Su appuntamento per email o telefono.
In seguito all’emergenza COVID-19, partire dal 5 marzo 2020 le lezioni in aula sono sospese e sostituite da didattica a distanza. Il ricevimento studenti si svolgerà tramite le applicazioni Hangouts (chat) e Meet (videoconferenze) della suite di Google, per la quale tutti i docenti e gli studenti hanno un account.
Leonardo Grilli è Professore Ordinario di Statistica presso l’Università di Firenze e afferisce al DiSIA (Dipartimento di Statistica, Informatica, Applicazioni “G. Parenti”). E' Presidente del Corso di Laurea Magistrale in Statistica, scienze attuariali e finanziarie. E’ titolare di corsi di introduzione alla statistica e di corsi avanzati su modelli statistici. Gli interessi di ricerca preminenti riguardano aspetti metodologici relativi a modelli di regressione multilivello e metodi per l’inferenza causale e la valutazione di efficacia, con applicazioni in ambito economico, sociale, demografico e medico.
Formazione
- Laurea in Economia e Commercio presso l’Università di Firenze (20 aprile 1996)
- Dottorato di Ricerca in Statistica Applicata presso il Dipartimento di Statistica “G. Parenti” dell’Università di Firenze (11 febbraio 2000)
Carriera
- Assegnista di ricerca presso il Dipartimento di Statistica “G. Parenti” dell’Università di Firenze (aprile 2000 - dicembre 2001)
- Funzionario presso l’area statistica della Regione Toscana (gennaio 2002 - ottobre 2002)
- Ricercatore in Statistica (SECS-S/01) presso l’Università di Firenze da novembre 2002
- Professore Associato in Statistica (SECS-S/01) presso l’Università di Firenze dal 30 dicembre 2010
- Professore Ordinario in Statistica (SECS-S/01) presso l’Università di Firenze dal 1 aprile 2017
https://local.disia.unifi.it/grilli/Grilli_CV.pdf
Argomenti di maggior interesse: modelli multilivello, inferenza causale, metodi per la valutazione di servizi pubblici.
L’attività di ricerca principale riguarda i modelli a effetti casuali per l’analisi multilivello, con avanzamenti metodologici relativi alla specificazione e estima di modelli in contesti complessi quali dati di durata, risposte qualitative multivariate, disegni di campionamento informativi, distorsione da selezione. L’altro importante tema di ricerca riguarda i metodi di inferenza causale con l’approccio dei risultati potenziali, in particolare in situazioni di partial compliance e troncamento. Inoltre, l’attività di ricerca ha considerato molti altri metodi statistici, tra cui modelli psicometrici Item Response Theory, curve di crescita latenti, modelli mistura, regressione quantile. Il lavoro metodologico è usualmente stimolato da applicazioni a dati reali in diversi campi tra cui l’economia, la demografia, la medicina, la bibliometria.
Legenda
Leonardo Grilli is Full Professor of Statistics (SECS-S/01) at the University of Florence and Director of the master-level degree (laurea magistale) in Statistics, actuarial and financial sciences.
EDUCATION:
- Degree in Economics (4 years), University of Florence, 1996
- Ph.D. in Applied Statistics (3 years), University of Florence, 2000
CAREER:
- Post-doc researcher at the Department of Statistics “G. Parenti” – University of Florence (April 2000 to December 2001)
- Official in the Statistics area – Government of the Tuscany region (January 2002 to October 2002)
- Assistant Professor (Ricercatore Universitario) in Statistics (SECS-S/01) at the University of Florence from November 2002 to November 2010
- Associate Professor in Statistics (SECS-S/01) at the University of Florence from December 2010 to March 2017
Topics: Multilevel models, Causal inference, Methods for the evaluation of public services.
Leonardo Grilli’s research mainly considered random effects models for multilevel analysis, with methodological advances concerning the specification and estimation of models in complex frameworks such as duration data, multivariate qualitative responses, informative sampling designs, and sample selection bias. He is considered a major scholar in multilevel analysis, as testified by the number of short courses he has been invited to teach. He also investigated methods for causal inference in the potential outcomes framework, dealing with truncation and partial compliance. In the recent research activity, he considered a variety of statistical methods including IRT models, latent growth curve models, mixture models, and quantile regression. The methodological work is typically driven by applications on real data in different fields mainly in the social sciences, but also in demography and medicine.
