什么时候需要做平稳性检验，所有实证分析都必须做吗

统计

最近，看到很多同学的毕业论文中，不管什么情况，实证分析前，喜欢对数据先做平稳性检验，尤其是涉及时间的数据。

那么：所有实证分析，真的都需要做平稳性检验吗？

如果不做，会不会论文显得不严谨？如果做了，是不是就说明模型更可靠？

01平稳性检验，原本是为“时间序列问题”准备的

要理解这个问题，先要回到一个最基本的前提：

平稳性检验并不是一个通用步骤，而是为特定问题服务的工具。

它最早出现的背景，是时间序列分析。在时间序列研究中，我们关心的是变量如何随着时间连续变化。比如：

GDP随时间的变化
股票价格的波动
利率、通胀、汇率等宏观变量的演变

这类变量往往有一个非常典型的特征：

它们不是围绕一个固定水平上下波动，而是会随着时间不断“漂移”。

比如：

GDP长期上升
房价持续上涨
股票价格常常带有明显趋势
货币供应量、消费总额这类总量变量也经常一路上升

问题就在这里：如果两个变量都在随着时间持续上升，那么即使它们之间并没有真正的经济关系，直接做回归时，也可能会得到一个“非常显著”的结果。

看起来系数很漂亮，t 值很高，R² 也不低，但这种关系本质上可能只是因为它们都在跟着时间一起变化。

这就是时间序列分析里非常经典的一个问题：

伪回归

平稳性检验的作用，正是用来帮助我们判断：

这个序列是不是围绕某个相对稳定的均值和波动范围在变化，
还是说它本身就在不断漂移、不断带趋势地往前走。

换句话说：

它解决的是“时间序列能不能直接进入回归模型”的问题。

所以，平稳性检验从一开始就不是为所有数据准备的。它是为那些真正具有时间路径特征、并且容易受到趋势误导的序列准备的。

下面是EViews中经典的标准单位根检验对话窗口截图，学过《时间序列分析》的同学，应该很清楚什么是“漂移”。

下面是SPSS中的平稳性和协整检验菜单的截图，如果你的版本中没有相关选项，可以通过安装R软件的插件，来进行平稳性（单位根）检验的分析。

02为什么很多论文“习惯性”做平稳性检验？其实是方法迁移

那为什么现在这么多论文都在做平稳性检验？

原因其实不复杂：

时间序列分析中的方法，被机械地迁移到了其他类型的实证研究中。

很多同学在学习计量方法时，接触到“单位根”“ADF 检验”“非平稳序列”这些概念后，很容易形成一个印象：

只要数据里有年份，只要变量是连续的，只要回归里带了时间维度，那就应该先检验平稳性。

久而久之，这就变成了一种“经验流程”：

拿到数据→先跑描述统计→再跑相关性→然后顺手做个平稳性检验

这个流程看起来完整，但未必和研究问题匹配。

现实中，大多数实证研究并不是纯粹的时间序列分析。

更常见的，是下面这几类数据：

横截面数据，比如企业、城市、个人、家庭、学校
面板数据，比如城市—年份、企业—年份、地区—年份

这些研究真正关心的，通常不是“一个变量本身的时间轨迹”，而是：

不同个体之间有什么差异
同一个体在不同年份中发生了什么变化
在控制其他因素后，某个变量是否仍然对结果变量有影响

也就是说，这类研究的核心问题往往是：

个体差异
内生性
遗漏变量偏误
选择偏误
模型设定是否合理

而不是时间序列里的“趋势同步”问题。

所以，很多同学的论文“习惯性做平稳性检验”，不是因为研究真的需要，而是因为：把时间序列里的一个方法，泛化成了所有实证研究的固定步骤。

这也是很多毕业论文容易出现的方法误用：做了很多看上去专业的检验，但这些检验并没有真正对应自己的研究问题。

03什么时候真的需要做平稳性检验？

这里可以抓住一个很实用的判断标准：

你的研究，是否依赖“时间路径本身”？

如果答案是“是”，那么就要认真考虑平稳性问题。

（1）纯时间序列模型。

这是最典型、也是最明确需要做平稳性检验的情况。包括常见的：

AR、MA、ARMA、ARIMA
VAR 模型
VECM 模型
协整分析
格兰杰因果检验中的时间序列设定

这些模型本身就建立在序列具有某种稳定统计性质的基础上。如果变量是非平稳的，很多统计推断就会失去基础，模型的解释也会变得很危险。

简单说，在这类模型里：

平稳性不是附加要求，而是模型成立的前提之一。

（2）你研究的是长期趋势变量之间的关系。

有些研究虽然不一定用到复杂的时间序列模型，但变量本身明显具有长期趋势。例如：

GDP 与能源消费
居民收入与消费总额
房价与货币供应量
出口额与经济总量

这类变量一个共同特点是：它们都可能随着经济发展长期上升。

这时候，如果直接回归，很容易把“共同上升”误判为“存在因果或稳定关系”。结果可能非常显著，但这种显著性并不一定有经济意义。

所以，只要你的变量明显带有趋势，而且研究关注的是变量之间的长期联动关系，就需要认真判断序列是否平稳，或者进一步考虑差分、协整等处理方式。

（3）你关心的是长期均衡关系。

有时候，研究者真正想问的不是短期波动，而是：这些变量在长期中，是否存在一种稳定关系？比如：

收入和消费是否长期共同变动
货币与物价之间是否存在长期均衡
房价和收入是否存在长期偏离与回归

这种关系，你可以理解为“共振”“互动”“联动”，这时，问题已经不只是“要不要回归”，而是：

变量是不是单位根过程
非平稳变量之间是否存在协整关系
是否能够从短期偏离中识别长期均衡

这种情境下，平稳性检验不是可有可无。因为后续的协整检验、误差修正模型，都是建立在对序列性质有基本判断的前提上的。

04哪些情况下，不需要做平稳性检验？

反过来看，大多数毕业论文和课程论文，其实并不属于上面那几类。

（1）横截面数据。

这是最不需要做平稳性检验的一类。例如：

企业绩效影响因素分析
个体收入决定因素
员工满意度问卷研究
消费者行为研究
地区差异比较

这些数据本质上是同一时点、不同个体之间的比较。它们没有“时间路径”这个概念，也不存在时间序列里的持续漂移问题。

在这种情况下去做平稳性检验，往往不是严谨，而是方法不匹配。

因为你要解决的问题根本不是：“这个序列是否围绕均值波动”，

而是：“不同个体之间的差异能否被模型合理解释”。

（2）标准面板数据 + 固定效应。

这是毕业论文里最常见、也最容易误用平稳性检验的一类。比如：

城市—年份数据
企业—年份数据
省份—年份数据

因为面板数据的流行，现在大部分的实证论文是基于面板数据分析。

很多同学一看到面板数据里有年份，就会觉得“这也算时间序列”，于是开始做单位根检验。但严格来说，大多数面板研究关注的并不是一个单一序列随时间如何演变，而是：

同一个体内部的变化
不同个体之间的差异
在控制个体效应和时间效应后，核心变量是否仍有解释力

这类模型真正要解决的重点是：

个体固定效应
时间固定效应
聚类标准误
内生性与识别问题

而不是单纯的序列漂移。

尤其是在标准固定效应设定下，很多共同时间趋势本来就已经通过年份效应吸收掉了。如果再机械地把平稳性检验当成“必须步骤”，往往只是在增加流程感，并没有真正增强识别。

（3）以解释关系为主的回归分析。

最后一点，很多毕业论文的核心目标并不是预测，也不是刻画时间动态，而是解释变量之间的关系。例如：

数字经济是否影响创新
教育投入是否提高成绩
ESG 是否影响企业融资成本
数字化转型是否改善企业绩效

这类研究更关注的是：

控制变量是否合理
核心解释变量是否存在内生性
模型设定是否稳健
结果是否具有解释意义

在上述场景下，决定论文质量的，通常不是“变量平不平稳”，而是：你有没有搞清楚识别逻辑；有没有处理关键偏误来源；有没有把模型解释清楚。

小结

简单来说，问题的关键不在于：

平稳性检验是不是一个必须完成的标准步骤。

而在于：

你的研究，是否真的面临时间序列中的趋势问题。

如果是纯时间序列分析，或者研究的是带有明显长期趋势的变量关系，那么平稳性检验通常是必不可少的。因为这直接关系到模型能不能成立，结果会不会落入伪回归的陷阱。

但如果是横截面研究，或者大多数以固定效应为主的面板数据分析，盲目去做平稳性检验，很多时候并不是方法上的严谨，而只是形式上的完整。