单位根检验是计量经济学中十分重要的研究内容之一。尤其在实际的金融时间序列多为非线性,并且大多数是含有单位根的非平稳序列的背景下,平稳性检验在研究时间序列数据中已是必不可少的一个步骤。但是传统的单位根检验是基于线性模型提出的,针对现今众多非线性模型的检验效果并不是十分有效,容易造成过分接受非平稳的假设,从而引起误判。基于此,本文针对实际应用较多的非线性STAR模型进行了相应的单位根检验研究。考虑到STAR模型在实际拟合时间序列数据时,模型的残差项常服从GARCH过程,因此本文在前人的基础上构建了检验似然比检验统计量l(δ)。似然比检验统计量极大的提高了 STAR模型的单位根检验功效,并且与汪卢俊(2014)提出的针对LSTAR-GARCH模型的单位根检验统计量tNG相比,避免了计算估计方差,有效的降低了计算复杂度,提高了估计统计量的稳定性。本文首先是对单位根检验的历史和理论进行了介绍,然后基于汪卢俊(2014)提出的针对LSTAR-GARCH模型的单位根检验统计量tNG,在文中第三章创造性的提出了基于LSTAR-GARCH模型的经验似然比检验统计量l(δ),并推导出其极限分布。其中关于时间序列的条件方差时变性特征(GARCH项),tNG的极限分布在推导过程中需要考虑到tNG的估计方差,这样会增加tNG的不稳定性和计算复杂度,而经验似然比检验统计量可以有效地避免计算统计量的估计方差,从而提高单位根检验的效果。为了验证第三章中的理论,本文第四章通过蒙特卡罗和Bootstrap方法进行模拟和功效比较,在模拟的角度进一步的说明这一情况。更进一步,第五章结合我国上证指数股票数据进行实证分析,通过拟合情况来比较,说明使用经验似然比检验统计量检验,构建的STAR模型最为准确,能够为投资者提供更可靠的信息。