什么是合并時間序列（pooled time series）？正如字面上所表達的，時間序列（在一個分析單位下規(guī)律出現(xiàn)的具有時間性的觀測值）由橫截面數(shù)據(jù)（cross-sections）（在單獨時間點上一個分析單位下的觀測值）組成的一個數(shù)據(jù)集。這些分析單位可以是學校、健康組織、商業(yè)交易、城市、國家等。為什么需要進行合并分析呢？其中一個原因在于，當下研究者可以獲得越來越多的相關橫截面數(shù)據(jù)與時間序列數(shù)據(jù)。另外一個原因在于，將時間序列數(shù)據(jù)與橫截面數(shù)據(jù)合并可以顯著地擴大樣本量，這使之前顯得棘手的分析問題變?yōu)榭赡堋?br />舉一個簡單的例子。布魯姆（Broom）教授希望使用一個包含20個美國城市的數(shù)據(jù)來解釋財產(chǎn)犯罪率的變化情況。她提出下面的模型：

C = b_1 U b_2 L b_3 R e

其中C = 城市財產(chǎn)犯罪率，U=失業(yè)率，R=區(qū)域位置，所有的變量都包含15年中每一年的觀測值。假設經(jīng)典回歸的假設都被滿足，那么布魯姆可對以上等式進行15次最小二乘（OLS）估計（每一年的橫截面數(shù)據(jù)一次）。然后，她可以再運用20次OLS（每一個城市的時間序列一次）�；蛘撸�假設所有的參數(shù)（、b_1、b_2和b_3）都在時間與空間上恒定，她便可以簡單地將所有觀測值合并進而僅僅只計算一個回歸。這個簡潔的步驟可以將樣本量N增加至300，同時也可以在很大程度上提高估計的統(tǒng)計有效性。
這種對OLS的應用與塞耶斯（Sayrs）博士所命名的合并分析的恒定系數(shù)模型（constant coefficients model）是一致的。此處最大的困難在于恒定參數(shù)的假設難以被滿足。假設較易滿足的一個模型是最小二乘虛擬變量模型（least squares dummy variable model）[有時它也被稱作協(xié)方差模型（covariance model）]。該模型允許截距隨時間以及橫截面變化。同樣地，這里的虛擬變量不具備實質性意義，它們極大地減少了自由度以及與此對應的統(tǒng)計解釋力。一個可能的替代是誤差成分模型（error components model）[塞耶斯教授也將其稱為隨機系數(shù)模型（random coefficient model）]。這個模型明確地將橫截面上的與時間序列上的誤差都考慮了進去。然而，在滯后因變量（lagged dependent variable）在等式右側或者是等式嵌套在一個更大的聯(lián)立方程組（simultaneous-equation system）的情況下，不可以這里所需要的加權最小二乘類型的估計（weighted least squares type-estimation）。此外，當嚴重的時間序列相關存在時，誤差假設往往被極大地削弱。為了超越誤差成分模型的局限性，塞耶斯教授提出了一個結構方程模型（structural equation model）。她以對合并時間序列分析下的估計函數(shù)穩(wěn)健性的評論總結全書。

邁克爾·S. 劉易斯-貝克