你的意思是说：如果是pooling,NT个样本全部是iid抽样得到的，如果是panel，NT个样本在每个截面是iid的，但是每个个体在截面和截面之间是correlated的。我觉得你关于pooling的理解是没什么问题的，关于panel则说的不是很精确。

我们可以考虑用更精确的语言来理解这个问题，panel data有一个error component的结构：u_it=v_i+e_it，其中error term e_it是完全随机的，而individual effect: v_i是不是完全随机的，则取决于你是用fixed effect还是random effect，如果是random effect，我们会假设v_i和X_i是不相关的，这种情况下直接用OLS可以得到一致的估计量，但是不够有效，标准差需要进行cluster-robust调整，或直接采用GLS来估计。如果是fixed effect，那么v_i和X_i是相关的，这时候用OLS估计就是不一致的，必须要采用fixed effect来估计。

而至于pooling，则根本不考虑存在individual effect，直接用OLS就OK了。

最后请教你一个问题，如果你观测2000个家庭，一共观测了两年（紧挨着的），你现在想要估计教育年限对于收入的影响，请问你是应该把这4000个观测点看成是pooling呢，还是看成panel data？

多谢Remlus老师指点。作业汇报如下：无论2000样本如何选，这种情况用pooling都不好。因为pooling会整没了fixed变量，造成有偏。除非弄一个超完备的自变量集。

请指正。

晕，你不要这么客气，我不是知道答案再问你的，我确实不太清楚啊。这种教育的情况是比较极端的了，但我经常遇到那种变量，你说它随时间有变化吧它变化不大，没变化吧它不管怎么说又确实有一点，譬如说企业的资本结构，每个企业的资本结构随时间变化不大是比较稳定的，但这又恰恰说明很可能有比较强的个体效应存在，这时候你用fixed effect你的组内变化太小，估计不出什么东西来，似乎只能用random effect或者是pooling了，但是randome effect也好pooling也好，都要求v_i和X_i是不相关的，这一般又不能满足。所以我的观点是，如果你要用panel做，碰到上述这种问题，要么你期数多一点，这样用fixed effect也能有比较大的组内变化，如果期限短，除非有明显的外生冲击譬如政策冲击，导致这个变量随时间发生很大变化，否则就意义不大，不如直接做pooling或者对截面回归，pooling相对于截面回归唯一的好处就是样本观测值多一点，这时候可能不得不去寻找横截面意义上的工具变量，当然也很难找。

没有哪本书上明确说过该怎么做，这只是我自己的一点看法，请指正。