Lista de Projetos

A Modelação Bayesiana de Equações Estruturais (BSEM) tem recebido atenção devido à sua capacidade de resolver problemas comuns encontrados nas abordagens frequencistas, 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 frequencistas, ao permitir que informações previamente conhecidas sejam incluídas de forma transparente nas especificações do modelo. A eliciação apropriada de priors é essencial para traduzir o conhecimento do domínio em distribuições de probabilidade, melhorando assim a precisão do modelo. Apesar disso, o desenvolvimento e a adoção generalizada de técnicas robustas de eliciação 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 das estimativas Bayesianas. Ao aproveitar as capacidades de computação paralela fornecidas pelas unidades de processamento gráfico modernas, o projeto procura acelerar substancialmente 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 as evidências de 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 Bayesianos em contextos de investigação aplicada. Ao ab...

IAM-CC assesses the societal readiness and equitable integration of Innovative Air Mobility into urban systems driven by the core question: “How can IAM improve social welfare?” We focus on the problems it can solve, society’s readiness to adopt it, and on how to deploy it fairly. Our participatory, evidence-based methodology moves beyond passive public acceptance toward active co-creation, guided by the Responsible Research and Innovation framework. Citizens, city authorities, and logistics operators are empowered to shape IAM deployment decisions from vertiport location to noise thresholds and Sustainable Urban Mobility Plans. Three Living Labs (Madrid, Milan, Coimbra), totally enabling 830 participants, will provide the real-world testbeds where innovative societal readiness pilots will be conducted, combining immersive VR/AR, stakeholder dialogues, and real-world demonstrations to validate tools and governance models. We build tools that quantify IAM’s potential to transform cities through faster emergency logistics, reduced congestion, and green job creation, and measure risks such as social exclusion, job displacement, and environmental injustice. To ensure long-term impact, we will establish the IAM Competence Centre, a hub for open-access tools, training, and a community of practice. Key outputs of IAM-CC include the IAM Societal Readiness Assessment and Analysis, the IAM Impact Quantification platform, immersive VR/AR tools for public engagement, and a Recommendation System that supports replicable, context-sensitive IAM deployment. These innovations will deliver a step-change in how societal readiness is assessed—moving from abstract acceptance surveys to dynamic, city-validated tools and living datasets, enabling a new generation of evidence-based, inclusive IAM planning. By integrating social sciences and humanities expertise, IAM-CC will support smarter urban planning, inclusive policy-making , and stronger community engagement.

  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.