El nombres se aplican en gran medida en función de las características estructurales del conjunto de datos. Citando a @JeromyAnglim respuesta allí:
Si pensamos en diseños formados por $n$ casos medidos en $k$ ocasiones, entonces la siguiente definición suelta me parece descriptiva de la distinción:
- diseños longitudinales: alto $n$ , baja $k$
- serie temporal: baja $n$ , alto $k$
A estas dos posibilidades, podemos añadir sección transversal conjuntos de datos. Sólo tienen una ocasión de medición por caso (es decir, $k=1$ pero $N>1$ y espero que sea razonablemente grande).
Sin embargo, no cabe duda de que debemos tener en cuenta esas características al analizar los datos, independientemente de cómo los llamemos. El aspecto clave desde el punto de vista estadístico es que los datos longitudinales/de series temporales no son independientes, mientras que los datos transversales pueden serlo. Si no se tiene en cuenta la no independencia existente, cualquier inferencia será inválida (por ejemplo, los intervalos de confianza pueden ser demasiado estrechos).
- Si tiene datos transversales, los análisis estándar de nivel estadístico 101 (por ejemplo, un $t$ -test), se puede aplicar.
- Si tiene datos de series temporales ( $n=1$ , grande $k$ ), los analistas suelen utilizar ARIMA métodos para identificar los términos autorregresivos, integradores y de media móvil.
- Con datos longitudinales ( $k>1$ pero pequeño), no suele haber suficiente información para estimar los términos ARIMA. En su lugar, la gente suele utilizar modelos de efectos mixtos .
