橫截面數據 cross sectional data
橫截面數據是在同一時間，不同統計單位相同統計指標組成的數據列。橫截面數據是按照統計單位排列的。因此，橫截面數據不要求統計對象及其范圍相同，但要求統計的時間相同。也就是說必須是同一時間截面上的數據。
時間序列數據 time-series data
在不同時間點上收集到的數據，這類數據反映了某一事物、現象等隨時間的變化狀態或程度。
面板數據：
是截面數據與時間序列數據綜合起來的一種數據類型。其有時間序列和截面兩個維度，當這類數據按兩個維度排列時，是排在一個平面上，與只有一個維度的數據排在一條線上有着明顯的不同，整個表格像是一個面板,所以把panel data譯作“面板數據”。
舉例：
如：城市名：北京、上海、重慶、天津的GDP分別為10、11、9、8（單位億元）。這就是截面數據，在一個時間點處切開，看各個城市的不同就是截面數據。
如：2000、2001、2002、2003、2004各年的北京市GDP分別為8、9、10、11、12（單位億元）。這就是時間序列，選一個城市，看各個樣本時間點的不同就是時間序列。
如：2000、2001、2002、2003、2004各年中國所有直轄市的GDP分別為：
北京市分別為8、9、10、11、12；
上海市分別為9、10、11、12、13；
天津市分別為5、6、7、8、9；
重慶市分別為7、8、9、10、11（單位億元）。
這就是面板數據。
方差分析主要有三種模型：即固定效應模型（fixed effects model），隨機效應模型（random effects model），混合效應模型（mixed effects model）。
固定效應模型（fixed effects model），即固定效應回歸模型，簡稱FEM，是一種面板數據分析方法。它是指實驗結果只想比較每一自變項之特定類目或類別間的差異及其與其他自變項之特定類目或類別間交互作用效果，而不想依此推論到同一自變項未包含在內的其他類目或類別的實驗設計。固定效應回歸是一種空間面板數據中隨個體變化但不隨時間變化的一類變量方法。
固定效應模型可分為三類：
（1）個體固定效應模型：個體固定效應模型是對於不同的時間序列（個體）只有截距項不同的模型：
從時問和個體上看，面板數據回歸模型的解釋變量對被解釋變量的邊際影響均是相同的，而目除模型的解釋變量之外，影響被解釋變量的其他所有（未包括在回歸模型或不可觀測的）確定性變量的效應只是隨個體變化而不隨時間變化。
（2）時點固定效應模型：時點固定效應模型就是對於不同的截面（時點）有不同截距的模型。如果確知對於不同的截面，模型的截距顯著不同，但是對於不同的時間序列（個體）截距是相同的，那么應該建立時點固定效應摸型：
（3）時點個體固定效應模型：時點個體固定效應模型就是對於不同的截面（時點）、不同的時間序列（個體）都有不同截距的模型。如果確知對於不同的截面、不同的時間序列（個體）模型的截距都顯著不相同，那么應該建立時點個體固定效應模型：
與隨機模型的比較
FEM：假設所有納入的研究擁有共同的真實效應量，或者除了隨機誤差外，所觀察效應量均為真實效應量。如比較對糖尿病黃斑水腫（DME）的抗血管內皮生長因子（Anti-VEGF）葯物中aflibercept與bevacizumab療效，除了葯物自身療效外，其他患者背景、葯物使用情況及測量結局的工具等均“一致”，每個研究的觀察效應量差別僅僅是由於抽樣誤差引起，也就是說，每個研究的觀察效應量就“等於”其真實效應量。Cochrane Handbook已明確指出，當異質性小於40%，建議采用FEM進行Meta合並，因此，FEM對各研究背景較為苛刻，僅適用於“理想化”研究背景。
REM：如上所述，FEM中假設所有研究的真實效應量是相同的，但在大多數的系統評價和Meta分析中這是很難實現的。因為研究的對象很難保存同質性，所以在REM中的真實效應量會隨着不同的研究所改變，例如一個研究的效應量可能比擁有不同年齡、教育背景、健康程度等參與者的研究的效應量更高或更低，所以真實效應量的大小不僅取決於樣本的抽樣誤差，還取決於參與者或研究對象以及進行的干預措施等，也可稱其為異質性。
判斷面板數據是固定模型還是隨機模型要用hausman檢驗。
再粘一個知乎的回答
固定效應相當於比如你有兩組數據 組A和組B 分別是兩組時間序列的數 然后固定效應就是要把組A和組B加一個名義變量 然后我們在考察影響的時候要利用這個名義變量減去各個組的影響。相當於把組間差距去掉 再進行分析
https://www.zhihu.com/question/47380734
