因为看到了更多的数据间的变化 可以帮助你更好的识别模型 这里举两个例子 第一个例子是例如你看到静态面板数据中产品的价格y特别高 如果你用x和y进行回归（不考虑外生性的条件下） 可能会得出某x升高导致了市场y的升高 但是实际上真正导致y升高的原因可能只是你看到的数据中的那件某个市场y产品普遍短缺造成价工业沙盘模型格偏高 在动态面板的时候上一期的价格就自然而然成为了一个合理的IV帮助我们过滤此类信息扰动。

    第二个例子是 很多时候我们的决策比如说y变量 并非每一期独立的 例如我们这一期决定自己是否更换车辆 实际上也取决于我上一期 的决定 和我可以预测到的下一期的决定 做决定的本身 和我处在哪一期也是息息相关的 （工业沙盘模型退休的决定是另一个典型的例子） 这个时候静态面板数据显然就不适合用于识别此类计量模型。