一、PSM-DID模型：因果推断的黄金组合
PSM-DID模型，全称倾向得分匹配-双重差分模型，它结合了倾向得分匹配（PSM）和双重差分法（DID）的优势，能够有效解决因果推断中的内生性问题。
1. 核心原理
- PSM（倾向得分匹配）：通过匹配处理组和对照组的倾向得分，基于可观测变量，减少选择偏差，确保两组在政策干预前具有可比性。简单来说，就是为每个接受处理的个体找到一个特征相似的未接受处理的个体作为对照。
- DID（双重差分法）：通过比较处理组和对照组在政策干预前后的差异，分离政策效应与时间趋势、个体固定效应等混淆因素。它的核心思想是“差分再差分”，即先计算处理组和对照组各自在干预前后的变化，再对这两个变化量进行差分，得到政策的净效应。
2. 适用场景
PSM-DID模型适用于以下场景：
- 政策或干预的实施是外生的，但处理组和对照组的选择存在自选择偏误。
- 我们需要评估政策或干预的因果效应，但无法进行随机实验。
- 数据为面板数据，包含个体在不同时间点的观测值。
3. 前提假设
PSM-DID模型的有效性依赖于以下两个关键假设：
- 平行趋势假定：在政策干预前，处理组和对照组的结果变量具有相同的发展趋势。
- 均值可忽略性假定：给定可观测的协变量，个体是否接受处理与潜在结果无关。
二、Stata实操：从数据准备到结果分析
接下来，我将结合Stata代码，详细介绍PSM-DID模型的实现步骤。这里以研究某政策对员工工资的影响为例，数据为员工的个人特征和工资水平。
1. 数据准备与面板设定
首先，我们需要导入数据并进行预处理。这里使用Stata自带的nlswork数据库作为示例。
*** 调取数据
webuse nlswork
*** 设定面板数据（个体id：idcode，时间：year）
xtset idcode year, delta(1)
*** 生成控制变量（示例：年龄平方、工作经验平方等）
gen age2 = age^2
gen ttl_exp2 = ttl_exp^2
gen tenure2 = tenure^2
global xlist "grade age age2 ttl_exp ttl_exp2 tenure tenure2 not_smsa south race"
*** 定义政策干预变量
gen time = (year >= 77) & !missing(year) // 政策执行时间（1977年及以后=1）
gen treated = (idcode > 2000) & !missing(idcode) // 处理组标识（idcode>2000=1）
gen did = time * treated // 政策效应交互项
2. PSM匹配
接下来，我们需要进行PSM匹配，为处理组匹配对照组。这里采用近邻匹配（1:1匹配）的方法。
*** PSM部分：近邻匹配（1:1匹配）
set seed 0001 // 设定随机种子，保证结果可重复
gen tmp = runiform() // 生成随机数
sort tmp // 随机排序数据
psmatch2 treated $xlist, out(ln_w) logit ate neighbor(1) common caliper(.05) ties
// 核心命令：以treated为处理变量，$xlist为匹配变量，out(ln_w)为结果变量，neighbor(1)为1:1匹配
*** 检验匹配平衡性
pstest $xlist, both graph // 输出匹配前后协变量平衡性统计量及图形
*** 保留共同支撑区域样本（删除不满足共同区域假定的观测值）
gen common = _support
drop if common == 0
3. DID回归分析
完成PSM匹配后，我们可以基于匹配后的数据进行DID回归分析，估计政策效应。
*** 基于匹配后的数据进行DID回归（固定效应模型）
xtreg ln_w did time treated $xlist i.year, fe
// ln_w：被解释变量；did：政策效应交互项；$xlist：控制变量；i.year：时间固定效应
三、结果解读与稳健性检验
在完成PSM-DID模型的估计后，我们需要对结果进行解读和稳健性检验。
1. 结果解读
- 政策效应：DID回归中，did系数表示政策的净效应。如果系数显著为正，说明政策对结果变量有正向影响；反之，则说明政策对结果变量有负向影响或无显著影响。
- 控制变量：控制变量的系数表示该变量对结果变量的影响方向和程度。
2. 稳健性检验
为了确保结果的可靠性，我们需要进行稳健性检验，常见的方法包括：
- 更换匹配方法：例如将近邻匹配更换为核匹配或半径匹配，比较结果是否一致。
- 更换模型设定：例如使用混合OLS模型或随机效应模型进行回归，比较结果是否一致。
- 安慰剂检验：通过虚构政策实施时间或处理组，检验结果是否仍然显著。
四、实际应用案例
为了更好地理解PSM-DID模型的应用，这里给大家分享一个实际的研究案例。某学者想要研究最低工资标准的提高对企业就业的影响。他收集了某地区多家企业的面板数据，包括企业的就业人数、工资水平、生产规模等协变量，以及最低工资标准是否提高（treated）。
通过使用PSM-DID模型，该学者将提高最低工资标准的企业与未提高最低工资标准的企业进行匹配，然后比较两组企业的就业人数变化。研究结果表明，最低工资标准的提高对企业就业有显著的负向影响，即提高最低工资标准会导致企业就业人数减少。
五、PSM-DID模型的优势与局限
PSM-DID模型作为一种因果推断方法，具有以下几个优势：
然而，PSM-DID模型也存在一些局限：
