相較於處理橫斷面資料對於異質變異數通常處於容忍的態度，進行時間序列資料的分析時，第一件事情為確認序列是否為定態。為了簡單描述定態的概念，以下我畫出兩個時間序列，左邊的序列是定態的時間序列，右邊的序列則是非定態的時間序列。

可以發現左邊的定態時間序列雖然給定不同期數下其值不同(例如台積電的收盤價每天都不一樣)，但其出現的大概範圍(可由平均數與變異數衡量)，以及自我相關性(可由共變數衡量)的結構是穩定的。而右邊的非定態時間序列則如同常見的股票價格與匯率一般，也許在短期內可以看出具有往上或往下的趨勢，但這個趨勢的方向與持續長度則是無法預測的。

若資料本身是非定態的，表示其統計性質會隨著不同時間而改變，此時無法透過過去的資料針對外來進行分析與預測，因為過去資料的性質與未來是不一樣的。而一個具有穩定結構之時間序列 , 若可以找到其他變數具有預測能力 ( 或相關性 )，才能認定其預測能力不是來自變數共同的長期趨勢或季節性，造成因果關係的錯認。

而時間序列若為非定態，則稱該序列具有隨機趨勢。隨機趨勢表示外生衝擊對於此序列之影響具有恆久性 (permanent)，任意一次的衝擊將造成序列持續且長期性的改變。若使用兩個具有隨機趨勢的資料進行迴歸分析，則即使兩個變數之間不具有任何關係（例如印度的股市與加拿大的大盤指數），兩變數之間仍可能在統計上呈現高度相關性，而其相關性來自兩變數共同具有的隨機趨勢。

而要利用肉眼判斷時間序列是否為定態是不太可能的，實務上我們會使用單根檢定確認。若該序列具有單根表示是非定態的，該序列不具有單根則是非定態的。常用的單根檢定主要有 Augmented Dickey-Fuller (ADF) 檢定與  Phillips-Perron (PP) 檢定，大多數的統計軟體皆具有對應的套件或者是指令，同學在進行時間序列分析時，務必要先進行單根檢定，確認變數是定態的再進行分析。若該變數不是定態的，則可將該變數改取報酬率或者變動率後再利用單根檢定確認是否為定態。例如匯率與股價一般都是非定態的時間序列，但匯率變動率與股價報酬率則會是定態的序列。