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。
PSM挑选出控制组和处理组是手工完成的，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 。
匹配是进行基期匹配，进行对照组的构建。
DID是比较四个点，Treated before, treated after; control before, control after。
Matching是比较两个点：Treated, control
DID＋Matching是用matching的方法来确定treated和control。
参考文献：Inventory Showrooms and Customer Migration in Omni-Channel Retail: The Effect of Product Information
2.分位数回归
分位数回归，本质上就是假设因变量y的（条件下侧）p分位数yp是自变量x的线性函数：yp|x=x'β。
数据：全部的样本
一般做25%，50%,75%分位数
适合数据：非正态分布，例如左偏，右偏，尖峰，厚尾等
参考文献：Decomposition of differences in distribution using quantile regression
3.解决内生性常见的方法：断点回归（非常清晰的断点）/工具变量（找到和x相关，但与u不相关，且不直接影响y的变量）/DID一种可以解决遗漏变量偏误带来的问题的方法。
4.stata输出结果
sysuse auto, clear.
asdoc reg price mpg rep78, nest replace
asdoc reg price mpg rep78 headroom, nest append
asdoc reg price mpg rep78 headroom weight, nest append
3 https://pan.baidu.com/s/1o8SJKfS注：压缩文件MUSE.zip包含所有程序和数据，数据均保存在对应文件夹中。
数据也可单独从下列网址下载：
https://github.com/zhaoxiliang/causalinference
经管之家可以积分换论坛币，记得每天登陆
iPhone版
Android版
