Answers:
至少在社会科学中，您经常会获得具有大N和小T渐进性的面板数据，即许多实体，但是您会在相对较短的时间内观察到每个实体。这就是为什么对面板数据进行的应用工作通常很少关注数据的时间序列成分。
然而，时间序列元素在处理面板数据中仍然很重要。例如，自相关程度确定固定效果或第一差异是否更有效。在差异中，对标准误差进行适当处理以解决自相关问题对于正确推断非常重要（请参阅Bertrand等，2004）。还提供了使用估计量的N小，T大渐近线的动态面板，您经常会在宏观经济学中找到此类数据。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”提供了对这些主题的出色处理。
面板数据的第二维不必是时间。我们可能有双胞胎或兄弟姐妹的数据，也可能有N个人回答T调查问题的数据。纵向数据（其中T是第二维）可以说是面板数据的最常见类型，并且实际上已经成为它的同义词。
微型或短面板（大N，小T）通常具有将N传递到无穷大并保持T固定的渐近性。宏面板或长面板具有适度的N和大的T，并且渐近线趋于使N固定并增长T，或者同时增长N和T。对于微面板，跨单元依赖性通常不是问题，因为单元是随机采样的，而对于宏面板，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）。使用宏面板时，您还必须担心单位根，结构断裂和协整，这些都是时间序列中常见的问题。您还偶尔需要担心选择性问题（例如损耗，自选择性和无响应）。当T足够长时，甚至国家也可能消失。
我将看一下Baltagi的面板数据的计量经济学分析，尤其是第8、12 和13章。它还详细介绍了简短的面板。前一版还附带了非常不错的练习解决方案卷。
这在很大程度上是一个重点问题，因为这两个数据均由横截面和时间序列组成。
面板数据更可能具有较大的N和较小的T。
人们越来越关注各个组成部分（例如，一段时间内的商店，一段时间后的消费者），并且更有可能细分这些单独的部分（例如，高收入消费者，从中等收入到高收入的消费者）。
各个组件都有生存/替换问题（这些组件出于某种原因离开研究，必须更换）。使用计量经济学数据，您更有可能在更汇总的层次上进行处理，而处理这些问题通常是其他人的问题（例如，BLS的那些好人）。
确实存在自相关问题，但是通常将其建模为过去的历史而非本身的自相关，例如，您过去购买巧克力糖霜炸弹的历史http://www.gocomics.com/calvinandhobbes/1986/03/22告知了这一预测未来的购买行为。
如上所述，面板数据通常在单个级别上使用，而不是在N和T较小的聚合级别上使用。使用面板数据有很多优点，因为我们可以消除单个异质性，并且在测试提及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（我将参考Wooldridge的书来更仔细地研究这些内容）。
但是，在经济学中也很常见，同时使用具有小N和大T的国家/地区面板数据。这会带来处理大N和小T面板数据时不会遇到的一系列困难。例如，我们可以在面板中包含单位根，也可以使用特定的面板单位根测试来解决此特定问题。请注意，它们比单个系列的单位根测试具有更高的功效。在这些面板中，我们还可能存在各种其他形式的非平稳性。此外，当处理小N和大T的面板数据时，我们也可以进行协整。处理大T和小N面板数据时的另一个主要问题是，该数据通常用于国家/地区级经济变量，在这种情况下，经常违反独立性假设，应对此进行检验。
因此，具有大N和小T的面板数据与横截面数据相比引入了时间序列维，并且与横截面分析相似，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尺寸。时间序列分析。
关于N大和T小的面板数据的出色著作是Wooldridge撰写的“横截面和面板数据的计量经济学分析”。这本书非常密集，每页上都有很多信息，因此您可能要从计量经济学入门书籍开始，然后首先阅读面板数据部分。
我不知道专门针对具有大T和小N的面板的书，但是有一本书叫做：“非平稳面板，面板协整和动态面板”，Baltagi编辑。