你遇到的问题是一个常见的情况，被称为"控制变量问题"。当你添加控制变量到回归模型中时，核心解释变量的显著性可能会发生变化。这可能是由于控制变量与核心解释变量之间存在共线性或其他复杂的关系导致的。
在处理这个问题时，有几个可能的方法可以尝试：
1. 检查共线性：共线性是指解释变量之间存在高度相关性。你可以计算控制变量之间的相关系数，以确定是否存在共线性问题。如果存在共线性，可以考虑删除其中一个或多个高度相关的控制变量，以减少共线性对结果的影响。
2. 重新选择控制变量：尽管你已经参考了权威论文选择了控制变量，但仍然可能存在其他未考虑到的重要控制变量。你可以尝试添加或删除一些控制变量，并观察它们对核心解释变量的影响。这可能需要进行多次回归分析来比较不同模型的结果。
3. 使用工具变量：在某些情况下，使用工具变量可以帮助解决内生性问题。工具变量是与核心解释变量相关但不与误差项相关的变量。通过使用工具变量回归，可以减轻内生性对结果的影响。
4. 进行子样本分析：有时，控制变量可能对样本中的某些子集产生不同的影响。你可以尝试将样本分成几个子样本，并分别进行回归分析，以观察控制变量对核心解释变量的影响。

检查控制变量是否与解释变量存在多重共线性。如果是,可以适当减少控制变量数量。
逐个加入控制变量,观察哪些变量引起核心解释变量不显著。这些控制变量需要进一步检验其引入的必要性。
尝试不同的模型设置,如使用匹配法等方法控制变量,而不是单纯加入回归。
改用稳健标准误(robust standard error)来替代OLS,查看结果是否改变。
提高样本量,如果样本量较小,加入控制变量后结果更不稳定。
从理论上重新思考控制变量的作用机制,哪些变量应该优先控制,核心变量是否可能被过度控制。
显示不同模型设置下的结果,讨论控制变量引入的价值及对结果的影响

一方面可以检查共线性问题，另外如果是微观数据的话 可以尝试缩尾处理试一试。或者可以通过逐个检查控制变量的方式，找到干扰解释变量的控制变量。

我的是宏观数据，是国家层面的，这些控制变量，不管加几个进去，核心解释变量就不显著了......

我的是宏观数据，国家层面的，几个控制变量，不管加多少个进去，核心解释变量就不显著了......