Xiaohong Chen ( chino :陈晓红) es un economista chino que actualmente se desempeña como profesor de economía Malcolm K. Brachman en la Universidad de Yale . Es miembro de la Sociedad Econométrica y ganadora del Premio de Economía de China. Como una de las principales expertas en econometría , su investigación se centra en la teoría econométrica , la estimación semi/no paramétrica y los métodos de inferencia, los métodos de tamiz , las series temporales no lineales y los modelos semi/no paramétricos. [2] Fue elegida miembro de la Academia Estadounidense de las Artes y las Ciencias en 2019. [3]
Chen nació en Hubei , China . [4] Obtuvo una licenciatura en Matemáticas de la Universidad de Wuhan en 1986, formó parte del programa de Posgrado EE. UU.-China a través de la Universidad Popular de China en 1987, obtuvo una maestría en Economía de la Universidad de Western Ontario en 1988 y un doctorado en Economía de la Universidad de California, San Diego en 1993. [5]
Chen es actualmente el Profesor Malcolm K. Brachman de Economía en la Universidad de Yale . Previamente enseñó en la Escuela de Economía de Londres , la Universidad de Nueva York y la Universidad de Chicago . Después de graduarse de la Universidad de California, San Diego , se convirtió en profesora asistente de economía en la Universidad de Chicago , profesora y lectora en la London School of Economics de 1999 a 2002. Posteriormente, se unió a la Universidad de Nueva York como profesora asociada y fue ascendida a profesora de economía en 2005. En 2007, se convirtió en profesora de economía en la Universidad de Yale .. En Yale, es profesora de Gestión y Estadística de Data Science. [6] Chen también es miembro internacional del Centro de Métodos y Prácticas de Microdatos , miembro electo de la Sociedad Econométrica y miembro electo del Journal of Econometrics . [7]
En el artículo, Raymond J. Carroll, Xiaohong Chen y Yingyao Hu proponen un enfoque para identificar y estimar un modelo general de errores en variables (EIV) no lineales sin datos de validación, distribución de errores de medición ni variables instrumentales. Utilizan dos muestras que se supone que contienen tres partes para cada muestra, incluida una variable dependiente (Y), ciertas covariables sin errores (W) y una medida de la covariable con errores (X). La variable verdadera correspondiente no se mide con precisión en dos muestras y los valores verdaderos latentes pueden asociarse aleatoriamente con la distribución de error de medida desconocida. Sin conocer la distribución del error de medición que podría estar asociada con los valores verdaderos latentes y la variable verdadera correspondiente precisa,los autores suponen que la covariable verdadera latente y las covariables libres de error en la variable dependiente son las mismas. Sin embargo, las variables verdaderas latentes se distribuyeron de manera diferente entre las variables libres de errores observadas y específicas. Además, también proponen un método cuasi-MLE de tamiz para estimar el parámetro en el modelo de regresión paramétrica y "establecer su consistencia raíz-n y su normalidad asintótica bajo una posible especificación incorrecta, y su eficiencia semiparamétrica bajo la especificación correcta, con errores estándar fácilmente estimados".establecer su consistencia raíz-n y su normalidad asintótica bajo una posible especificación errónea, y su eficiencia semiparamétrica bajo una especificación correcta, con errores estándar fácilmente estimados".establecer su consistencia raíz-n y su normalidad asintótica bajo una posible especificación errónea, y su eficiencia semiparamétrica bajo una especificación correcta, con errores estándar fácilmente estimados".[9]