你可以做任何你想做的事，特别是如果它是学期论文或类似的东西。

要获得有用的结果，您不能将非平稳数据与 OLS 和时间序列一起使用。还有其他更高级的方法，非平稳性不是问题。使用 OLS，您必须区分实际 GDP 和指数，并且在许多情况下还要应用对数变换。

更新：在 OLS 中使用非平稳变量时，您会遇到虚假回归的潜在致命问题，有大量关于此主题的文献。基本上，在大多数情况下，您的回归结果会变成垃圾。您可能会看到非常显着的系数，但显着性是人为的，并且在您运行适当的回归时会消失。

还有一个更微妙的现象叫做“协整”，但既然你是在写本科论文，我就不用担心了。事实上，如果你的专业不是统计学或计量经济学，我想你的导师不会因为不当使用回归而惩罚你。

澄清：如果系列是协整的，您可以将非平稳数据与 OLS 一起使用。但是，这样做时，您最好表明该系列确实是协整的，然后如果您需要推理，则相应地调整参数协方差矩阵。参数本身就可以了。正如我在原始答案中提到的，这是通常在本科课程之外的高级概念。

我拥有计量经济学研究生学位，专门研究时间序列和生存分析。我会尽量给你简短的本科建议而不是证明。

1. 您永远不应该将 OLS 用于时间序列数据（唯一的例外是有时将这种技术用于面板数据是合适的）。OLS 结果将是垃圾 - 它会导致虚假回归，其中结果看起来不错，但没有计量经济学解释。应改为使用 MLE。为什么的简短答案是，因变量和误差项之间的协方差永远不会为零，这是 OLS 的基本假设之一。我们必须对数据拟合一个过程，而不是拟合一条线性线 (AR(p), MA(q), ARMA(p,q), ARIMA(p,d,q), ARIMAX(p,q,x )、VAR(p) 等）

2. 区分您的数据以使其静止将不允许您使用 OLS。固定数据仍然遵循一个过程，您的模型规范应该允许这一点。如果两个时间序列的误差项是平稳的，则使用协整技术是合适的，但这不是您应该尝试自己做的事情。

3. 如果您有权访问统计数据包，请研究如何执行 Dickey-Fuller 平稳性检验以确定您的数据是否平稳。如果不是，则对数据进行差分，并且（假设在第一次或第二次差分后具有平稳性），使用 MLE 将适当的过程拟合到您的系列中。

4. 警告：根据您提供的数据描述，听起来最好使用带有传递函数 (VARMAX(p,q,x)) 的向量自回归进行建模。这也称为递归 VAR。如果您试图确定（假设是静止的）多个时间序列是否正在预测另一个时间序列，则这是合适的。这些在正确建模时非常准确，但它们并不简约（您需要大量的自由度，并且您已经在使用仅渐近无偏的估计过程，因此希望您有大量的观察结果），而且它不是我建议本科生尝试做的事情。

希望有帮助，

基冈