• 0.2.1 PSM
• 0.2.2 IPW
• 0.2.3 Doubly Robust
• 0.2.4 Covariate balancing propensity score (CBPS)
• 0.2.5 数据驱动的变量分解算法（D²VD）

• 0.3.1 Entrophy Balancing
• 0.3.2 Approximate Residual Balancing

• 1.0 ATT与ATE的关系
• 1.1 matching 的讨论
• • 1.1.1 PSM的一些问题
  • 1.1.2 面板数据中：PSM和DID是天生绝配！
  • 1.1.3 PSM的一些使用条件
• 1.2 相似性的测度标准
• 1.3 匹配实施方法
• • 1.3.1 近邻匹配（nearest neighbor matching）
  • • 1.3.1.1 1对1匹配
    • 1.3.1.2 1对多匹配
  • 1.3.2 其他匹配
• 1.4 三种常见的Matching方法
• 1.5 淘宝中使用PSM的案例心得

• 2.1 选择协变量
• 2.2 倾向性得分估算
• 2.3 倾向性得分匹配
• 2.4 平衡性/均衡性检验检查
• 2.5 因果效应估算
• 2.6 敏感度分析与反驳

• 3.1 第一步:使用倾向性评分法估计因果效应
• 3.2 第二步：评估各倾向性评分方法的均衡性
• 3.3 第三步：反驳

• 4.1 PSM Step1：计算Propensity Score
• 4.2 PSM Step2：Matching
• 4.3 PSM Step3：实验组 VS 新对照组 评估建立健康诊所对新生儿死亡率的影响

• 5.1 倾向性得分计算
• 5.2 Matching

• 6.1 淘系技术：倾向得分匹配（PSM）的原理以及应用
• 6.2 阿里妈妈 受众沟通和品牌认知评价
• 6.3 因果推断实战：淘宝3D化价值分析小结

• 如何在观测数据下进行因果效应评估
• 因果推断综述解析|A Survey on Causal Inference(3)

在rubin的理论下，
在观测数据下，为了给实验组寻找合适的对照组，或者消除对照组的影响，有非常多种方式，其中包括：

• Matching（找对照组）
• Propensity Score Based Methods（PS中介变量过度）
  • PS Matching ，能解决在高维数据中难以找到相似样本的问题
  • Inverse of Propensity Weighting 方法（IPW）
  • Doubly Robust
• Directly Confounder Balancing（直接对样本权重进行学习）
  • Entrophy Balancing 方法之中，通过学习样本权重，使特征变量的分布在一阶矩上一致，同时还约束了权重的熵（Entropy）
  • Approximate Residual Balancing。第一步也是通过计算样本权重使得一阶矩一致，第二步与 Doubly Robust 的思想一致，加入了回归模型，并在第三步结合了前两步的结果估计平均因果效应。

0.1 Matching

大牛论文：
Matching methods for causal inference: A review and a look forward

0.2 Propensity Score Based Methods

0.2.1 PSM

0.2.2 IPW

其他关联可见： 倾向得分方法的双重稳健且有效的改进

经过IPW加权之后，我们大致认为各组样本之间不存在选择性偏差，这时，我们用对照组的观测结果的加权值来估计整体的对照策略的潜在结果期望，用试验组的观测结果的加权值来估计整体的试验策略的潜在结果期望。

0.2.3 Doubly Robust

0.2.4 Covariate balancing propensity score (CBPS)

因果推断综述解析|A Survey on Causal Inference(3)

IPW方法的倾向得分其实是策略的倾向选择概率，但是选择性偏差带来的是样本之间其他相关变量分布的不平衡。所以使用逆倾向得分属于只考虑了策略的倾向选择概率，却用来平衡样本之间其他相关变量的分布。Covariate balancing propensity score (CBPS)，协变量平衡倾向得分方法被设计出来来同时衡量这两方面，来使倾向得分更准确。CBPS得到倾向得分的方式是求解下面的方程：

0.2.5 数据驱动的变量分解算法（D²VD）

0.3 Directly Confounder Balancing

0.3.1 Entrophy Balancing

0.3.2 Approximate Residual Balancing

1 倾向性得分

具体从 因果推断笔记—— 相关理论：Rubin Potential、Pearl、倾向性得分、与机器学习异同（二） 摘录的相关的章节

1.0 ATT与ATE的关系

双重差分法之PSM - DID(1)

ATT：参与者平均处理效应（Average Treatment Effect on the Treated，ATT）
ATE：全部样本的平均处理效应，Average Treatment Effect，ATE）

随机化试验那部分我们讲到了：

T⊥(Y(1), Y(0))(⊥表示独立性)

这个公式其实包含了较强的可忽略性（Ignorability）假定，但我们之前说了，这种方式比较“贵”，所以通常我们会希望收集足够多的X，使得：

估计ATT最理想的方法是找到参与实验的个体在平行时空的自己，并假设平行时空的自己没有参与实验，最后作差得出最纯粹的ATT，但是找到平行时空的自己不现实；
退而求其次，我们可以使用随机分组的处理组与控制组，作差得到ATT，但现实中个体是否参与实验的选择不随机；
为了得到随机化分组的样本，找出影响个体是否参与实验的因素，控制两组间因素的取值相等，最后利用处理后的分组样本作差得到ATT。

但是，平行时空中的个体一般是无法找到的（至少现在不能~）

为了使 A T T = A T E ，其中一个思路就是消掉选择偏差这一部分
处理组的选择是随机的，就能实现处理组虚拟变量与结果变量均值独立,只要处理组的选择是随机的，两组间的y之差就是我们需要的参与组平均处理效应ATT

在【 淘系技术：倾向得分匹配（PSM）的原理以及应用 】提到：
可以认为ATE是人群整体的干预增量效果，而ATT是实际被干预人群的干预增量效果。
通常我们通过PSM+DID计算的是ATT，因为ATE还会涉及人群的干预率。更详细的解释可以参考stackexchange上的
这个回答：https://stats.stackexchange.com/questions/308397/why-is-average-treatment-effect-different-from-average-treatment-effect-on-the-t

1.1 matching 的讨论

有一篇专门说matching综述论文：
Matching methods for causal inference: A review and a look forward

1.1.1 PSM的一些问题

PSM（倾向性得分匹配法）与回归相比究竟优越在哪里？

PSM是为了找到实验组比较适配的对照组，之所有会找，大概率是只有观测数据，没有实验数据。
实用性角度，matching 把本来就能一步完成的回归，硬生分作两步：

• 第一步：匹配合适的对照组
• 第二步：用匹配到的对照组和实验组的数据做回归

matching 也无法解决隐形的遗漏变量问题（或内生性问题）。
Matching 是一个有争议的方法，我认识很多老师他们对PSM 包括其它传统的matching是有看法的，觉得有点鸡肋，
原因一是任何matching都是基于一套weighting 规则， 你咋证明这套weighting 规则就比你直接加控制变量进去好？
原因二是有时候用了matching 也构建不出一个很好的对照组，规则严了找不到好的common support，规则松了对照组和不matching 前也差不了多少。

1.1.2 面板数据中：PSM和DID是天生绝配！

双重差分法之PSM - DID(1)
双重差分法之PSM - DID(2)

现实中的政策本质上是一种非随机化实验（或称，准自然实验），因此政策效应评估所使用的DID方法难免存在自选择偏差，而使用PSM方法可以为每一个处理组样本匹配到特定的控制组样本，使得准自然实验近似随机，注意是近似，因为影响决策的不可观测因素在两组间仍然存在差异。

PSM - DID也并非是解决选择偏差的灵丹妙药，除了PSM本身不能控制因不可观测因素导致的组间差异，在与DID结合时还存在一个更为关键的问题。

从本质上来说，PSM适用于截面数据，而DID仅仅适用于时间 - 截面的面板数据。

• 对于PSM，每一个处理组样本匹配到的都是同一个时点的控制组样本，相应得到的ATT仅仅是同一个时点上的ATT。下文psmatch2的输出结果中，ATT那一行结果就仅仅代表同一个时点上的参与者平均处理效应。
• 对于DID，由于同时从时间与截面两个维度进行差分，所以DID本身适用的条件就是面板数据。因此，由PSM匹配到的样本原本并不能直接用到DID中做回归。

面对两者适用数据类型的不同，现阶段的文献大致有两种解决思路。

• 第一，将面板数据视为截面数据再匹配。如上文参考文献中的绝大多数。
• 第二，逐期匹配。如，Heyman et al.（2007）[11]、Bockerman & Ilmakunnas（2009）[12]等。

1.1.3 PSM的一些使用条件

倾向得分匹配法的详细解读

1.样本量尽量大，如果样本太小，会导致处理组许多样本在控制组中找不到能匹配的样本，或者能匹配，但是距离很远，也就是控制组的这个样本与处理组的这个样本相对是最匹配的，但是绝对匹配度依然不高。

2.处理组与控制组的倾向得分有较大共同取值范围，否则会丢失较多样本，导致匹配的样本不具备代表性。

需要注意的是，PSM 只能缓解由可观测变量带来的内生性问题，无法处理最为关键的由不可观测变量带来的内生性问题。以上面的例子为例，如果影响企业是否披露R&D投资的因素是不可观测的，那么PSM就不适用了。并且只是缓解，从根本上处理内生性问题还得用IV方法。

1.2 相似性的测度标准

1.3 匹配实施方法

1.3.1 近邻匹配（nearest neighbor matching）

1.3.1.1 1对1匹配

1.3.1.2 1对多匹配

1.3.2 其他匹配

1.4 三种常见的Matching方法

1.5 淘宝中使用PSM的案例心得

因果推断：效应估计的常用方法及工具变量讨论

倾向性得分匹配（PSM，Propensity Score Method）

主要是基于用户特征来预测用户被活动干预的概率作为倾向得分，选取和实验组用户倾向得分最接近的用户作为对照组；“倾向性得分” 是一个用户属于实验组的 “倾向性”，理论上，如果我们对每一个实验组用户都在对照组里匹配一个得分相等的用户，就能得到同质的实验组和对照组，进而来做组间比较。“倾向性得分匹配” 适用于样本属性的维度很高或者有一些（不好切断的）连续变量，为实验组找到匹配的对照组，消除混杂因子。

广义精确匹配（CEM，Coarsened Exact Matching）

主要是使用核心混杂因子（对“果”/“因变量” 影响较大的用户特征）进行匹配，每个实验用户匹配到的N个同特征用户作为对照组，取N个同特征用户的核心指标均值作为实验用户的对照。CEM主要用于用户量特别大的场景，在这种情况下预测倾向得分依赖于大量的计算资源和较优的模型效果，导致PSM会受到一定的影响。

应用在实际的业务效果/增量衡量中时，对于匹配类方法，在匹配得到同质的实验 vs 对照组的情况下，活动带来的业务效果即为活动开始后实验组和对照组的核心指标差值（Matching）。
而当在通过以上匹配类方法没能找到完全同质的实验 vs 对照组的情况下，可依据匹配到的实验组和对照组用户，再结合DID的方法来去除干预前两组之间的GAP，通过匹配+DID类方法来计算因果效应（Matching+DID）。

2 基于倾向性评分法理论实现步骤

【计量地图】倾向得分匹配法（PSM）理论、操作与案例
倾向性评分法由Rosenbaum和Rubin于1983年首次提出，是控制混淆变量的常用方法，其基本原理是将多个混淆变量的影响用一个综合的倾向性评分来表示，从而降低了混淆变量的维度。

倾向性评分是给定混淆变量W的条件下，个体接受Treatment的概率估计，即 P(T=1|W)。
需要以Treatment为因变量，混淆变量Confounders为自变量，建立回归模型(如Logistic回归)来估计每个研究对象接受Treatment的可能性。

回归：T~W

数据分析36计(九)：倾向得分匹配法(PSM)量化评估效果分析

可以分为以下几个步骤：

2.1 选择协变量

倾向得分匹配(PSM)的原理与步骤
计算倾向得分类似于一个降维的过程，把非常多的协变量维度降为一个维度，就是倾向得分，也就是倾向得分综合包含了所有协变量的信息。两个个体的倾向得分非常接近，并不意味着这两个个体的其他属性也接近，这不好判断。不过根据PSM的原理，倾向得分接近就够了，其他属性也接近更好。

协变量太多，则维度太高，找到相似的匹配对象不容易，维度越高越不容易，协变量太少则难以说明个体和匹配对象高度相似。所以协变量的选择需要权衡。

2.2 倾向性得分估算

2.3 倾向性得分匹配

2.4 平衡性/均衡性检验检查

2.5 因果效应估算

2.6 敏感度分析与反驳

3 倾向性得分案例解读一（无代码）：就业与收入的影响

3.1 第一步:使用倾向性评分法估计因果效应

3.2 第二步：评估各倾向性评分方法的均衡性

3.3 第三步：反驳

4 倾向性匹配案例二（无代码）：是否有诊所与死亡率的因果关系

Propensity Score Matching（PSM）倾向性匹配评分是什么？盘她！

比较清晰了给出了PSM匹配步骤的做法，不过可惜没有代码

对比对照组和实验组项目实施前和项目实施后的新生儿死亡率，进行Difference in Difference 的研究，目前我们假设，并没有历史的新生儿死亡率数据
数据样式：

这里把treatment-T（有没有诊所），Outcome - Y（infant mortality 死亡率），都标明了；两个混杂变量，poverty rate 贫穷率 和per capita doctors 人均医生数。

目标：为每一个实验组的村庄创建/找到新的对照组： 针对每一个实验组的村庄，找到其特征类似的对照组。

4.1 PSM Step1：计算Propensity Score

import statsmodels.api as sm
formula = "T ~ poverty_rate + per_capita_doctors"
model = sm.Logit.from_formula(formula, data = data)
re = model.fit()
X = data[['poverty_rate', 'per_capita_doctors']]
data['ps'] = re.predict(X)
这里注意，不是Y ~ f(T,X)，而是T~f(Y,X)
 
那么最终出来的结果就是，每个村庄有诊所的可能性。
 
4.2 PSM Step2：Matching
 
计算出Propensity Score后，在对照组中需要寻找到与实验组行为（贫穷率、人均医生数）相似的村庄，此过程被称为Matching。
 在这里我们采取最简单的临近匹配法，对每一个实验组村庄进行遍历，找到ps值最接近的对照组村庄作为新对照组集合中的元素，即为new_control_index。
 

 因为我们需要为有诊所的村庄（T = 1） 一一对应找无诊所（T=0）村庄
 所以，以index=0的实验组村庄为例（ps=0.416571），在健康诊所项目启动前，与其贫穷率、人均医生数最为接近的对照组成员为index=5村庄（ps=0.395162）。
 
 
这里的计算方式就是非常简单的：ps(index=5) - ps(index = 1)是最小
 
到此为止，每个实验组村庄都找到了其新的对照组归宿~
 
4.3 PSM Step3：实验组 VS 新对照组 评估建立健康诊所对新生儿死亡率的影响
 

 新对照组村庄（未建立健康诊所）新生儿死亡率比实验组村庄（建立健康诊所）足足高出7%，从而证明这个NGO组织的健康诊所项目对新生儿死亡率的降低有显著作用。
 
5 倾向性匹配案例（含代码）案例三
 
整个代码非常简单，抽取 + 参考
 文档：psmatching
 github:psmatching
 
笔者练习代码：causal_inference_demo/psm
 
基本实现与案例二无差别，那我们就来看一下。
 
import psmatching.match as psm
import pytest
path = "simMATCH.csv"
model = "CASE ~ AGE + TOTAL_YRS"
k = "3"
# m = psm.PSMatch(path, model, k)
# Instantiate PSMatch object
m = PSMatch(path, model, k)
# Calculate propensity scores and prepare data for matching
m.prepare_data()
# Perform matching
m.match(caliper = None, replace = False)
# Evaluate matches via chi-square test
m.evaluate()
这里的K=3,代表会找出三个候选集，之前案例二中是一个。
 
数据集的样子：
 
那么此时：case是干预treatment；
 这个公式，"CASE ~ AGE + TOTAL_YRS"就是计算倾向性得分的时候会使用到的
 
5.1 倾向性得分计算
 
此时在代码内部计算倾向性得分的公式为：
 
glm_binom = sm.formula.glm(formula = model, data = data, family = sm.families.Binomial())
data = m.df 
使用的是广义线性估计 + 二项式Binomial，最后得到了propensity
 
5.2 Matching
 
m.matches 
这里计算距离的方式，也是最粗暴的：
 
dist = abs(g1[m]-g2)

 所以，matching的过程其实是筛选样本的过程，
 这里最终挑选出来的只有1700+样本（总共有15000个左右）。
 比如这里就是，case_id = 10384的，匹配到的三个样本编码分别为：9504 / 11978 / 595
 
当然该案例后续没有给出因果估计量，不过大可以根据m.matched_data后续自己计算。
 整个案例代码开源的比较简陋。。将就着看了。。
 
6 一些案例
 
6.1 淘系技术：倾向得分匹配（PSM）的原理以及应用
 
淘系技术：倾向得分匹配（PSM）的原理以及应用
 
示例数据均为虚拟构造数据，仅用于参考说明方法。
 
匹配之后，常见的趋势会如下图一所示：
 
在干预之前，匹配后的实验组和对照组呈现几乎相同或平行的趋势（匹配质量较好的情况下）
在干预后，两组用户在目标指标上会开始出现差异，可以认为是干预带来的影响
 
因为满足平行趋势假设，我们可以用双重差分法（DID）去计算干预带来的增量；需注意的是，计算实验组与对照组的差异时，我们通常需要取一段时间的均值，避免波动带来的影响。
 
最终得到的结论类似于：用户在购买商品后，能够给来访率带来1.5%（30天日均）的提升。
 
额外情况：增量后期趋同
 
用户在干预之后来访率有一个短暂的提升，但随着时间的推移两组用户趋于一致。这种情况下我们通常认为干预并没有给用户来访带来显著的提升。为了识别出这种情况，我们也可以通过假设检验或计算差值中位数的方式进行验证。
 

 不满足平行趋势假设
 从下图可以看到，左侧区域实验组与对照组的趋势不一致（不平行），这代表我们前面完成的匹配质量较差，需要优化匹配模型。对于平行趋势的检验，除了图示法（肉眼看是否平行）我们也可以通过T检验的方式来验证。
 
 一个PSM的完整流程：
 
选择同时影响treatment与outcome的特征，基于特征对treatment进行二分类建模，得到倾向分；
在支撑集上，基于重要特征与倾向分进行匹配，为被干预用户找到匹配的样本；
对匹配结果的质量进行检验，检验通过的话进入下一步，否则返回第二步进行匹配的优化；
基于匹配的结果进行平行趋势验证，验证通过后通过双重差分法进行增量计算。
 
6.2 阿里妈妈 受众沟通和品牌认知评价
 
参考：【阿里妈妈营销科学系列】第三篇：受众沟通和品牌认知评价
 
某护肤品牌在某期综艺节目中植入广告进行品牌推广，想衡量本期综艺中的广告创意对品牌认知度的提升作用。
 
 
处理组： 有效观看该节目的人（广告曝光)
控制组： 没有观看该节目的人 （未广告曝光）
Treatment： 有效观看该节目=1
 我们知道，综艺节目有内容受众人群，观看该节目的人和不看的人会有特征上的差异，这些差异会导致广告曝光的品牌认知提升效果衡量出现偏差。
 

 问题：在研究自变量（曝光）对因变量（成交）的关系时，由于存在混淆变量，影响个体被自变量影响的概率，使得处理组和控制组不同质，影响自变量对因变量的“净效果”。混淆变量的影响成为选择性误差。
 
被曝光到的群体，如果当时没有被曝光到，会是怎样的结果？
 实际的处理效应（因果）=曝光者的效果- 曝光者假如没有被曝光时候的效果
 
在一个个体上最终只有一个结果会出现并被观察到，也就是和个体所接受的处理相对应的那个结果。“假如没有曝光“是可能结果，是想象出来的，所以我们称为反事实。一个应该被曝光到的人，被曝光到和没被曝光到都是潜在结果，但最终的观察事实只有一种，另一个潜在结果是观察不到的。我们能观察到的是，被曝光的处理组，不被曝光的控制组。
 
 某护肤品牌在某期综艺节目中植入广告进行品牌推广，想衡量本期综艺中的广告创意对品牌认知度的提升作用。
 对节目上线一周内有效观看者作为处理组，同期在改视频网站上访问但没有看该节目的人作为原始控制组，通过倾向分匹配模型找出处理组的同质控制组，并评价他们在节目有效观看后品牌回搜率的差异。
 人群同质化前: 处理组 vs 原始控制组 品牌回搜率处理效应0.129%，提升率153%。控制了人群选择效应以后：处理组 vs 同质人群品牌回搜率处理效应为0.063% ，提升率为42%。
 
 当然，事后随机化只是在无法做事前随机化时一种弥补措施，由于无法穷举所有的混杂因素，分析者仅能在已选的混杂因素上去控制两组平衡。
 
6.3 因果推断实战：淘宝3D化价值分析小结
 
因果推断实战：淘宝3D化价值分析小结
 常用方法一览表：
 
 
 用户可以从商详页，首猜，主搜云卡片等渠道进入样板间，并在样板间内实现多点漫游，换风格，搭配家具，放我家等功能，给用户更场景化，私人化的体验。选取进入3D样板间的用户，利用倾向性得分匹配法（PSM）获取对照组的同质用户，分析用户在各个价值指标的差异。
 
基于倾向性得分匹配法 - 量化价值：
 
倾向性得分匹配法：一句话概括，就是匹配分数相同的‘同质’用户。由于在观察研究中，混杂变量较多，无法一一匹配，因此将多个混淆变量用一个综合分数作为表征。通过分数对用户进行匹配，最终得到两组‘同质’人群。
 
 使用20余种用户基本特征，行为特征和家居偏好特征作为混杂因素，应用于匹配模型；
 匹配后数据表明，实验组用户的加购率+24.85%，手淘停留时长+27.68%，客单价+29.53%，带货带宽+5.98%，用户决策周期-5.75%
 
通过PSM的分析结论，我们定量的验证了3D样板间对手淘各项指标的正向价值，进一步的，我们想要挖掘背后是什么因素使得3D样板间产生了这些价值：
                    因果推断笔记—— 相关理论：Rubin Potential、Pearl、倾向性得分、与机器学习异同（二）因果推断笔记——因果图建模之微软开源的dowhy（一）文章目录1 从matching -> 倾向性得分1.1  精准匹配1.2 倾向性得分 / 倾向评分匹配 由来1.3  精准匹配 -> 倾向评分匹配2  基于倾向性评分法的因果推断2.1 因果效应估计三种方法2.2  倾向性评分法的均衡性检验2.3 反驳3 倾向性得分案例解读一（无代码）：就业与收入的影响3.1 第一步:使用倾向性评分法
				
psm -python脚本管理器
这是一个受pipsi启发并与pipsi类似的工具，但它只是一个独立的shell脚本，这意味着您无需在系统上安装pip或virtualenv或除普通Python 3.4或更高版本以外的任何东西即可安装或使用它。
curl https://raw.githubusercontent.com/anlutro/psm/master/install-psm.bash | bash
...或者只是将psm.bash复制到$PATH您喜欢的目录中。
安装一个或多个pip软件包及其脚本：
 psm install bpython streamlink
升级一个或多个现有软件包，或升级所有已安装的软件包：
 psm upgrade bpyton streamlink
psm upgrade-all
卸载一个或多个软件包：
 psm uninstall strea
大家好，我是顾先生，PSM倾向性得分匹配法的Python代码实操终于来啦！
对于PSM原理不太熟悉的同学可以看看前一篇文章：PSM倾向得分匹配法【上篇：理论篇】
目前网上PSM实操的相关文章都是R语言、SPSS和STATA实现的，少数Python版本代码不全，可读性有限（有些甚至要钱。。。）
所以我想出一版可读性强、能迅速复用的Python版本PSM，让各位同学既能看懂又能快速上手。
本次Python代码实操主要参考了psmatching的源码，并做了一定的修改，地址在文末参考资料。
这次我把每段
				
使用阶数统计的贝叶斯分位数匹配估计
 BQME是一个软件包，允许用户使分布适合观察的分位数数据。 该软件包使用“订单统计”作为噪声模型，它比例如高斯噪声模型（均方误差）更强健。 描述该理论的论文可以在arxiv上找到：  ：//arxiv.org/abs/2008.06423。 本文中用于实验的笔记本已移至 。
 BQME生成实施匹配的stan代码，然后分别对后验样本和MAP估计使用stan的sampling和optimizing功能。
通过pip安装最新版本
pip install bqme
 对于最新的开发版本，请克隆存储库并通过pip安装
git clone https://github.com/RSNirwan/bqme
cd bqme
pip install .
 使用开发依赖安装
git clone https://github.com/RSNirwan/bqme
				
4、指标说明：
双重差分法，英文名Differences-in-Differences，别名“倍差法”，小名“差中差”。作为政策效应评估方法中的一大利器，双重差分法受到越来越多人的青睐，概括起来有如下几个方面的原因：（1）可以很大程度上避免内生性问题的困扰：相对于微观经济主体而言一般是外生的，因而不存在逆向因果问题。此外，使用固定效应估计一定程度上也缓解了遗漏变量偏误问题。（2）传统方法下评估政策效应，主要是通过设置一个政策发生与否的虚拟变量然后进行回归，相较而言，双重差分法的模型设置更加科学，能更加准确地估计出政策效应。（3）双重差分法的原理和模型设置很简单，容易理解和运用，并不像空间计量等方法一样让人望而生畏。（4）尽管双重差分法估计的本质就是面板数据固定效应估计，但是DID听上去或多或少也要比OLS、FE之流更加“时尚高端”，因而DID的使用一定程度上可以满足“虚荣心”。
倾向评分匹配（Propensity Score Matching，简称PSM）是一种统计学方法，用于处理观察研究（Observational Study）的数据。在观察研究中，由于种种原因，数据偏差（bia
				
PSM（Propensity Score Matching）倾向得分匹配法是一种常见的处理因果推断中因果效应的方法。该方法可以通过估算处理组和控制组之间的倾向得分（propensity score），然后根据得分进行一对一的匹配，从而消除潜在的混杂因素，并获得更加可靠的结论。
在Stata软件中，可以使用psmatch2命令进行PSM倾向得分匹配。该命令可以根据不同的匹配算法（如nearest neighbor，caliper等）进行匹配，同时还可以进行倾向得分估计方法（如logistic regression）的选择，以获得不同的匹配结果。
在使用psmatch2命令时，需要注意以下几点：
1. 确定需要匹配的变量和其匹配域（matching field），避免模型中过多或过少的变量导致匹配结果不稳定或缺失。
2. 考虑使用多个匹配算法，以获得不同的匹配效果，避免偏差发生。
3. 结果分析时，应关注匹配前后处理组和控制组之间的差异，以判断匹配结果的稳定性和有效性。
因此，通过PSM倾向得分匹配法可以有效地处理因果关系，降低数据混杂因素的影响，获得更加可靠的结论。而在Stata中可以使用psmatch2命令轻松实现该方法。