本論文使用追蹤資料(panel data)，建立兩種新的檢定統計量，以檢定資料的非恆定性與門檻效果，並提出檢定程序，使檢定量在有限樣本時亦有正確的拒絕機率;本論文包含三篇文章。

第一篇的目的在於利用追蹤資料，建立新的單根檢定量;文中採用FM-OLS估計方法，加上「混合」(pooling)的方式估計單根係數，據以建立新的檢定統計量;由於估計式具有hyper-consistency性質，檢定量的收斂速度將比其他的追蹤資料單根檢定還快，因此，在對立假設下的發散速度會較快。此外，文中證明:在單根的虛無假設下，隨時間長度(T)與橫斷面個數(N)同時到無窮大(joint limit)，統計量的大樣本分配為標準常態分配。模擬結果發現:新統計量在小樣本時，有嚴重的型一誤差扭曲。因此，文中建議以「靴帶反覆抽樣法」(bootstrap)來改善型一誤差扭曲的問題。模擬結果顯示:在T與N都不是很大時，「靴帶反覆抽樣」檢定會有正確的拒絕機率;同時，相較於Im, Pesaran & Shin(1997)檢定(以後稱為IPS檢定)，新統計量亦具有較高的檢力表現。

第二篇討論Levin, Lin & Chu (1997)檢定的小樣本問題。LLC檢定的執行需要誤差修正量，才可使用N(0,1)的臨界值;然而，模擬發現，LLC 所提供的小樣本誤差修正量，並無法使檢定量在有限樣本時有正確的拒絕機率。文中探討其可能原因，同時提出改善的方法以解決此檢定的小樣本問題;我們以「靴帶反覆抽樣法」建立統計量的小樣本分配，作為統計推論的基礎;模擬結果發現，此方法可顯著改善小樣本時的型一誤差扭曲問題，同時，在模型 3(含截距項與時間趨勢項)時，相較於IPS(1997)檢定，有不錯的檢力表現。此外，我們先讓T到無窮大，再N到無窮大，重新推導LLC檢定量在虛無假設下的大樣本分配，得到標準常態分配，並且提供檢定量於對立假設成立下的一致性證明，這些大樣本結果在LLC (1997)的文章中並不存在。

第三篇嘗試建立一新統計量以檢定動態追蹤資料之門檻效果;我們延伸Hansen (1999) 的靜態追蹤資料模型，允許資料具有更高的異質性，並將模型擴大成動態模型，討論門檻效果檢定的問題。為避免傳統恆定動態追蹤資料中，允許有固定效果時，利用「混合」(pooling)的估計方法，將造成係數估計值不一致的問題，我們利用「平均」(averaging) 的概念，以加總平均橫斷面各數列 p 值的方式，建構新的門檻效果檢定量。接著證明，在無門檻效果的虛無假設下，當T到無窮大，再N到無窮大，統計量的大樣本分配為標準常態分配。模擬結果顯示:統計量在有限T,N時會有型一誤差扭曲;為改善此一問題，我們以「靴帶反覆抽樣法」建立小樣本分配，作為推論基礎。結果發現，採用「靴帶反覆抽樣」的檢定，在有限樣本時有正確的型一誤差表現，而檢力的表現一如預期，隨T,N增加或隨門檻效果提高而增加。