- Chang, J., Fang, Q., Qiao, X., & Yao, Q. (2024+). On the modeling and prediction of high-dimensional functional time series. Journal of the American Statistical Association, in press.
- Chang, J., He, J., Yang, L., & Yao, Q. (2023). Modelling matrix time series via a tensor CP-decomposition. Journal of the Royal Statistical Society: Series B, 85, 127-148.
- Chang, J., Guo, B., & Yao, Q. (2018). Principal component analysis for second-order stationary vector time series. The Annals of Statistics, 46, 2094-2124.
- 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, 44, 515-539.
- Chang, J., Guo, B., & Yao, Q. (2015). High dimensional stochastic regression with latent factors, endogeneity and nonlinearity. Journal of Econometrics, 189, 297-312.
- Chang, J., Tang, C. Y., & Wu, Y. (2013). Marginal empirical likelihood and sure independence feature screening. The Annals of Statistics, 41, 2123-2148.
系列代表性工作一：超高维协变量筛选与数据降维的系列新方法
Chang, Tang & Wu (2013, AoS; 2016, AoS)首次提出运用边际假设检验的方法对超高维协变量进行筛选，有效解决了已有方法存在的问题，显著减弱了其他方法对数据以及模型的要求和限制。首先，将经验似然比在 0 处的取值作为衡量每个协变量的边际贡献是否为零的检验统计量可以避免直接估计边际贡献时可能会遇到的不可识别的问题；其次，基于经验似然自学生化的特性，该检验统计量能够避免异方差的影响。
Chang, Guo & Yao (2015, JoE)提出了一种通过对某个正定矩阵进行谱分解来实现快速因子降维的方法，避免直接求解超高维优化问题，打破了传统方法面临的计算瓶颈。即使观测到的数据维度达到几千时，该方法在个人笔记本电脑上也仅需几十秒即可完成降维。
Chang, Guo & Yao (2018, AoS)提出了一种基于线性变换的降维方法。通过线性变换将观测数据转换为一组新的数据——新数据中的各分量可以分成不同的组，不同组之间不再具有相关性。有效避免了直接建模会遇到的“过度参数化”和“模型不可识别”两大问题。实践表明：即使这样的线性变换不存在，强行通过该方法降维以后再分组建模仍能显著提高预测精度。
Chang, He, Yang & Yao (2023, JRSSB)提出通过张量 CP 分解对复杂矩阵型时间序列进行降维，并给出了一种不需要迭代即可完成求解的快速算法，改进了文献中求解 CP 分解一定要通过迭代算法的思路。
Chang, Fang, Qiao & Yao (2024+, JASA)提出了一种两步法用于高维函数型时间序列的建模和预测。该方法通过首先进行特征分析实现数据变换与分组，使不同组之间互不相关，然后在每组内建立有限维向量时间序列模型，从而有效降低维度并保留动态结构。
系列代表性工作二：超高维模型估计与推断的统一方法论体系
- Chang, J., Tang, C. Y., & Zhu, Y. (2025+). Bayesian penalized empirical likelihood and Markov Chain Monte Carlo sampling. Journal of the Royal Statistical Society: Series B, in press.
- Chang, J., Shi, Z., & Zhang, J. (2023). Culling the herd of moments with penalized empirical likelihood, Journal of Business & Economic Statistics, 41, 791-805.
- Chang, J., Chen, S. X., Tang, C. Y., & Wu, T. T. (2021). High-dimensional empirical likelihood inference, Biometrika. 108, 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, 46, 3185-3216.
- Chang, J., Chen, S.-X., & Chen, X. (2015). High dimensional generalized empirical likelihood for moment restrictions with dependent data. Journal of Econometrics, 185, 283-304.
Chang, Chen & Chen (2015, JoE)给出了如何运用经验似然对r和p发散的估计方程进行估计和推断，并证明经验似然估计和广义矩方法等其他估计方法一样只有在r和p以很慢的速度发散时才能工作。
Chang, Tang & Wu (2018, AoS)首次提出在经验似然的损失函数中同时对待估参数和拉格朗日乘子加惩罚的形式系统解决了r和p远远大于n时估计方程的参数估计问题，建立了求解超高维估计方程的统一方法论体系。
Chang, Chen, Tang & Wu (2021, BKA)首次通过对估计方程进行旋转得到了一种统一的、不依赖于偏差校正的统计推断方法，系统解决了超高维估计方程的推断问题，并首次给出了对超高维估计方程的过度识别检验方法。
Chang, Shi & Zhang (2023, JBES)系统研究了高维矩约束模型在可能含有错误识别矩条件情形下的参数估计与推断问题，提出了一种惩罚经验似然方法，建立了相应的矩条件识别准则。
Chang, Tang & Zhu (2025+, JRSSB)通过引入贝叶斯抽样理论，提出了两类求解超高维估计方程的抽样算法，能够不依赖于初始值的选取即可精准找到全局最优解，系统解决了求解超高维估计方程时的计算难题。
系列代表性工作三：基于高斯逼近的统计推断新理论
- Chang, J., Jiang, Q., McElroy, T., & Shao, X. (2025+). Statistical inference for high-dimensional spectral density matrix. Journal of the American Statistical Association, in press.
- Chang, J., Hu, Q., Kolaczyk, E. D., Yao, Q., & Yi, F. (2024). Edge differentially private estimation in the β-model via jittering and method of moments. Annals of Statistics, 52, 708-728.
- Chang, J., Chen, X., & Wu, M. (2024). Central limit theorems for high dimensional dependent data. Bernoulli, 30, 712-742.
- Chang, J., He, J., Kang, J., & Wu, M. (2024). Statistical inferences for complex dependence of multimodal imaging data. Journal of the American Statistical Association, 119, 1486-1499.
- Chang, J., Jiang, Q., & Shao, X. (2023). Testing the martingale difference hypothesis in high dimension, Journal of Econometrics, 235, 972-1000.
- Chang, J., Qiu, Y., Yao, Q., & Zou, T. (2018). Confidence regions for entries of a large precision matrix, Journal of Econometrics, 206, 57-82.
- Chang, J., Yao, Q., & Zhou, W. (2017). Testing for high-dimensional white noise using maximum cross-correlations. Biometrika, 104, 111-127.
- Chang, J., Zheng, C., Zhou, W.-X., & Zhou, W. (2017). Simulation-based hypothesis testing of high dimensional means under covariance heterogeneity. Biometrics, 73, 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, 73, 31-41.
Chang, Yao & Zhou (2017, BKA)首次解决了超高维时间序列中的白噪声检验问题。
Chang, Jiang & Shao (2023, JoE)将Chang, Yao & Zhou (2017, BKA)的方法进行推广，并首次解决了更为一般的超高维鞅差检验。
Chang, Zheng, Zhou & Zhou (2017, Biometrics)和Chang, Zhou, Zhou & Wang (2017, Biometrics)给出了在数据内部各分量间具有任意相关结构时均能工作的超高维均值检验方法和超高维协方差检验方法。
Chang, Qiu, Yao & Zou (2018, JoE)给出了构建超高维精度矩阵(precision matrix)置信域的方法，并以此研究了 2008 年金融危机前后美国股市不同板块股票间连通性的变化。
Chang, He, Kang & Wu (2024, JASA)通过参数 bootstrap 方法对大脑多模态图像数据中的相依性结构提出了一种快速推断的方法，所提方法不需要对大脑多模态图像数据中不同区域的相关性进行假设。运用该方法对 Human Connectome Project 中的多任务 fMRI 数据进行分析发现了一些脑科学研究中的新结论。
Chang, Chen & Wu (2024, Bernoulli)分别基于alpha-混合、m-相关和physical相关三种框架构建了超高维中心极限定理，该结果均适用于超矩形集合、简单凸集和稀疏凸集。此外，文章提出了基于核函数估计量的参数自助法用以解决实际应用场景中长期协方差未知的问题。
Chang, Hu, Kolaczyk, Yao & Yi (2024, AoS)提出了一种基于抖动机制和矩估计的新方法，在确保数据隐私水平的同时高效估计β模型中的参数，并通过自适应自助法实现稳健的统计推断，兼具理论保障与计算优势。
Chang, Jiang, McElroy & Shao (2025+, JASA)首次将高斯逼近和参数自助法用于频域中的高维参数推断，提出了适用于高维谱密度矩阵的新型全局检验以及能控制错误发现率的多重检验方法。