Khái niệm dừng (stationary) hoặc không dừng (non-stationary) vô cùng quan trọng bởi một chuỗi dữ liệu dừng và một chuỗi dữ liệu không dừng sẽ phù hợp với những phương pháp khác nhau. Sự khác nhau này xuất phát từ những lý do sau:
- Chuỗi dừng có thể ảnh hưởng mạnh đến hành vi và đặc điểm của chính nó. Có thể hình dung nhận định này qua ảnh hưởng của sốc. Từ sốc dùng để chỉ thay đổi bất ngờ trong diễn biến của một biến số hoặc đơn giản là thay đổi bất ngờ của sai số tại một thời điểm cụ thể nào đó. Đối với chuỗi dừng, tác động của cú sốc sẽ
giảm dần theo thời gian. Chẳng hạn, cú sốc tại thời điểm t sẽ có tác động yếu hơn tại thời điểm t+1, yếu hơn nữa tại thời điểm t+2… Ngược lại, với chuỗi không dừng tác động của cú sốc sẽ không giảm dần theo thời gian. Theo đó, với chuỗi thời gian không dừng, nhà nghiên cứu chỉ có thể nghiên cứu hành vi của nó trong một khoảng thời gian đang được xem xét nhất định, mà không thể khái quát hóa cho cả giai đoạn, cũng như không thể tiến hành dự báo (Gujarati, 2009).
- Sử dụng chuỗi dữ liệu không dừng có thể dẫn đến hồi qui giả mạo (spurious regression). Nếu sử dụng 2 biến ngẫu nhiên dừng không có mối quan hệ với nhau để xem xét tác động của biến này đến biến kia bằng phương pháp OLS, hệ số ước lượng sẽ không có ý nghĩa thống kê, và giá trị R2 sẽ rất thấp. Nếu sử dụng 2 biến ngẫu nhiên không dừng trong trường hợp này, hệ số ước lượng có thể có ý nghĩa thống kê và R2 có thể rất cao. Tuy nhiên, kết quả thống kê này không đáng tin cậy và do đó không có giá trị.
Trong trường hợp chuỗi không dừng ở bậc gốc (at level), cần tiến hành biến đổi dạng sai phân cho dữ liệu. Sai phân bậc 1 phản ánh sự thay đổi của giá trị quan sát tại thời điểm t so với thời điểm t – 1, ký hiệu là I(1). Sai phân bậc 2 cho thấy sự thay đổi của sai phân tại thời điểm t so với sai phân tại thời điểm t – 1, ký hiệu là I(2). Dữ liệu dạng sai phân được sử dụng để loại bỏ thành phần xu hướng của chuỗi thời gian. Việc kiểm định tính dừng để đảm bảo các chuỗi đều dừng cùng bậc, trong kinh tế, tài chính thường là I(1) mà hiếm có trường hợp I(2).
Tính dừng của chuỗi dữ liệu là một vấn đề cần được quan tâm đầu tiên trong dữ liệu chuỗi thời gian, đặc biệt là dữ liệu bảng. Để kiểm tra tính dừng của dữ liệu, tác giả thực hiện các kiểm định theo phương pháp Augmented Dickey Fuller – ADF, với độ trễ của các biến dựa trên tiêu chuẩn thông tin Schwarz (Schwarz Information Criteria – SIC), các giả thuyết đặt ra cho mỗi biến là:
H0: = 0 (có nghiệm đơn vị - chuỗi thời gian không dừng). H1: < 0 (không có nghiệm đơn vị - chuỗi thời gian dừng).
Gujarati (2009) cho rằng, nếu các chuỗi dừng khác bậc và không xảy ra hiện tượng đồng liên kết, phương pháp ước lượng trong trường hợp này là VAR. Nếu các
chuỗi đều dừng ở chuỗi I(1), nên chuyển sang mô hình khác phù hợp hơn, điển hình là VECM.