如果进行了很好的匹配，相当于你研究的 outcome 变量的影响因素中，只有 Treat 为 1 还是为 0 差异，两个组中的其他特征都非常相似（这是匹配的目的）。你所谓的控制变量其实都已经反映在了匹配变量中。
PSM 匹配过程中，加入的变量是“上北大学生的特征”，列举这些特征是为了找到与北大学生特征相似的学生。就好像是找到了“北大男”的孪生兄弟，此时二者的差别只有是否上北大，因此，他们的收入差异也就只能来源于此了。还有什么需要控制的吗？呵呵，我想你的思路一直被传统的 OLS 限制着。

了解了，谢谢老师！老师讲的很清楚了。
不过觉得真的很不好意思，还是有问题要麻烦老师。

因为我想要考察匹配效果，想要用老师提到的下面的方法：
“比较ROC曲线  面积接近于0.8表明达到了不错的匹配，参见Yang(2007,p.7) ”这种方法。
但是我发现，这种方法只适合“最近邻匹配”，因为只有“最近邻匹配”_weight的结果有缺漏。
PSM+DID，目前只能用“核匹配”，而“核匹配”只要on support，那么weight都不为缺漏，所以“核匹配”完成以后，我绘制的下面两幅图是完全一致的，就无法用来判断匹配效果了。
那么除了用密度函数图、ROC曲线以外，还有其他方法来判断“核匹配”的优劣吗？
      附：讲义中绘图的主要差异处：
      *-1-模型拟合效果：AUC 越大越好
           roctab jili _pscore if _support==1,  
                ...   ...
             caption("ROC 曲线下的面积： AUC = 0.844")

       *-2-共同支撑假设检验：AUC 越接近于0.5越好
           roctab jili _pscore if _weight!=.,  
                 ...   ...
            caption("ROC 曲线下的面积： AUC = 0.536")


另外，ROC曲线下的面积是如何计算出来的呢？
Note：我只知道筛选变量时，老师曾经用过这个指标。但匹配后又怎么用呢？
      logit jili size lev      prof tobin gpay  hhi5 $xv
      cap drop pr
      qui predict pr if e(sample)
      roctab jili pr
      estadd scalar auc = r(area)      
      est store m5  

连老师，楼上的Question1不知道是否正确呢？

您没有@到连老师。第一步有点没说清，使用PSM找到匹配变量，这样直接附加到后面的DID的cov选项用于匹配

有关 ROC 分析，可以 help roctab，并参见相关的电子说明书中的内容。

至于核匹配如何对比前后的效果，我一时也想不出好的方法。