这个问题大概解决了，说一下个人理解。psmatch2以后会出现几个变量，_pscore是个变量的匹配得分值，_support显示了是否满足共同支撑假设，_treated是表示是否接受处理。如果想利用匹配以后的变量做回归，利用这些信息应该就可以。 如有不对欢迎大神来喷

楼主你的意思是直接将off support的样本删除，用剩下的样本做回归吗

个人感觉可以这么做吧。。。因为这样就把不支持共同支撑假设的样本剔除了

Stata 新手，对匹配样本的命令还是不熟悉，能共享一下吗？万分感谢！

在stata上help psmatch2，上边有很详细的介绍，直接给你提供步骤不现实，而且个人认为那样并不利于学习，望理解。祝好。

可以参考“倾向得分匹配(Propensity Score Matching) 通俗解析及在Stata里的运用”，附上网址http://blog.sina.com.cn/s/blog_626867f30101h3ea.html

显然不是啊。这里要求是的匹配成功的样本，并不是在共同支撑域上的样本

求问大神，利用这些新增加的变量如何做回归呢？这个问题困扰我好久了，一直没有解答，感觉很痛苦

大神你好，怎么实现把off support的样本删掉呢？

请问楼主这个问题解决了吗？求指教，谢谢！

我也有这样的问题，你解决了吗？求分享

楼主，我也遇到同样的问题，请问问题解决了吗

看到很多坛友对这个问题都提出了疑惑，统一回复一下吧。其实psm再回归的问题一直没有得到很好的解决，小弟才疏学浅也不是很清楚那些paper是如何利用匹配以后的数据进行回归，只能是根据自己的理解认为：psmatch2以后会得到一些变量，其中_pscore是匹配值，个人感觉应该是利用这个匹配值缩小了控制组范围，我也不清楚在具体操作的时候这样的做法是否可行，之前的论文也只是利用psm作为稳健性检验报告了ATT等值。也希望有对这方面了解的大神给详细解答一下，我个人也会继续关注这个问题，如果得到了确切的答案会第一时间给大家报告！感谢各位的关注

第一步：drop if _weight==.
第二步：将得到的新样本存储为v.dta（你可以只保留样本代码和_treated）
第三步：将v.dta与原始数据进行merge
第三步：接着回归
回答完毕！

我也遇到这个问题，我感觉您的做法好像不太对，_weight 是指权重，第一步drop可以，可是我觉得回归的时候要根据权重，比如复制重复匹配的样本，然后再进行回归。如果说错了望谅解，望您有空能够帮忙解决。

这个也没有看见大神如何做的，我主要参考了新生成变量之间的关系。_weight不知道是不是权重，如果是的话，那确实比较麻烦，后续如何做就有待研究了。

请问这个问题后续有进展了吗？写毕业论文，很苦恼到底匹配后怎么回归，求指教

匹配后可以得到新的因变量，显示为原因变量前面一条下划线；然后可以计算其在treated==0和==1时的统计值，如均值，标准差，变量个数；接下来可以手动计算t值和f值，通过t值可以看出实验组和控制组在匹配后是否对效果变量有显著差异。

你好， 请问第四步的回归方法有要求吗， 完成PSM匹配后，我可以用OLS回归吗

为什么不可以？！

哈哈哈 谢谢回复 主要是查阅了很多文章 没有看到过PSM之后还OLS的

想问一句，用的哪些变量进行匹配后的OLS回归？可否用有序logit回归呢？

从楼主的问题来看，可能对于如下的问题理解不深：究竟为何要做倾向得分匹配？

这里通过一个尽量简化的小例子来说明一下，例子的内容保证各个专业的同学都能看得懂！

一、倾向得分匹配的目的：与其说是解决内生性或稳健性问题，不如直接说解决样本数据的非随机性和不均衡问题。
比如，研究问题是分析读研对于毕业5年后工资的影响。假设有750份样本，其中280份读了研，470份未读研。这个样本就可能是不随机和不均衡的。原因有两个：其一，学生本科毕业是否读研并非完全随机，可能受到了学生特质因素（性别、毕业时的年龄、父母家庭的收入状况，本人的GPA）、学校因素（大学排名）以及毕业当年就业形势的影响（就业形势不好的话读研的人数就会增多）；其二，分析读研对于工资的影响，最好的比较是同一个人(比如张三)读或不读研究生的工资水平差异。问题是：一旦张三读了研究生，我们就无法得知其不读研究生的工资情况（不可观察），反之亦然。这些问题统称为样本的自选择偏误问题。

二、解决办法的思路：既然无法得知张三不读研究生的工资，退而求其次，找一个各方面综合情况(倾向得分)最接近张三但未读研究生的样本来与张三配对(匹配)后进行工资对比。这就是倾向得分匹配的初衷！

三、因此，实证中使用倾向得分匹配的目的是加强主回归结果的稳健性。这样一来，实证的基本过程就应该是：

1、首先进行主回归模型的实证，得到结果1。考虑到可能存在样本的自选择偏误问题，结果1的系数可能存在偏误，就要进行稳健性加强。加强结论的稳健性有许多方法，倾向得分匹配只是其中的一种而已。

2、其次，利用倾向得分匹配进行稳健性检验。先要确定分组变量（是否读研），分组变量最好是一个二元0-1变量；再确定哪些因素可能影响这个分组变量（例如，个人特质因素，学校因素，就业形势因素等）；之后，利用probit或logit回归使用那些影响因素对于分组变量进行拟合（因变量：分组变量；自变量：影响因素，如有必要再加上一些控制变量，如年份、地区等）；再后，利用probit或logit回归的结果对样本中每个观察进行预测，其结果是每个学生可能读研的条件概率。在本例中，这个概率就可以作为是否读研的“倾向得分”。

3、有了各个样本的“倾向得分”，就可以进行匹配。匹配的原则是：将每一个读了研的样本（称为处理组）与样本中未读研的（
称为控制组）进行逐一匹配。常见的匹配方法有4-5钟，最常用的还是最简单的一对一配对（如果处理组的样本少于控制组的，自然容易得到一对一配对；如果处理组的样本多于控制组的话，那岂不是控制组的样本不够分的了？死脑筋！这时可以把控制组反过来做处理组哈！统计程序可不管到底哪个是合理的，只要把研究问题反过来看就可以了，比如把研究问题改成不读研对于工资的影响，得到的结果是一样的，行文时正反两面说就可以啦）

4、如果处理组与控制组的配对不理想怎么办？比如，有一些处理组的样本未得到配对。可以通过适当调节匹配容差参数解决这个问题。匹配容差可以从0.01开始试验，但一般不要超过0.05就可以了。

5、将处理组和与其配对成功的控制组样本合成后得到配对样本。

6、得到配对样本后并不是马上就可以再次回归了，还要检验一下配对样本的均衡性。均衡性的检验方法有两种：其一、利用stata的pstest,both命令（要在psmatch2之后）的输出结果。检查M行（M=Matched，即配对样本）中处理组（Treated）和控制组（Control）每个变量的t检验结果的显著性（p>|t|）。除了因变量（工资）和主解释变量（是否读研）以外的变量最好都不显著！即不存在显著的统计差异，换句话说这些变量之间的差异不会引起因变量（工资）的显著差异。当然，因变量（工资）和主解释变量（是否读研）在处理组和控制组之间必须是显著差异的，不然本研究问题就不成立了。原因：主解释变量（是否读
研）对于处理组（1=读研）和控制组（0=未读研）肯定是显著差异的；因变量（工资）对于处理组（1=读研）和控制组（0=未读研）肯定也是显著差异的，如果不显著的话，就说明读研和不读研的工资没区别了，本研究问题就没有意义了。另外，从因变量（工资）在处理组（1=读研）和控制组（0=未读研）的均值上可以看到大小不同，如果处理组的均值高于控制组的，也可以佐证本研究的结论（读研有助于获得更高的工资）。其二、直接对配对样本中的各个变量在处理组和控制组之间做配对t检验，检验结果的查看方法同上。

还可能出现一种令人尴尬的情况，即除了因变量（工资）和主解释变量（是否读研）以外的变量也有显著的，说明除了主解释变量（是否读研）引起了处理组和控制组因变量的不同之外，该变量也对因变量在处理组和控制组的不同产生了影响。导致的问题是不容易说清楚主解释变量（是否读研）对于因变量（工资）的影响作用了，这使得问题变得复杂化了。如果想要偷懒的话，就把该变量直接去掉算了:-)

四、利用配对样本再次进行回归，回归的模型还是最初实证的那个主回归模型，得到结果2。将结果2的系数符号方向和显著性与结果1的对比，如果一致的话，就说明结果1的结论是稳健的。当然，还可以继续使用Heckman两阶段法、变量测度替换法、细分样本组等其他方法进一步加强你的结论，这些不是这里的重点。

费劲儿敲了这么多字，希望能够帮到诸位学子！

你好，请问假如你研究的实验组变量名为du,那按您的研究步骤，merge完之后自变量是du呢还是_treated?