随着社会的进步，统计数据按照季度、月度和日度甚至更高频率搜集和公布。季节时间序列数据中携带了丰富的季节性信息，通过对季节性问题的研究，决策者可以在更为真实和充分的信息集约束下进行更加理性的抉择。虽然对某些宏观经济变量的非平稳季节特征早就为人所知，但人们仍然习惯于假定时间序列的季节模式是随机平稳或确定性的，并据以构造经济模型。虚拟变量模型(DummyVariableModel，以下简称DVM)是其中最为常用的模型之一。该文主要对DVM中的虚假回归现象进行深入的理论研究和实证分析。 在第二章，首先追溯了有关季节性的各种定义，并对各种季节模式的起源和背景进行了介绍。而后，系统介绍了常用季节模式的检验方法并总结提出关于季节模式检验的步骤和程序。随后，介绍了虚假确定性季节模式产生的理论根源，通过MonteCarlo模拟试验磷究此时常用统计量的极限分布及有限样本属性。 在第三章、第四章和第五章中分别研究了季节单位根过程间的虚假回归、季节趋势平稳过程间的虚假回归以及平稳过程SAR(1)间的虚假回归。推导了DVM中在以上不同数据生成过程下发生“虚假回归”现象时OLS参数估计及检验统计量的极限分布。序列中的持久性、趋势及回归残差的自相关性都可能导致虚假回归，但参数估计及检验统计量的表现有着各自的特点。借助MonteCarlo试验，对上述虚假回归中OLS统计量(t类统计量、R2、DW)的大样本渐近分布进行模拟；针对我国数据样本期比较短的特点，就虚假回归下统计量的小样本(T=10，15，30，50)特征进行模拟。在第三章中，提出一种发现DVM中虚假回归的有力工具——SDW检验统计量，推导了其极限分布。随后，利用MonteCarlo模拟试验研究SDW统计量的功效。并利用我国宏观经济数据在第六章中验证了所提方法的有效性。 在第六章中，首先对我国实际宏观季度数据中的季节模式进行了全面检验。在此基础之上，对几个常用经济模型——货币长期中性模型、货币短期中性模型和进出口季节误差修正模型(SECM)进行了再检验，发现采用DVM模型时确实可能导致虚假回归和模型的误设定。