A. did模型中介变量一定要加嘛
不一定。
DID模型一般为这个形式：Y=a1·time+a2·treat+a3·time*treat+a4·控制变量+固定效应+随机扰动项。
stata代码好像为 reg lnY time##treat 控制变量 i.year i.i
但问题是，DID模型作为差分模型，“控制变量”应该已经被差分掉了
B. 控制年份后DiD模型里还需要post变量吗
不需要，最简化的模式Y=treat*time，核心解释变量是显着的，加上treat后，即Y=treat*time+treat后结果也依然成立。
C. 内生性问题的解决方法
事实上，仅仅为了解决内生性问题，并不需要我们对内生性问题的缘起有很深入的理解。对于应用型的实证研究而言，我们只需要掌握解决内生性问题的具体方案即可。内生性问题的解决方案一共四种，理论上来讲，这四种方案应对内生性问题都很有效。但于我个人而言，我对四种方法的评价是有高低的，由高到低分别介绍如下。
1.自然实验法
所谓自然实验，就是发生了某些外部突发事件，使得研究对象仿佛被随机分成了实验组或控制组。
这是我最喜欢的方法，只是自然实验需要寻找一个事件，并且这个事件只影响解释变量而不影响被解释变量。遇着这种事件是一种缘分，还要能识别出来，这对学者的眼光也是一种挑战。
有很多文章声称使用了自然实验，但严格来讲，并没有做到对研究对象进行了随机分组。虽然如此，我对此类文章仍然很是喜欢。
2.双重差分法
Difference-in-Difference （DID）一般称为双重差分法，或倍差法。倘若出现了一次外部冲击，这次冲击影响了一部分样本，对另一部分样本则无影响，而我们想看一下这次外部冲击到底有何影响，双重差分法就是用来研究这次冲击的净效应的。
其基本思想是，将受冲击的样本视作实验组，再按照一定标准在未受冲击的样本中寻求与实验组匹配的对照组，而后做差，做差剩下来的便是这次冲击的净效应。
双重差分法实际上是固定效应的一个变种，差分的过程实际上是排除固定效应的过程。ZERA在《计量论文写作和发表的黑客教程》有一个非常简明风趣的举例，我转述于此，以飨读者。
“大家都知道买房子靠不靠学校医院等设施还是有很大差别的。但是，影响房价的因素又不止学区那么简单。
学校旁边的学区房价格上升，难道一定是学区房因素导致的吗？
现在我们要使用双重差分法检验一个假设：学区房因素导致房价上升。
差分再差分，这个方法要凑效的秘诀是：学区房因素发生变化，而其他因素基本维持不变。例如教育管理机构重新划分学区，一个着名小学突然在某个没学校的地方建分校，或者一个着名小学搬迁，这些因素导致房子是否属于学区房发生了变化。
以建分校为例。建校后周围一片区域A的房子都属于学区房，这个区域以外附近区域(B)的其他房子就不算该校学区房。然后收集建校前后两个时间点上、A和B区域房价的数据。
所谓的差分再差分法，就是：A区域两个时间点上的平均房价差距 - B区域两时间点上的平均房价差距 = d，这个d就是建校对房价的影响了。d是两个差距之间的差距，所以才叫做差分再差分。用计量回归把这个d给估计出来，是有办法的：
P= b0 + b1*Da +b2*Dt + d*(Da*Dt) + Xb + e
P是房价，Da是虚拟变量，在区域A则为1，否则为0， Dt是时间虚拟变量，建校后为1，建校前为0。 STATA一跑，就把d估计出来了。为什么d可以如此表示？自己思考一下啦。实在想不出来，Wooldridge的书上有精确严格的解释。这里给出一个直观的粗略解释：北京所有区域的房价每个月都在上升，因此需要控制这部分因素，这就是时间因素Dt；区域不同自然也有差别，需要控制区域位置因素，这就是Da，这就控制了即使不建校也存在的差距；控制住其他因素X，那么剩下的Da*Dt就是建校带来的房价提升效应了。这下明白了哦。”
当然，如果你想看到更学术化的探讨，可以参考2015年第7期《数量经济技术经济研究》所刊文章《国内双重差分法的研究现状与潜在问题》。
3.工具变量法
这是一种处理内生性问题的经典方法，或者说被滥用最严重的方法。
这种方法相信大家都已经学过，就是找到一个变量和内生解释变量相关，但是和随机扰动项不相关。在OLS的框架下同时有多个工具变量（IV），这些工具变量被称为two stage least squares (2SLS) estimator。具体的说，这种方法是找到影响内生变量的外生变量，连同其他已有的外生变量一起回归，得到内生变量的估计值，以此作为IV，放到原来的回归方程中进行回归。
工具变量法最大的问题是满足研究条件的工具变量难以找到，而不合乎条件的工具变量只能带来更严重的估计问题。
当然，我确实见过非常精巧的工具变量，譬如，殖民地时代的死亡率。
4. 动态面板回归法
基本思想是将解释变量和被解释变量的滞后项作为工具变量（IV）。其实，我是不认可这种处理方法，除非万不得已，我不推荐这种方法，我也不太相信这种方法能真正缓解内生性问题。可是，确实很多人都在用。算了，不多说了。
D. 被解释变量是虚拟变量可以用DID吗
spss做不了，因为你有三年的数据，这就涉及到时间序列，又有横向的变量数据，可以说这个是面板数据，如果只是单纯的用spss回归分析，未考虑时间序列，那样的分析是不准确的
E. 内生性检验方法
最近也在学习这个问题，还处于小白阶段，分享下我的理解。
内生性问题，是指解释变量x和残差项u之间存在相关性。导致内生性问题的原因有多个，所以也就有多个与之对应的解决内生性的方法。
首先有可能是遗漏变量，遗漏的变量和x相关。如果你知道遗漏变量是什么，直接加进来作为控制变量即可。这是最简单的一种。
如果不知道遗漏变量是什么，或者Y和X互为因果。可以使用工具变量法。工具变量法其实也就是2SLS回归（当你选的工具变量个数和内生性变量相同时），或者GMM回归（工具变量个数大于解释变量个数）。在使用工具变量时还要考虑工具变量是不是弱工具变量，是不是存在无效工具变量,这都要进行检验。
其次，导致内生性问题的原因，还可能是面板数据中，由于个体特异性没有考虑进去，这些个体特异性如果与解释变量相关，那么也会导致内生性问题（x与u相关）。这种情况下，如果你的自变量是随时间变化的，用固定效应模型；如果你的自变量是不随时间变化的，用hausman-taylor模型。
第三种，如果你的样本存在自选择的问题，也会导致内生性问题。这种情况下就会使用heckman二阶段检验。
至于具体的实现命令，你直接在stata里面 help+你想用的回归方式，stata里面提供的材料就挺清楚的了。楼主可以根据自己的需要看看。
刚开始这方面的学习，所以我的知识水平只到这。
至于你说的PSM倾向匹配得分法，DID双重差分，据我所知，是工具变量法的替代解决方式，工具变量法有个非常致命的弱点是好工具变量非常难找。但是具体背后的原理我还不是特别清楚。
以上，希望对楼主有所帮助。
F. DID中性别可以作为控制变量吗
可以，但是仅适合连续变量，对于分类变量“性别”而言通常是不适合做模型控制观察的，因为其解释不符合回归模型的基本概念。应考虑分别建模观察。
G. 计量经济学中DID分析的过程
计量经济学论文，多元线性回归模型或者多重共检验性，有数据来源，用eviews分析的过程俺给你帮这个忙。
H. Did模型的被解释变量一般有几个
两个。
Did项是为负且显着的，但是mass（Treated项）是正的并且系数更大，两两相抵，所以它的被解释变量一般有两个。
双重差分法，英文名Differences-in-Differences，别名“倍差法”，小名“差中差”。作为政策效应评估方法中的一大利器，双重差分法受到越来越多人的青睐，概括起来有如下几个方面的原因：可以很大程度上避免内生性问题的困扰，政策相对于微观经济主体而言一般是外生的，因而不存在逆向因果问题。此外，使用固定效应估计一定程度上也缓解了遗漏变量偏误问题。
I. dID = Request.QueryString["id"].ToString().Trim();是什么意思
1、很好理解，给变量dID赋值，具体赋值内容是请求字符串中id参数的值。
2、ToString()方法代表获取参数的字符串值。
3、Trim()方法代表过滤掉字符串两端的空格。
4、希望对你有帮助。
J. Stata怎样创建双重差分（DID）的变量
最权威详尽的解答，在伍德里奇的《计量经济学导论（第四版）》第13章第2节中。不是三言两语里能说清楚的，就是能说清楚，也听不明白，因为需要有抽象的数学知识和统计知识。因此，推荐楼主读我推荐的内容。 如果楼主没有这本书，