Internet e le innovazioni tecnologiche di questi anni hanno favorito la produzione di una grande quantità di dati per rappresentare fenomeni multivariati di descrizione quantitativa in molti ambiti come ad esempio quello economico, socio/demografico, ambientale e sanitario. La grande mole di dati empirici è sempre più frequentemente utilizzata a sostegno delle decisioni di policy e i policymakers richiedono modelli e metodi semplici da utilizzare ed interpretare, ma tecnologicamente avanzati che possano coerentemente sintetizzare le evidenze empiriche. Questo progetto si pone proprio l'obiettivo di studiare metodologie statistiche efficaci ovvero semplici da utilizzare e ed interpretare per la costruzione di indicatori sintetici spesso denominati "compositi". Un indicatore composito è infatti una misura unica di sintesi ottenuta tramite l'opportuna combinazione di indicatori più semplici. Il loro utilizzo ha l'enorme vantaggio di permettere la comparazione di unità statistiche differenti tramite un solo numero e non un insieme, spesso vasto, di indicatori singoli che sono di più difficile comprensione. Il processo di composizione porta ad ottenere un indicatore della realtà che sarà il più fedele possibile alla realtà stessa, in base al disegno gerarchico che è definito e poi applicato agli indicatori semplici osservati. Un tema molto interessante è la costruzione di indicatori di benessere della società nell'ottica del superamento del PIL come unico indicatore, come per il progetto mondiale "Sustainable Development Goals" con i casi particolari di BES ed UrBES in Italia. Il progetta qui presentato mira, inoltre, al superamento del problema della selezione delle variabili manifeste da considerare nel modello di costruzione dell'indicatore. Le teorie note e proposte dai singoli enti portano alla costruzione di modelli di tipo confermativo; è di interesse il confronto tra questi ultimi e modelli di tipo esplorativo con opportuni raffronti in termini di performance.
Gli indicatori compositi sono strumenti sempre più frequentemente utilizzati a sostegno delle strategie e delle decisioni socio-economiche per organizzazioni nazionali e sovranazionali. Un esempio eclatante è quello degli indicatori di sviluppo sostenibile per i quali sono stati individuati 169 targets e 17 obiettivi di sviluppo sostenibile e per i quali è richiesto prioritariamente dai policymakers una sintesi di queste informazioni che sia di facile uso per le decisioni. Per questo studiare, per un insieme tipicamente ampio di indicatori osservati, modelli e metodi statistici che producano indicatori sintetici, validi e attendibili, è un obiettivo importante della statistica multivariata. Il progetto dei "Sustainable Development Goals" di Eurostat per il superamento del PIL e costruzione di nuovi indicatori di benessere coinvolge 94 indicatori semplici raccolti in 17 goals, e quindi è di difficile interpretazione sia per la classe decisionale che per la popolazione; sarebbe molto utile avere una strategia di aggregazione di questi indicatori guidata dai dati stessi. La fragilità dei progetti come BES ed UrBES di Istat in Italia si evidenzia proprio in questo, gli ambiti di riferito degli indicatori osservati non sono scelti con una metodologia statistica e quindi non riassumono in maniera scientifica l'informazione delle variabili di studio. Creare un modello di riferito per la costruzione di indicatori compositi capace di individuare le classi latenti e quindi arrivare una misura sintetica dell'informazione delle variabili manifeste è quello che questo progetto si prefissa di fare. Partendo dallo stato dell'arte si intende creare una strategia che meglio adatti la realtà di studio. L'analisi fattoriale esplorativa può essere sviluppata in senso gerarchico, dove al primo step l'analisi si intende di tipo disgiunto. Inoltre un altro punto interessante è l'introduzione di vincoli per garantire le proprietà dell'indicatore composito finale. Uno sviluppo innovativo del modello che si intende costruire è l'introduzione della selezione delle variabili di studio all'interno della metodologia, spesso in questi contesti questo risulta essere un problema primario e di difficile gestione, quasi mai affrontato in maniera risolutiva. Inoltre potrebbe suscitare ulteriore interesse andare ad individuare quelle relazioni secondarie tra i fattori latenti e le variabili manifeste che l'analisi disgiunta non considera nel modello, così da migliorare l'informazione spiegata dall'indicatore composito. Altro sviluppo interessante è la classificazione delle unità statistiche in gruppi omogenei in riferimento al fenomeno studiato.