一般来说，双重差分法能够捕捉到实验组和控制组的特定行为在政策变化前后的相对差异，这种相对差异反映了政策的实际效果。而且，使用面板数据时，双重差分法还可以控制不可观察的固定效应，从而控制一部分内生性问题。但是在本书中，双重差分法具有其局限性。一方面，在政策分析中，有时政策受益对象并不是随机决定的，例如在本书中，先进行“营改增”的地区可能多为沿海发达地区，这就使得数据处理过程中可能会产生“选择偏差”（Select Bias），这种偏差会使解释变量与残差之间产生关联，从而导致内生性问题，体现在实证结果上很可能会夸大或者缩小政策冲击的效应。另一方面，双重差分法有严格的适用限制，即要求控制组和实验组的特征尽可能相近，具有共同的发展趋势。而倾向得分匹配方法能解决这些问题。

这在政策研究方面并不是首次使用，毛捷（2011）采用基于趋势评分匹配的双重差分法趋势研究民族地区的财政转移支付是否有助于减少民族地区与其他地区之间的公共支出差异和经济发展差距。刘瑞明（2015）采用PSM-DID的方法研究西部大开发政策对地区经济发展的影响。何靖（2016）利用PSM-DID分析2010年银监会发布《商业银行稳健薪酬监管指引》对银行业的冲击。

经过对相关文献的学习，本书将倾向得分匹配方法与双重差分方法联合使用对双重差分结果进行检验，使得双重差分的结果更为可靠。其具体步骤如下：(www.daowen.com)

首先，借助特征变量重估每一观察对象成为处理组的概率，即通过Logistic模型对这一概率进行评分，根据趋势评分结果，采用核匹配法重新匹配处理组与参照组，其基本做法是在未参与“营改增”的控制组中找到某个公司j，使得j与参与“营改增”的实验组中的公司/的可观测变量尽可能相似（匹配），即Xi-Xj。当样本的个体特征对是否参与“营改增”政策完全取决于可观测的控制变量时，公司i与j参与“营改增”政策的概率相近，便能够相互比较。然后，通过双重差分模型将匹配后的样本进行处理。