我认为最简单的看待它的方法是注意 ARMA 和类似模型旨在做与多级模型不同的事情，并使用不同的数据。

时间序列分析通常具有较长的时间序列（可能有数百甚至数千个时间点），主要目标是查看单个变量如何随时间变化。有很多复杂的方法可以处理许多问题——不仅仅是自相关，还有季节性和其他周期性变化等等。

多级模型是回归的扩展。他们通常有相对较少的时间点（尽管他们可以有很多），主要目标是检查一个因变量和几个自变量之间的关系。这些模型不太擅长处理变量和时间之间的复杂关系，部分原因是它们通常具有较少的时间点（如果每个季节没有多个数据，则很难查看季节性）。

ARMA/ARIMA 是优化如何使用单个系列的过去来预测该单个系列的单变量模型。人们可以通过经验确定的干预变量来扩充这些模型，例如脉冲、电平转换、季节性脉冲和本地时间趋势，但它们仍然基本上是非因果的，因为没有用户建议的输入序列。这些模型的多元扩展称为 XARMAX 或更一般的传递函数模型，它在输入上使用 PDL/ADL 结构并在其余部分上使用任何需要的 ARMA/ARIMA 结构。这些模型也可以通过结合经验可识别的确定性输入来加强。因此，这两种模型都可以被认为是对纵向（重复测量）数据的应用。现在是关于多级模型的维基百科文章通过假设某些原始/琐碎即非分析结构来指代它们对时间序列/纵向数据的应用，例如“最简单的模型假设时间的影响是线性的。可以指定多项式模型以允许时间的二次或三次影响” .

可以将传递函数模型扩展到涵盖多个组，从而演变为汇集横截面时间序列分析，其中适当的结构（滞后/超前）可以与 ARIMA 结构结合使用，以形成局部模型和整体模型。