如果您可以在任何时间精度水平上测量观测值的时间序列，并且您的研究目标是确定X和Y之间的关系，那么是否有任何经验依据来选择特定级别的聚合而不是另一种聚合？该选择是否仅基于理论和/或实际限制？
对于这个主要问题，我有三个子问题：
X或Y在较大级别内的任何非随机变化是否足以选择较小级别的聚合（其中非随机是观测的任何时间模式）？
X和Y之间的关系在较小聚合级别上的任何变化是否足以证明较小分析单位的合理性？如果某种变化是可以接受的，那么如何决定多少变化太大呢？
人们是否可以引用出于经验原因或理论原因而认为一种分析单位比另一分析单位引人注目的/定义明确的论点？
我很清楚空间分析中的可修改面积单位问题（Openshaw 1984）。我并没有声称自己是该材料的专家，但是到目前为止，我只想认为较小的分析单位总是更好，因为人们不太可能犯生态谬论（Robinson 1950）。如果您有一个有关汇总地理单位的直接相关参考或答案，我也将不胜感激。
Answers:
介绍
我现在对该主题的兴趣大约是7年，并产生了博士学位论文的时间序列：聚集，分解和长记忆，其中重点关注了AR（1）方案的截面分解问题。
数据
使用不同的聚合方法，您需要澄清的第一个问题是要处理的数据类型（我的猜测是空间数据，最令人兴奋的一个）。在实践中，您可以考虑时间聚集（请参见Silvestrini，A.和Veridas，D.（2008）），横截面（我喜欢Granger，CWJ（1990）的文章）或时间和空间（空间聚集得到了很好的调查）见Giacomini，R.和Granger，CWJ（2004））。
答案（冗长）
现在，在回答您的问题时，我先提出一些直觉。由于我在实践中遇到的问题通常基于不准确的数据（Andy的假设
您可以在任何时间精度级别上测量时间序列的观测值
对于宏观计量经济学来说似乎太强大了，但是对于金融和微观计量经济学或任何实验领域都非常有用，如果您确实很好地控制了精度）年度数据。除了更频繁的时间序列（至少在宏观经济学中）确实具有季节模式，这可能导致虚假的行为。结果（季节性部分确实与序列不相关），因此您需要季节性调整数据-对于更高频率的数据，另一个精度较低的来源。处理横截面数据表明，高级别的分解会带来更多的问题，可能要处理很多零。例如，数据面板中的特定家庭可能每5-10年购买一次汽车，但是对新（二手）汽车的总需求要平稳得多（即使是在小镇或地区）。
该最弱的点聚集总是导致信息丢失，您可能拥有整个十年（例如2001-2010年）期间欧盟国家/地区横截面产生的GDP，但是考虑到详细的面板数据集，您将失去分析中可能出现的所有动态特征。大规模的横截面聚合可能会变得更加有趣：您大致采用简单的事物（短内存AR（1））将它们在相当大的总体上平均，然后获得“代表性”的长存储代理，该代理与任何微型存储都不相似。单位（代表代理的概念再加上一块石头）。因此，聚集〜信息丢失〜对象的不同属性，您希望控制这种丢失和/或新属性的级别。我认为，最好以尽可能高的频率获得精确的微液位数据，但是...
从技术上讲，进行任何回归分析时，您确实都需要更多的空间（自由度）以（或至少）在统计上确信您的结果不是垃圾，尽管它们仍然可能是a理论上的和垃圾的：）问题1和2的权重（通常选择季度数据进行宏观分析）。回答第三个子问题，您在实际应用中将决定对您而言更重要的是：更精确的数据或自由度。如果考虑到上述假设，则更详细（或频率更高）的数据是可取的。
答案可能会在经过某种讨论后再进行编辑。