由于随机对照试验的局限,观察数据因果推断(causal inference in observational studies)研究成了近十几年来在各个学科尤其是在社会学、经济学、政治学、心理学、医学等学科中比较热门的一个研究课题。很多解决观察数据因果推断问题的方法所采用的基础理论框架是Neyman-Rubin反事实框架(Neyman-Rubin Counterfactual Framework),本文系统地回顾了反事实框架理论的内容与发展,对其基本要求及重要假设进行了具体的阐述。倾向值匹配法(Propensity Score Matching,PSM)最早由美国统计学家Rosenbaum和Rubin于1983年提出,是一种通过Logistic回归或者Probit模型估计研究对象的倾向值,将多维协变量简化为一维的倾向值并用适合的匹配法进行匹配,根据匹配后的平衡样本来估计因果效应的方法。倾向值匹配法新颖、简便的特点使得这个方法在观察数据因果推断的研究中很受欢迎。经过三十多年的发展,目前在很多领域都有广泛的应用,如政治学中对政策干预效应的研究、医学领域中的疗效对比研究。本文从基本原理、方法论两大方面对倾向值匹配做了详细的阐述,将其与同样可以用于观察数据因果推断的断点回归设计(Regression Discontinuity Design,RDD)、工具变量法(Instrumental Variable,IV)进行比较,并选取了中国居民的大学教育收入回报以及中药对心衰住院病人费用及疗效的影响这两个分别取自社会学、医学领域的实例进行实证分析,详细说明倾向值匹配法的实施步骤,并对该方法的局限性进行了总结,对倾向值匹配法的未来发展提出展望。