一、导师简介
在香港中文大学（深圳）（CUHK-Shenzhen）的学术体系中，Qihui CHEN教授是管理学院与深圳高等金融研究院（SFI）的重要学术骨干。对于计划攻读计量经济学方向博士学位的学生而言，其学术背景、研究方向与教学经验均具有显著的指导意义。
1.1 教育背景
教授的教育路径不仅跨越国内外顶尖院校，更构建了“数学+经济”的跨学科知识体系——这一背景对计量经济学研究至关重要，因为计量方法的创新既需要数学理论支撑，又需结合经济问题的实际场景：
-2017年，正是在加州大学圣地亚哥分校（University of California, San Diego），Qihui CHEN完成了经济学博士阶段的学习，并获得博士学位（PhD in Economics）；
-博士之前，他的学习经历分为两阶段：本科阶段于厦门大学（Xiamen University）同时拿下经济学学士（BA in Economics）与数学学士（BSc in Mathematics）；硕士阶段则先后在厦门大学和新加坡管理大学（Singapore Management University）攻读经济学，最终获得两个经济学硕士学位（MA in Economics、MSc in Economics）。
1.2 学术职位与教学领域
目前，教授身兼数职，既深耕教学与研究，也参与学术管理，这意味着博士研究生可能获得多维度的学术支持：
-在深圳高等金融研究院（SFI），他担任副教授（Associate Professor）与SFI研究员（SFI Fellow），深度参与研究院的学术研究与交流；
-同时，他还负责深圳高等金融研究院经济学硕士项目（MSc Programme in Economics）的管理工作，担任项目主任（Director），对经济学人才培养体系有深刻理解；
-教学上，他的授课领域集中于经济学（Economics），尤其擅长计量经济学相关课程，能帮助博士研究生搭建从理论到应用的完整知识框架。
1.3 核心研究方向
教授的研究始终围绕计量经济学的两大核心领域，且理论与应用并重，这一特点能为博士研究生提供“理论创新+实践落地”的双重训练：
-其一为计量经济学理论（Econometric Theory），重点研究统计推断方法的创新，例如如何解决模型识别难题、如何优化估计量的统计性质等；
-其二为应用计量经济学（Applied Econometrics），核心是将理论层面的计量方法应用于实际经济问题，比如面板数据建模、政策效果的量化评估等。
二、近期文章和项目解析
教授的学术成果集中发表于计量经济学领域的权威期刊，每篇文章均针对该领域的关键技术痛点提出解决方案；同时，结合他所在机构的研究特色，我们也能梳理出其潜在的研究项目方向，这些信息对博士研究生选择研究课题具有重要参考价值。
2.1 期刊与文章核心价值解析
教授发表的期刊均为计量经济学领域的“硬通货”，其成果的价值可从“期刊影响力+研究解决的实际问题”两方面解读：
1. “Robust and Optimal Estimation for Partially Linear IV Models with Partial Identification”（Journal of Econometrics, Accepted）
- 先看期刊：Journal of Econometrics是计量经济学领域的顶刊，仅接收理论严谨、方法创新的研究，能被该刊接收，本身就说明成果的学术高度；
- 再看贡献：文章要解决的是“部分线性工具变量模型（Partially Linear IV Models）”的“部分识别（Partial Identification）”问题——这类模型在分析存在遗漏变量、测量误差的数据时常用，但传统估计方法在模型识别不充分时容易出现偏差。教授提出的新方法同时满足“稳健性（Robust）”与“最优性（Optimal）”，为实际数据的可靠分析提供了新工具。
2. “Inference on Functionals under First Order Degeneracy”（with Zheng Fang, Journal of Econometrics, Vol. 210(2), pp.459-481, 2019）
-这篇文章同样发表于Journal of Econometrics，聚焦的是“一阶退化（First Order Degeneracy）”场景下的“泛函推断（Inference on Functionals）”。简单来说，当模型的核心参数满足退化条件（比如方差趋近于0）时，传统方法无法对经济指标（如弹性、边际效应）进行有效推断。教授与合作者通过改进统计量构造，填补了这一理论空白。
3. “Improved Inference on the Rank of a Matrix”（with Zheng Fang, Quantitative Economics, 2019）
-期刊方面，Quantitative Economics是计量经济学领域的一流期刊，以“理论与应用结合紧密”著称；
-研究价值在于：矩阵秩（Rank of a Matrix）是很多计量模型（如因子模型）设定的关键——因子个数其实就是矩阵的秩。但传统的秩推断方法在样本量较小时精度不足，教授的改进方法提升了推断准确性，为因子分析、面板数据降维等应用提供了更可靠的依据。
4. “Improvement in Finite-Sample Properties of GMM-Based Wald Tests”（with Yu Ren, Computational Statistics, Vol. 28(2), pp.735-749, 2013）
-Computational Statistics是计算统计学领域的核心期刊，专注于统计方法的数值实现与性质优化；
-文章解决的是GMM方法的痛点：广义矩估计（GMM）是计量中常用的方法，但基于GMM的Wald检验在样本量较小时（如微观调查数据）常出现“过度拒绝”或“功效不足”的问题。教授通过调整检验统计量的权重矩阵，显著改善了Wald检验的有限样本性质，让小样本数据的推断更可靠。
5. “Testing Homogeneity in Panel Data Models with Interactive Fixed Effects”（with Liangjun Su, Econometric Theory, Vol. 29(6), pp.1079-1135, 2013）
-Econometric Theory是计量经济学理论领域的权威期刊，专门发表基础理论创新成果；
-研究意义在于：有交互固定效应的面板数据模型能同时考虑个体差异与时间效应，但模型是否适用，取决于“同质性（Homogeneity）”——即核心参数是否在所有个体间一致。传统检验方法在交互固定效应下会失效，教授提出的新方法恰好解决了这一问题，为面板数据模型的合理设定提供了判断标准。
2.2 潜在研究项目方向
结合教授的研究成果与深圳高等金融研究院“金融+计量”的交叉定位，我们可以推断出他当前或未来可能参与的研究项目，这些项目也可能成为博士研究生的课题方向：
- 金融计量应用类项目：比如将模型识别、推断方法创新应用于金融数据——像利用高频数据分析数字货币的价格波动，或通过文本数据（如企业年报）提取信息，构建金融风险度量指标；
- 政策评估类项目：这类项目通常与政府或企业合作，核心是用计量方法评估政策效果——例如用面板数据模型、工具变量方法分析产业补贴政策对企业创新的影响，为政策调整提供量化依据；
- 计量方法优化类项目：针对实际场景中常见的复杂数据（如高维数据、缺失数据），开发新的估计与推断工具，让计量理论能更好地落地到实际问题中。
三、未来研究预测
从教授现有的研究脉络来看，其未来的研究方向会紧密结合计量经济学领域的发展趋势，既延续自身的理论优势，又关注实际应用需求。以下四个方向具有较高的可能性，且对博士研究生的课题选择具有参考意义：
3.1 复杂数据下的计量方法创新
现在的研究越来越多地面临高维数据（比如包含几百个解释变量的微观数据）、非结构化数据（比如金融新闻文本、企业社交媒体数据），传统计量方法在处理这些数据时会遇到“维度灾难”“模型难以识别”等问题。教授在计量理论方面有深厚积累，未来很可能会往这个方向探索——比如开发适用于高维部分线性模型的估计方法，或把机器学习中的变量选择技术（如LASSO）与计量中的工具变量方法结合，解决复杂数据的推断难题。
3.2 金融计量的深度应用
深圳高等金融研究院的核心定位是金融领域的研究与人才培养，教授的计量方法创新大概率会进一步向金融场景延伸：一方面，可能会研究数字货币、绿色金融等新兴领域的计量建模——比如用高频数据估计加密货币之间的波动溢出效应；另一方面，可能会优化金融风险度量工具——比如改进VaR（风险价值）的估计方法，帮助金融机构更准确地管控风险。
3.3 政策评估计量的拓展
现在政策制定越来越强调“量化依据”，政策评估计量因此成为热门方向。教授未来可能会在“因果识别”上做更深的研究——比如针对环境政策、产业补贴政策，开发更精准的双重差分（DID）、合成控制法（SCM）改进方法，解决传统评估中“选择性偏误”“政策内生性”等问题，让政策效果的评估更科学、更可靠。
3.4 部分识别与稳健推断的深化
教授最新被Journal of Econometrics接收的文章聚焦“部分识别”，而这正是当前计量经济学的研究热点。未来，他可能会把部分识别的应用场景进一步拓展——比如在劳动经济学（估计教育回报率）、产业组织（测度市场势力）中，分析模型部分识别时能得出哪些政策启示；同时，可能会把“稳健推断”与机器学习结合，开发出对数据分布、模型设定不敏感的推断方法，让计量结果更稳健、更可信。
