倾向得分匹配法（PSM）与双重差分（DID）

关键词：倾向得分匹配和did、倾向得分匹配

本人最近在学习如何处理样本自选择带来的内生性问题，对PSM和DID是否要同时出现产生了一些困惑：既然倾向得分匹配法（PSM）能够算出平均处理效应（ATT），那用了PSM之后，还有必要用DID吗？还是说在计算平均处理效应时已经用了DID的思想？请解惑！谢谢！

我也在学习PSM方法，向1楼的朋友请教：我用Probit二元选择模型回归后，接下来PS值如何计算啊？
看了些文献，这一步都语焉不详（Probit二元选择模型回归与PS值的计算无法连接起来）。

精彩解答：

PSM本质上跟OLS回归差别不大，并没有解决真正的内生性问题。只是1) 在模型设定上有优势（回归OLS假定是线性模型），以及2) 样本之间有可比性（考虑了Common Support问题) 。
实际上你得到的ATT是在强假设条件下的ATT：　即在控制了所有能观察到的因素后，实验组和对照组之间不存在自选择性。显然，这等于说不存在遗漏变量问题了。

而DID是在假设条件满足（实验组与控制组的变化趋势相同）的条件下，通过差分的方法解决内生性问题。DID做好了就可以得到因果效应。而Matching的数据如果不是随机实验的数据则很难得到因果效应。

DID-Matching是结合了上述两种方法的优势，更值得使用。

个人感觉，psm只是挑选出了处理组与匹配组，也就是DID中的一个D，而双差分模型进一步还要做再一次的差分。
ps：另外我们只是依据某个事件（政策）挑选出来了两组数据，在DID回归中，我们可以利用这点做进一步的分析

PSM之后，stata数据表格中会生成_id, _n1，_id就是处理组新的id，_n1就是匹配的控制组id，执行命令：sort _id 再对照原始id就可以看到各个匹配组了

请问stata的psmatch2在哪里找到的啊？

可以试试命令findit psmatch2，安装后就可以使用啦

转载请注明：数据分析 » 倾向得分匹配法（PSM）与双重差分（DID）