HLM包括纵向分析，其中个体的重复测量可以嵌入在被研究的个体内。
HLM软件将模型拟合到生成变量的线性模型中，并利用每一级*的变量生成解释变量。HLM不仅估计每个层级的模型系数，还能预测每个取样单元的随机效应。由于在教育领域的数据层次结构普遍存在，所以在教育领域运用较为普遍，但实际上它适合于任何层次的结构研究领域的数据使用。包括纵向分析，其中个体的重复测量可以嵌入在被研究的个体内。另外，虽然上面的例子表明，这种层次结构的任何级别的成员只嵌套在较高级别的成员中，HLM还可以提供一种情况，成员关系不仅可以是“嵌套的”，也可以是“交叉的”，就像学生在学习期间可能是不同教室的成员一样。
HLM程序允许连续计数、序数和名义变量和假设结果的期望和一组解释变量的线性组合的函数关系。这种关系是由一个合适的链接函数定义的，例如，身份链接（连续结果）或logit链接（二进制结果）。
HLM大大的扩展了可以被评估的分层模型的范围.它同样提供了比先前版本更大的便利.下面是有关关键新特征和选项的综述。
HLM较新版本在建模多层次和纵向数据方面提供了**的灵活性。HLM功能的亮点包括三个新的进程，处理二进制、计数、序数和多项式（名义）的响应变量，以及连续响应变量的一般理论层次线性模型。
四级嵌套模型
四级嵌套模型的横截面数据，如学校教室内学生的项目反应模式。
纵向数据的四级模型，如在社区内人与人之间在时间点内的项目。
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。
HLM功能的亮点包括三个新的进程，处理二进制、计数、序数和多项式（名义）的响应变量，以及连续响应变量的一般理论层次线性模型。
HLM较新版本在建模多层次和纵向数据方面提供了**的灵活性。
HLM还可以提供一种情况，成员关系不仅可以是“嵌套的”，也可以是“交叉的”，就像学生在学习期间可能是不同教室的成员一样。
-/gjjiac/-
http://awen20.b2b168.com
