常晋源，教授，博导

西南财经大学统计学院，数据科学系

电子邮箱：changjinyuan@swufe.edu.cn

简历：

      2013年7月于北京大学光华管理学院取得经济学博士学位，2013年9月至2017年2月在澳大利亚墨尔本大学数学与统计学院任研究员，2017年3月开始全职在西南财经大学统计学院工作。现为西南财经大学数据科学与商业智能联合实验室执行主任、教授、博士生导师、四川省特聘专家、四川省统计专家咨询委员会委员。

学术荣誉：

• 2021年：获得国家杰出青年科学基金资助

• 2020年：获得霍英东教育基金会第十七届高等院校青年教师奖一等奖、教育部第八届高等学校科学研究优秀成果奖三等奖、第十五届四川省青年科技奖

• 2019年：获得四川省第十八次社会科学优秀成果三等奖、中国数量经济学会第十二届优秀科研成果奖论文一等奖

• 2018年：获得霍英东教育基金会第十六届高等院校青年教师基金资助，入选四川省学术和技术带头人后备人选

• 2015年：获聘四川省特聘专家

• 2013年：获得中国数学会第11届钟家庆数学奖

• 2012年：获得国际数理统计协会Laha Award，是首位获此殊荣的大陆高校培养的博士生

主持项目：

• 2022.01—2026.12：国家杰出青年科学基金项目《求解超高维计量经济模型的快速算法及其理论分析》

• 2020.01—2024.12：国家自然科学基金重大项目课题《时空数据建模和预测研究》

• 2019.01—2022.12：国家自然科学基金面上项目《高维高频数据中若干问题的研究》

• 2019.01—2019.12：中央高校基本科研业务费专项基金年度培育项目《超高维高频金融数据中市场微观结构噪音的协方差估计》

• 2018.03—2021.03：霍英东教育基金会第十六届高等院校青年教师基金项目《超高维估计方程模型的理论与实践》

• 2018.01—2018.12：中央高校基本科研业务费专项基金年度培育项目《高频数据中微观结构噪音的统计推断》

• 2017.07—2019.06：中央高校基本科研业务费专项基金重大基础理论研究项目《超高维数据分析的模型、理论与实践》

• 2017.01—2017.12：中央高校基本科研业务费专项基金青年教师成长项目《超高维经验似然的理论与应用》

• 2016.01—2018.12：国家自然科学基金青年基金项目《高维时间序列的降维与建模》

• 2016.01—2016.12：中央高校基本科研业务费专项基金青年教师成长项目《超高维白噪声序列的检验》

学术兼职：

• 2018.09—至今：《Journal of Business & Economic Statistics》副主编

• 2017.10—2021.12：《Journal of the Royal Statistical Society Series B》副主编

• 2017.08—至今：《Statistica Sinica》副主编

• 2022.01—至今：《管理科学学报》领域编辑

• 2019.03—至今：《应用概率统计》编委

• 2019.04—至今：全国工业统计学教学研究会青年统计学家协会副会长

• 2019.04—至今：中国现场统计研究会高维数据统计分会常务理事

• 2018.10—至今：中国概率统计学会理事

• 2018.10—至今：中国计量经济学会理事

• 国家自然科学基金委管理科学部重点项目会评评委（2021）

• 国家自然科学基金委管理科学部面青地项目会评评委（2022）
  

代表性论文：

• Chang, J., Jiang, Q., Shao, X. (2022). Testing the martingale difference hypothesis in high dimension, Journal of Econometrics, in press.

• Chang, J., Hu, Q., Liu, C. & Tang, C. Y. (2022). Optimal covariance matrix estimation for high-dimensional noise in high-frequency data, Journal of Econometrics, in press.

• Chang, J., Shi, Z. & Zhang, J. (2022). Culling the herd of moments with penalized empirical likelihood, Journal of Business & Economic Statistics, in press.

• Chang, J., Cheng, G. & Yao, Q. (2022). Testing for unit roots based on sample autocovariances, Biometrika, Vol. 109, pp. 543-550.

• Chang, J., Kolaczyk, E. D. & Yao, Q. (2022). Estimation of subgraph densities in noisy networks, Journal of the American Statistical Association, Vol. 117, pp. 361-374.

• Chang, J., Chen, S. X., Tang, C. Y. & Wu, T. T. (2021). High-dimensional empirical likelihood inference, Biometrika, Vol. 108, pp. 127-147.

• Chang, J., Tang, C. Y. & Wu, T. T. (2018). A new scope of penalized empirical likelihood with high-dimensional estimating equations, The Annals of Statistics, Vol. 46, pp. 3185-3216.

• Chang, J., Guo, B. & Yao, Q. (2018). Principal component analysis for second-order stationary vector time series, The Annals of Statistics, Vol. 46, pp. 2094-2124.

• Chang, J., Qiu, Y., Yao, Q. & Zou, T. (2018). Confidence regions for entries of a large precision matrix, Journal of Econometrics, Vol. 206, pp. 57-82.

• Chang, J., Delaigle, A., Hall, P. & Tang, C. Y. (2018). A frequency domain analysis of the error distribution from noisy high-frequency data, Biometrika, Vol. 105, pp. 353-369.

• Chang, J., Zheng, C., Zhou, W.-X. & Zhou, W. (2017). Simulation-based hypothesis testing of high dimensional means under covariance heterogeneity, Biometrics, Vol. 73, pp. 1300-1310.

• Chang, J., Zhou, W., Zhou, W.-X. & Wang, L. (2017). Comparing large covariance matrices under weak conditions on the dependence structure and its application to gene clustering, Biometrics, Vol. 73, pp. 31-41.

• Chang, J., Yao, Q. & Zhou, W. (2017). Testing for high-dimensional white noise using maximum cross-correlations, Biometrika, Vol. 104, pp. 111-127.

• Chang, J., Shao, Q.-M. & Zhou, W.-X. (2016). Cramer-type moderate deviations for Studentized two-sample U-statistics with applications, The Annals of Statistics, Vol. 44, pp. 1931-1956.

• Chang, J., Tang, C. Y. & Wu, Y. (2016). Local independence feature screening for nonparametric and semiparametric models by marginal empirical likelihood, The Annals of Statistics, Vol. 44, pp. 515-539.

• Chang, J., Guo, B. & Yao, Q. (2015). High dimensional stochastic regression with latent factors, endogeneity and nonlinearity, Journal of Econometrics, Vol. 189, pp. 297-312.

• Chang, J. & Hall, P. (2015). Double-bootstrap methods that use a single double-bootstrap simulation, Biometrika, Vol. 102, pp. 203-214.

• Chang, J., Chen, S.-X. & Chen, X. (2015). High dimensional generalized empirical likelihood for moment restrictions with dependent data, Journal of Econometrics, Vol. 185, pp. 283-304.

• Chang, J., Tang, C. Y. & Wu, Y. (2013). Marginal empirical likelihood and sure independence feature screening, The Annals of Statistics, Vol. 41, pp. 2123-2148.

• Chang, J. & Chen, S.-X. (2011). On the approximate maximum likelihood estimation for diffusion processes, The Annals of Statistics, Vol. 39, pp. 2820-2851.

综述与讨论文章：

• Chang, J., Kolaczyk, E. D. & Yao, Q. (2020). Discussion of 'Network cross-validation by edge sampling', Biometrika, Vol. 107, pp. 277-280.

• Chang, J., Guo, J. & Tang, C. Y. (2018). Peter Hall's contribution to empirical likelihood, Statistica Sinica, Vol. 28, pp. 2375-2387.

• 
  

• 
  

•