至少在社会科学中，您经常拥有具有大 N 和小 T 渐近线的面板数据，这意味着您观察每个实体的时间相对较短。这就是为什么应用面板数据的工作通常不太关心数据的时间序列部分。

尽管如此，时间序列元素在面板数据的处理中仍然很重要。例如，自相关程度决定了固定效应还是一阶差分更有效。在差异差异中，正确处理标准误差以解释自相关对于正确推理很重要（参见Bertrand 等人，2004 年）。使用小 N、大 T 渐近估计的动态面板也是可用的，你经常在宏观经济学中找到这样的数据。在那里，您可能会遇到已知的时间序列问题，例如面板非平稳性。

Wooldridge (2010) “横截面和面板数据的计量经济学分析”中提供了对这些主题的出色处理。

面板数据的第二个维度不一定是时间。我们可以有关于双胞胎或兄弟姐妹的数据或关于回答 T 个调查问题的 N 个人的数据。纵向数据，其中 T 是第二维，可以说是最常见的面板数据类型，并且实际上已成为它的同义词。

微型或短面板（大 N，小 T）通常具有将 N 发送到无穷大的渐近线，保持 T 固定。宏面板或长面板具有中等 N 和大 T，并且渐近线倾向于保持 N 固定并增长 T，或者同时增长 N 和 T。对于微型面板，跨单元依赖性通常不是问题，因为单元是随机抽样的，而对于宏观面板，这可能是一个真正的问题（例如，国家或州之间的空间依赖性）。使用宏面板，您还必须担心单位根、结构中断和协整，所有这些都是熟悉的时间序列问题。您还必须偶尔担心选择性问题（如损耗、自我选择和不响应）。当 T 足够长时，甚至国家也会消失。

我会看一下 Baltagi 的面板数据计量经济学分析，特别是第 8、12 和 13 章。它还详细介绍了短面板。上一版还附带一卷非常好的锻炼解决方案。

如上所述，面板数据通常用于个体层面，而不是用于 N 大和 T 小的聚合层面。使用面板数据有很多优点，因为我们可以消除个体异质性，并且在测试提到两个时通常会获得更高的功效. 与横截面数据相比，这个新的时间维度确实引入了一些新的方法、假设和问题（我会让你参考 Wooldridge 的书来更深入地研究这些）。

然而，在经济学中也很常见使用具有小 N 和大 T 的国家级面板数据。这引入了在处理大 N、小 T 面板数据时没有遇到的一系列困难。例如，我们可以在我们的面板中有单位根，并且还有特定的面板单位根测试来处理这个特定问题。请注意，这些具有比单个系列的单位根检验显着更高的功效。我们还可以在这些面板中具有各种其他类型的非平稳性。此外，在处理具有小 N 和大 T 的面板数据时，我们还可以进行协整。处理大 T 和小 N 面板数据时的另一个主要问题是，这些数据通常是针对国家级经济变量的，在这种情况下，独立性假设经常被违反，应该对此进行测试。

因此，与横截面数据相比，具有大 N 和小 T 的面板数据引入了时间序列维度，类似于横截面分析，而具有大 T 和小 N 的面板与时间序列方法相比引入了横截面维度，类似于时间序列分析。

Wooldridge 的《横截面和面板数据的计量经济学分析》是一本关于大 N 小 T 面板数据的优秀书籍。这本书非常密集，每一页都包含大量信息，因此您可能希望从一本计量经济学入门书开始，然后先阅读那里的面板数据部分。

我不知道针对大 T 和小 N 的面板的具体书籍，但有一卷名为：“非平稳面板、面板协整和动态面板”，Baltagi 编辑。

这在很大程度上是一个重点问题，因为这两个数据都包含横截面和时间序列分量。

面板数据更有可能具有较大的 N 和较小的 T。

对单个组成部分（例如随着时间的推移的商店，随着时间的推移的消费者）以及对这些单个组成部分（例如高收入消费者，从中等收入转向高收入的消费者）进行细分的可能性更大。

单个组件存在生存/更换问题（组件出于某种原因离开研究，必须更换）。使用计量经济数据，您更有可能在更综合的层面上进行处理，而处理这些问题通常是其他人的问题（例如 BLS 的那些优秀人员）。

确实会出现自相关问题，但通常被建模为过去的历史而不是自相关本身，例如您过去购买巧克力糖霜的历史http://www.gocomics.com/calvinandhobbes/1986/03/22会告知预测未来的购买行为。