潜在结果框架的引入使因果的定义更加清晰简洁，而识别策略正是促使经济学经验研究“可信性革命”的主要工具。所有这些策略的共同特点是通过设计使得观测研究近似于随机化实验。

常用的识别策略包括回归或匹配方法、倾向得分匹配（PSM）方法、双重差分方法、合成控制方法、回归合成方法、多重政策评估方法、断点回归设计、中断时间序列方法等等。回归或匹配方法得到具有因果解释的估计量所要求的基本识别条件是非混杂性（unconfoundedness）或条件独立性假设（CIA），Rosenbaum&Rubin（1983）在条件独立性假设（CIA）下提出了倾向得分匹配（PSM）方法，解决了依协变量匹配的“维度诅咒”问题。但是，如果存在不可观测的混杂因素，CIA不再成立。于是，Card&Krueger（1994）利用两期面板数据的双重差分方法（DID）对控制组赋予等权重，以构造与处理组具有共同变化趋势的控制组个体来解决不可观测的混杂因素问题。Abadie&Gardeazabal（2003）和Abadie et al.（2010，2015）放松DID的等权重与共同趋势假设提出了合成控制方法，通过加权控制组个体构造一个“合成控制个体”作为处理组个体的反事实估计。Hsiao et al.（2012）又放松了合成控制法权重非负且和为1的假设，提出了利用截面个体之间的相关性估计处理组个体反事实结果的回归合成方法。Xu（2017）提出的广义合成控制方法将政策评估方法推广至多处理个体和政策非同期实施的情形。目前部分学者关注单政策多值处理的实证研究，例如，Flores&Mitnik（2009）利用广义倾向得分回归调整法及逆概率加权估计法研究了美国90年代“从福利到工作”国家战略（NEWWS）中帮助福利领取者离开公共援助进入劳动力市场的两项策略的效果；Linden et al.（2016）利用基于广义倾向得分的多种估计方法分析了在美国西部实施的一项为充血性心衰患者设计的大型疾病管理健康计划（病患有三种选择：与护理人员定期打电话沟通并自我管理，远程监控，通常的医疗护理）对住院率的影响等。另外，发展了多重政策（多个处理变量）的实证研究（董珍，2020）。在时间序列数据领域，由Box&Tiao（1975）和Linden&Adams（2011）提出的中断的时间序列因果推断方法得到推广。Angrist&Kuersteiner（2011）、Angrist et al.（2018）将潜在结果框架拓展至时间序列数据提出了动态潜在结果框架，并采用SVAR模型的脉冲响应函数研究政策冲击的动态因果效应。借助机器学习与大数据相结合，进行高维数据下的因果推断（Belloni et al.，2014；Farrell，2015；高华川和白仲林，2019）等等。下面简要介绍几类经典的政策效应识别策略。(www.daowen.com)