在社会研究等领域，研究数据往往具有层次结构。也就是说，单独研究的课题可能会被分类或重新划分到具有不同特性的组中。在这种情况下，个体可以被看成是研究的**层(level-1)单元，而那些区分开他们的组也就是*二层(level-2)单元。这可以被进一步的延伸，*二层(level-2)的单元也可以被划分到*三层单元中，*三层（level-3）单元的也可以划分到*四层单元中。这方面的例子比比皆是，比如教育，学生在**层，教师在*二层，学院在*三层，学院部门在*四层，和社会学，个人在**层，社区在*二层。显然，对这些数据的分析需要专门的软件。分层线性和非线性模型(即所谓的多层次模型)已经被用来研究单个分析中的任意层次间的关系，而不忽略与层次结构的每一级相关的可变性。
HLM还提供了估计分层广义线性模型的自适应Gauss-Hermite Quadrature (AGH)和
高阶拉普拉斯Laplace近似较大似然法。AGH的方法已经被证明是有效的，尤其当集群规模小，方差分量大的时候。高阶Laplace方法需要较大的集群大学，但允许任意数量的随机效应（当集群较大时非常重要）。
HLM还提供了估计分层广义线性模型的自适应Gauss-Hermite Quadrature (AGH)和
高阶拉普拉斯Laplace近似较大似然法。AGH的方法已经被证明是有效的，尤其当集群规模小，方差分量大的时候。高阶Laplace方法需要较大的集群大学，但允许任意数量的随机效应（当集群较大时非常重要）。
HLM还提供了估计分层广义线性模型的自适应Gauss-Hermite Quadrature (AGH)和
高阶拉普拉斯Laplace近似较大似然法。AGH的方法已经被证明是有效的，尤其当集群规模小，方差分量大的时候。高阶Laplace方法需要较大的集群大学，但允许任意数量的随机效应（当集群较大时非常重要）。
HLM新版本的输出，为统计模型提供优雅的符号，包括视觉上有吸引力的表格、用户可以剪切和复制输出内容到结果中。
HLM fits models to outcome variables that generate a linear model with explanatory variables that account for variations at each level, utilizing variables specified at each level. HLM not only estimates model coefficients at each level, but it also predicts the random effects associated with each sampling unit at every level. While commonly used in education research due to the prevalence of hierarchical structures in data from this field, it is suitable for use with data from any research field that have a hierarchical structure. This includes longitudinal analysis, in which an individual's repeated measurements can be nested within the individuals being studied.
四路交叉分类和嵌套混合
对学生在学校内随时间推移，教师的重复措施，或在**中嵌套项目反应，根据原籍国和目的地进行交叉分类。
对同时居住在某一特定地区并参加某一学校的人的重复措施。
相依随机效应的递阶模型
空间相关邻域效应
社交网络互动
HLM还提供了估计分层广义线性模型的自适应Gauss-Hermite Quadrature (AGH)和
高阶拉普拉斯Laplace近似较大似然法。AGH的方法已经被证明是有效的，尤其当集群规模小，方差分量大的时候。高阶Laplace方法需要较大的集群大学，但允许任意数量的随机效应（当集群较大时非常重要）。
HLM新版本的输出，为统计模型提供优雅的符号，包括视觉上有吸引力的表格、用户可以剪切和复制输出内容到结果中。
-/gjiiih/-
http://turntech8843.b2b168.com
