ols 回归是可以加入控制变量的，而且社科经管类实证论文里面，加入控制变量是非常常规的操作，核心目的是把会同时影响被解释变量和核心解释变量的其他因素纳入模型，减少遗漏变量偏误，让核心解释变量的回归系数估计更加准确，很多初学者会误以为 ols 只需要放入核心自变量，不需要额外变量，这种做法很容易让回归结果出现偏差，控制变量本质就是多元线性回归里面的其他自变量，和核心解释变量一起进入 ols 方程，ols 本身就是多元线性最小二乘估计，天然支持多个解释变量同时回归，不过加入控制变量不是越多越好，要结合理论机制选择变量，还要警惕多重共线性，内生性，变量冗余这些问题，如果控制变量选择不合理，不仅不能提升结果可信度，还会稀释核心解释变量显著性，甚至改变系数符号，写实证报告的时候，一般会做分层回归，先只放核心解释变量，再逐步加入控制变量，对比核心系数变化，这也是 ols 回归加控制变量最标准的呈现方式。
基础原理说明
一元 ols 回归方程只有一个核心解释变量，方程形式是 Y 等于 β0 加 β1X 加 ε，这个模型默认除了 X 之外，其他所有影响 Y 的因素全部放进扰动项 ε 里面，如果这些因素同时和 X 相关，就会产生遗漏变量偏误，β1 估计值不再无偏。
加入控制变量之后就变成多元 ols 回归，方程形式是 Y 等于 β0 加 β1X 加 β2C1 加 β3C2 加 ε，这里 X 是核心解释变量，C1 C2 就是控制变量，ols 依旧使用最小二乘法，最小化残差平方和，同时估计所有变量的系数，β1 代表在控制住 C1 C2 不变的情况下，X 对 Y 的净效应，这也是实证研究最想要得到的因果净效应。
适合加入的控制变量选择原则
第一，理论相关，控制变量必须有文献或者理论支撑，也就是该变量理论上会影响被解释变量 Y，同时和核心解释变量 X 存在关联，不能随便把所有能拿到的数据全部塞进去。
第二，区分前置变量和中介变量，中介变量是 X 影响 Y 的中间传导渠道，如果把中介变量当成控制变量放进 ols 回归，会直接把 X 的部分效应吸收掉，造成核心系数低估，这是非常高频的错误。
第三，避免坏控制变量，也就是同时由 X 和 Y 决定的变量，这类变量不能作为控制变量，会引入新的偏误。
第四，变量类型适配，连续变量直接放入，分类变量需要设置虚拟变量，比如地区，年份，行业，论文里面经常加入年份固定效应，行业固定效应，本质也是一类特殊的控制变量。
加入控制变量后的重点检验项目
| 检验项目 | 检验目的 | 异常表现 |
|---|---|---|
| 多重共线性 VIF | 判断控制变量和核心自变量是否高度相关 | VIF 数值过高，系数标准误变大，显著性下降 |
| 核心系数稳定性 | 对比加入控制变量前后 β1 符号大小显著性 | 加入之后系数大幅变动，说明遗漏变量问题比较明显 |
| 拟合优度 R 方 | 观察加入控制变量之后模型解释力变化 | R 方明显提升，说明控制变量确实解释了 Y 的部分变异 |
| 残差检验 | 验证 ols 经典假设是否满足 | 异方差，自相关，残差非正态会影响 ols 推断结果 |
实操执行步骤
第一步，先做基准一元回归，只保留核心解释变量，记录核心系数，p 值，R 方，作为基准结果。
第二步，根据文献和研究理论，筛选合适控制变量，比如年龄，性别，收入，企业规模，资产负债率，地区宏观指标这类常规变量。
第三步，把筛选好的控制变量全部加入 ols 模型，运行多元回归，输出完整回归表。
第四步，对比基准回归和加入控制变量之后的结果，检查核心解释变量系数符号，显著性是否稳定。
第五步，计算 VIF 多重共线性检验，如果 VIF 过高，考虑剔除冗余控制变量，或者合并变量。
第六步，在论文表格里面通常做成三列，第一列无控制变量，第二列加入基础控制变量，第三列加入固定效应，也就是进阶控制变量，方便读者看到逐步加入控制变量的结果变化。
常见误区
误区一，控制变量越多越好，这个说法错误，盲目加入无关变量会损失自由度，提升多重共线性，甚至吸收核心解释变量真实效应。
误区二，加入控制变量就可以完全解决内生性，这个说法错误，控制变量只能缓解可观测遗漏变量偏误，像反向因果，不可观测遗漏变量这类内生性问题，单纯加控制变量无法解决，还需要工具变量，双重差分等其他方法。
误区三，控制变量系数必须显著，这个认知错误，控制变量只需要理论上相关，本身系数不显著是正常情况，不需要因为控制变量不显著就强行删掉。
综合来看，ols 回归支持添加控制变量，多元 ols 本身就是带多个自变量的最小二乘模型，加入控制变量是实证研究标准流程，核心是基于理论合理挑选变量，区分控制变量中介变量，同时完成多重共线性检验，并且认识到控制变量只能处理可观测遗漏变量，不能彻底解决全部内生性问题，分层回归对比系数变化，是论文里面最推荐的呈现形式。
【常见问题】
问题 1，ols 回归能加控制变量吗，加入之后核心解释变量变得不显著怎么办
回答 1，ols 回归能加控制变量，加入之后核心解释变量变得不显著，大概率是多重共线性，或者控制变量吸收了核心解释变量效应，需要检查 VIF，确认是不是误把中介变量当成控制变量放进 ols 回归。
问题 2，ols 回归能加控制变量吗，年份固定效应属于控制变量吗
回答 2，ols 回归能加控制变量，年份固定效应本质属于虚拟变量形式的控制变量，在 ols 回归里面加入年份虚拟变量，用来控制所有年份层面共同冲击，是实证论文常规操作。
问题 3，ols 回归能加控制变量吗，控制变量系数不显著需要删除吗
回答 3，ols 回归能加控制变量，控制变量本身系数不显著不需要删除，控制变量的作用是控制混杂因素，不要求自身系数显著，只要理论合理就可以保留在 ols 回归模型当中。
问题 4，ols 回归能加控制变量吗，加控制变量可以解决内生性吗
回答 4，ols 回归能加控制变量，但是加入控制变量只能够缓解可观测遗漏变量带来的偏误，反向因果，不可观测遗漏变量这类内生性，单纯依靠 ols 回归加控制变量不能彻底解决。
【免责申明】
本文内容仅作为计量经济学学习科普参考，不同实证研究设计，期刊论文规范存在差异，具体模型设定请结合研究主题，文献以及导师要求，计量方法选择请谨慎，本文不构成学术投稿最终方案建议。