如果我们考虑由次测量案例组成的设计，那么在我看来，以下松散的定义似乎是对区别的描述：$n$$k$

• 纵向设计：高，低$n$$k$
• 时间序列：低，高$n$$k$

当然，这提出了什么是高什么是低的问题。总结一下我自己对这些模糊定义的粗略理解，以下示例：

• 时间序列可能有 = 1、2 或 5， = 20、50、100 或 1000，并且$n$$k$
• 纵向设计可能有 = 10、50、100、1000 和 = 2、3、5、10、20$n$$k$

更新： 跟进Dr Who关于区分目的是什么的问题，我没有权威的答案，但这里有一些想法：

• 术语在涉及特定实质性问题的学科中不断发展
• 时间序列
  • 经常关心预测未来的时间点
  • 经常关注建模各种周期性和趋势过程
  • 经常关注详细描述时间动态
  • 经常研究测量的特定事物具有特定兴趣的现象（例如，失业率、股票市场指数等）
  • 时间索引通常是预先存在的
• 纵向设计：
  • 经常使用案例样本作为总体的样本，以便对总体进行推断（例如，儿童样本以研究儿童总体上如何变化）
  • 通常关注相当普遍的时间过程，如增长、可变性和相对简单的功能变化模型
  • 研究通常专门设计为具有给定数量的时间点。
  • 经常对变化过程中的变化感兴趣

鉴于实际时间动态的差异，以及和的特定组合，这会产生不同的统计建模挑战。例如，通常使用和低这些不同的学科、建模挑战和文献鼓励创建不同的术语。$k$$n$$n$$k$

不管怎样，这就是我的印象。也许其他人有更大的洞察力。

时间序列是简单的一系列数据点，这些数据点随着时间的推移而间隔开，通常具有固定的时间间隔。纵向设计更具体，随着时间的推移为每次观察保持相同的样本。

时间序列的一个例子可能是每月使用劳动力调查测量失业率，每次都有新样本；这将是一系列横截面设计。但它可以是任何东西，比如你每年的个人储蓄，也可以是纵向的。或者它可能只是跟随特定人群的年龄增长，例如电视纪录片七起来！之后每七年出续集——最新的是2005 年的49 Up，所以明年应该会有另一个版本。纵向设计倾向于告诉您更多关于典型个体随时间变化的方式，但可能（取决于设计的细节和样本是否更新）较少说明总体如何变化。

我将补充一点，在时间序列上下文中，通常假设观察到的数据是随机过程的实现。因此，在时间序列中，对随机过程的属性给予了很多关注，例如平稳性、遍历性等。在我理解的纵向上下文中，数据来自在不同点观察到的通常样本（通过样本我指的是独立同分布变量的序列）时间，所以应用了经典的统计方法，因为它们总是假设观察到样本。

简而言之，有人可能会说时间序列是在计量经济学、纵向设计——统计学中研究的。但这并不能回答问题，只是将其转移到另一个问题。另一方面，许多简短的答案正是这样做的。

时间序列数据在很长一段时间内定期评估。而纵向数据则不是：重复测量是短期的。也就是说，数据收集可以在某个时间点停止/终止以进行分析，或者当措施在行为变化方面满足研究人员的要求时。