La prima parte del corso è dedicata ai metodi per l’analisi di dati gerarchici caratterizzati da strutture di varianza complesse. In particolare, verranno introdotti i modelli multilivello, che rappresentano un’estensione dei modelli di regressione tradizionali per dati organizzati gerarchicamente. Queste tecniche risultano applicabili anche ai dati longitudinali di tipo panel, nei quali un medesimo outcome è osservato in più occasioni temporali all’interno delle stesse unità analitiche. La prima parte si conclude con l’esposizione delle principali tecniche econometriche per l’analisi di dati panel: il modello a effetti fissi, il modello a effetti casuali e lo stimatore Differences-in-Differences (DiD). La seconda parte del corso si concentrerà sull’analisi di dati multivariati. Verranno presentate le principali tecniche di riduzione della dimensionalità, tra cui l’analisi delle componenti principali (PCA), l’analisi fattoriale e l’analisi dei gruppi (cluster analysis di tipo gerarchico e non gerarchico). A seguire, verranno introdotti i modelli di equazioni strutturali (SEM), che integrano in un unico approccio la logica della regressione causale e quella dell’analisi fattoriale. Saranno inoltre affrontati i modelli di Event History Analysis, con particolare riferimento allo stimatore di Kaplan-Meier e al modello di regressione di Cox. Il corso si chiuderà con un approfondimento dedicato a specifiche tecniche di machine learning, in particolare alle reti neurali supervisionate (Multilayer Perceptron) e non supervisionate (Self-Organizing Map)..