OLS回归技能为实证研究中的普通最小二乘回归与线性模型提供系统性指导，涵盖模型设定、假设检验、诊断检查和结果解读，并给出Python、R、Stata三种语言的代码示例。
工作流程：先厘清研究问题与数据（因变量、关键自变量、样本）；设定模型（函数形式、控制变量、固定效应）；用用户偏好的语言运行回归；系统进行假设诊断；最后解读并报告系数、显著性和拟合情况。
核心概念方面，需显式写出回归方程，考虑对偏态变量做对数变换，纳入相关控制变量以减少遗漏变量偏误，同时避免无关变量推高标准误。高斯-马尔可夫假设包括参数线性、随机抽样、无完全多重共线性、误差零条件均值、同方差性以及用于推断的误差正态性。违反第4条（内生性）会使估计有偏，建议改用IV方法；违反第4、5条不影响无偏性但影响标准误。
标准误选择：默认OLS标准误仅在同方差下有效；怀疑异方差时用HC稳健标准误（截面数据通常安全）；观测按企业、地区、年份分组时用聚类标准误；时间序列存在自相关时用Newey-West标准误。
代码模板：Python使用statsmodels的smf.ols('y ~ x1 + x2 + x3', data=df).fit(cov_type='HC3')；R使用lm()配合coeftest与vcovHC(model, type = "HC3")；Stata使用reg y x1 x2 x3, robust。
诊断清单：异方差用Breusch-Pagan或White检验、改用稳健标准误；自相关用Durbin-Watson或Breusch-Godfrey、改用Newey-West；多重共线性看VIF是否大于10、删除或合并变量；误差非正态用Jarque-Bera、检查离群值；遗漏变量偏误用Ramsey RESET、重新设定模型。
学术报告规范：系数后括号内标注标准误或t值，用星号表示显著性（* p<0.10，** p<0.05，*** p<0.01），说明所用标准误类型，报告R²、调整R²、N和F统计量，描述识别策略与潜在内生性问题。
常见误区：无识别策略却声称因果；对分组数据使用默认标准误；纳入处理后变量等“坏控制”；对含零值变量取对数；把高R²当作模型正确或因果的证据。相关技能包括panel-data、iv-estimation、stats，以及/diagnose、/robustness、/interpret、table等命令。