Ricercatore a tempo determinato di Statistica (SSD SECS-S/01)

Insegnamenti docente

 Insegnamenti a.a. 2024/25 su Esse3

Bio

A Febbraio del 2022 ha conseguito il Dottorato di ricerca in Statistica Metodologica presso l’Università Sapienza di Roma con una tesi sui modelli di regressione quantile per l’analisi di dati multivariati. Durante il Dottorato ha trascorso periodi di studio e ricerca presso l’Università di Southampton, United Kingdom, e l’Università di Pisa. Ha svolto attività seminariali e workshop per i corsi di laurea magistrali e di dottorato della facoltà di Economia dell’Università Sapienza di Roma. È attualmente ricercatore a tempo determinato di tipo A in Statistica presso l’Università Europea di Roma dove insegna nei corsi di Machine learning and data analytics, Data analysis for tourism e Elementi di statistica per il turismo.

Interessi di ricerca

I suoi interessi di ricerca riguardano i modelli di regressione quantile, quantili multivariati, modelli a variabili latenti, modelli a mistura finita, con applicazioni ai dati longitudinali e alle serie storiche.

Pubblicazioni

  • Merlo, L., Petrella, L., Tzavidis, N., and Salvati, N., (2023). Unified unconditional regression for multivariate quantiles, M-quantiles and expectiles. Journal of the American Statistical Association, pp.1-26, doi: 10.1080/01621459.2023.2250512.
  • Merlo, L., Geraci, M., and Petrella, L., (2023). Quantile-based graphical models for continuous and discrete variables. Book of Short Papers SIS 2023 (Proceedings), pp. 1069-1074.
  • Foroni, B., Merlo, L., and Petrella, L., (2023). Using expectile regression with latent variables for digital assets. Book of Short Papers SIS 2023 (Proceedings), pp. 1309-1314.
  • Merlo, Luca, (2022). On quantile regression models for multivariate data. PhD Thesis, link:http://hdl.handle.net/11573/1613037.
  • Merlo, L., Maruotti, A., Petrella, L., and Punzo, A., (2022). Quantile hidden semi-Markov modelsfor multivariate time series. Statistics and Computing, 32(4), pp.1-22.
  • Merlo, L., Petrella, L., and Tzavidis, N., (2022). Quantile mixed hidden Markov models for mul-tivariate longitudinal data: an application to children’s Strengths and Difficulties Questionnairescores. Journal of the Royal Statistical Society, Series C (Applied Statistics), 71(2), pp.417-448.
  • Merlo, L., Petrella, L., Tzavidis, N., and Salvati, N., (2022). Marginal M-quantile regression formultivariate dependent data. Computational Statistics & Data Analysis, 173, 107500, link:https://www.sciencedirect.com/science/article/pii/S0167947322000809.
  • Foroni, B., Merlo, L., and Petrella, L., (2022). Graphical Models for Commodities: A QuantileApproach. Mathematical and Statistical Methods for Actuarial Sciences and Finance -MAF 2022 (Proceedings), pp. 253-259.
  • Merlo, L., Petrella, L., and Raponi, V., (2021). Forecasting VaR and ES using a joint quantileregression and its implications in portfolio allocation. Journal of Banking & Finance, 133,106248.
  • Merlo, L., Maruotti, A., and Petrella, L., (2021). Two-part quantile regression models for semi-continuous longitudinal data: A finite mixture approach. Statistical Modelling, doi:10.1177/1471082X21993603.
  • Sciacchitano, Salvatore, et al., (2021). Nonthyroidal illness syndrome (NTIS) in severe COVID-19 patients: role of T3 on the Na/K pump gene expression and on hydroelectrolytic equilibrium.Journal of Translational Medicine, 19(1), pp. 1-18.
  • Scarci, M., et al., (2021). COVID-19 After Lung Resection in Northern Italy. Seminars inThoracic and Cardiovascular Surgery, pp. S1043-0679.
  • Merlo, L., Petrella, L., and Tzavidis, N., (2021). Unconditional M-quantile regression. Book ofShort Papers CLADAG 2021 (Proceedings), pp. 163-166.
  • Merlo, L., Petrella, L., and Tzavidis, N., (2021). Directional M-quantile regression for multivariatedependent outcomes. Book of Short Papers SIS 2021 (Proceedings), pp. 164-169.
  • Merlo, L., Petrella, L., and Raponi, V., (2021). Forecasting Multiple VaR and ES Using a Dy-namic Joint Quantile Regression with an Application to Portfolio Optimization. Mathematicaland Statistical Methods for Actuarial Sciences and Finance – eMAF2020 (Proceedings),pp. 349-354.
  • Merlo, L., Petrella, L., and Raponi, V., (2020). Sectoral decomposition of CO2 world emissions:a joint quantile regression approach. International Review of Environmental and ResourceEconomics, 14(2-3), pp. 197-239.
  • Merlo, L., Petrella, L., and Tzavidis, N., (2020). Multivariate Mixed Hidden Markov Model forjoint estimation of multiple quantiles. Book of Short Papers SIS 2020 (Proceedings), pp.144-149.
  • Petrella, L., Laporta, A.G. and Merlo, L., (2019). Cross-country assessment of systemic risk inthe European stock market: evidence from a CoVaR analysis. Social Indicators Research,146(1), pp.169-186.
  • Merlo, L., Maruotti, A., and Petrella, L., (2019). A two-part finite mixture quantile regressionmodel for semi-continuous longitudinal data. Book of Short Papers SIS 2019 (Proceedings),pp. 409-414.
  • Laporta, G. A., Merlo, L., and Petrella, L., (2018). Selection of Value at Risk models for EnergyCommodities. Energy Economics, 74, pp. 628-643.