PSM、DID、PSM-DID具体操作详解（含数据Excel&Dta、代码Code&Do、举例操作及代码说明） 每个过程都有案例+数据+代码进行配套讲解，并且配套所有相关资料，资料非常非常详细且通俗易懂，大家只要将变量改为自己的变量进行套用即可，这份资料能够轻而易举的用到自己的论文写作上。   

   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（bias）和混杂变量（confounding variable）较多，倾向评分匹配的方法正是为了减少这些偏差和混杂变量的影响，以便对实验组和对照组进行更合理的比较。这种方法最早由Paul Rosenbaum和Donald Rubin在1983年提出。一般常用于医学、公共卫生、经济学等领域。
      倾向评分匹配法适用于两类情形。
             第一，在观察研究中，对照组与实验组中可直接比较的个体数量很少。在这种情形下，实验组和对照组的交集很小，比如治疗组健康状况最好的10%人群与非治疗组健康状况最差的10%人群是相似的，如果将这两个重合的子集进行比较，就会得出非常偏倚的结论。
             第二，由于衡量个体特征的参数很多，所以想从对照组中选出一个跟实验组在各项参数上都相同或相近的子集作对比变得非常困难。在一般的匹配方法中，我们只需要控制一两个变量（如年龄、性别等）即可，就可以很容易从对照组中选出一个拥有相同特征的子集，以便与实验组进行对比。但是在某型情形下，衡量个体特征的变量会非常多，这时想选出一个理想的子集变得非常困难。经常出现的情形是，控制了某些变量，但是在其他变量上差异很大，以至于无法将实验组和对照组进行比较。

         倾向评分匹配通过使用逻辑回归模型(LogitModel)来决定评分。

        双重差分（DID）往往要求控制组和对照组有共同的趋势，然而，这一项假设在一些研究中很难实现，PSM-DID可以帮助解决这一问题。