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 Econometric Society y ganadora del Premio de Economía de China. Como una de las principales expertas en econometría , su investigación se enfoca en la teoría econométrica , métodos de estimación e inferencia semi / no paramétricos, métodos de cribado , series de tiempo no lineales y modelos semi / no paramétricos. [2] Fue elegida miembro de la Academia Estadounidense de Artes y Ciencias en 2019. [3]
Chen nació en Hubei , China . [4] Obtuvo una licenciatura en matemáticas de la Universidad de Wuhan en 1986, fue 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 profesor de economía Malcolm K. Brachman en la Universidad de Yale . Anteriormente enseñó en la London School of Economics , la Universidad de Nueva York y la Universidad de Chicago . Después de graduarse de la Universidad de California en 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 la Ciencia de Datos. [6] Chen también es miembro internacional del Centro de métodos y práctica de microdatos , miembro electo de la Econometric Society 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 no lineales en la variable (EIV) sin datos de validación, distribución de errores de medición y variables instrumentales. Utilizan dos muestras que se supone que contienen tres partes para cada muestra, incluida una variable dependiente (Y), ciertas covariables libres de error (W) y una medida de la covariable plagada de 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 del 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 verdaderas variables latentes se distribuyeron de manera diferente entre las variables libres de error observadas y específicas. Además, también proponen un método cuasi-MLE de tamiz para estimar parámetro en el modelo de regresión paramétrico y "establecer su consistencia raíz-n y normalidad asintótica ante posibles errores de especificación, y su eficiencia semiparamétrica bajo especificación correcta, con errores estándar fácilmente estimados".establecer su consistencia raíz-n y normalidad asintótica ante posibles errores de especificación, y su eficiencia semiparamétrica bajo especificación correcta, con errores estándar fácilmente estimados ".establecer su consistencia raíz-n y normalidad asintótica ante posibles errores de especificación, y su eficiencia semiparamétrica bajo especificación correcta, con errores estándar fácilmente estimados ".[9]