar e a aprendizagem. Procura capacitar os alunos e educadores com ferramentas práticas, desenvolver o pensamento sistémico através de modelos digitais e criar roteiros estratégicos para a adoção institucional. O projeto fomenta o envolvimento com as partes interessadas, alinhando as universidades com a ação climática e as metas de sustentabilidade da UE.

A Modelação Bayesiana de Equações Estruturais (BSEM) tem recebido atenção significativa devido à sua capacidade de resolver problemas comuns encontrados nas abordagens frequentistas, como a não convergência, os casos de Heywood, as limitações do tamanho da amostra e as soluções inadmissíveis. Além disso, a BSEM pode estimar modelos complexos com os quais os métodos clássicos de máxima verosimilhança frequentemente se debatem. Um componente crucial da BSEM é a incorporação de conhecimento prévio através de distribuições a priori, o que oferece uma vantagem única sobre os métodos frequentistas, ao permitir que informações previamente conhecidas sejam incluídas de forma transparente nas especificações do modelo. A elicitação apropriada de priors é essencial para traduzir o conhecimento do domínio em distribuições de probabilidade, melhorando assim a precisão e a fiabilidade do modelo. Apesar disso, o desenvolvimento e a adoção generalizada de técnicas robustas de elicitação de priors em BSEM permanecem limitados. Este projeto visa avançar o campo da BSEM através de métodos computacionais inovadores e aplicações práticas, com foco no processamento por GPU e no seu potencial para aumentar a eficiência dos cálculos bayesianos. Ao aproveitar as capacidades de computação paralela fornecidas pelas unidades de processamento gráfico modernas, o projeto procura acelerar significativamente os processos computacionais envolvidos na BSEM. Adicionalmente, o projeto explorará o uso da BSEM no desenvolvimento de instrumentos psicométricos, empregando técnicas como o Markov Chain Monte Carlo (MCMC) utilizando o No-U-Turn Sampler (NUTS) para a estimação de modelos latentes. Estas inovações prometem oferecer insights mais profundos sobre a precisão da medição e melhorar a validade dos instrumentos psicométricos em diversas populações. Os resultados esperados deste projeto incluem uma melhor eficiência computacional, estimações de modelo otimizadas e uma maior adoção dos métodos bayesi...