HLM是一款分层线性模型软件
，能够读取大部门统计软件的数据如 SPSS, SAS, SYSTAT及STATA等等。能处置多档次数据
，并进行线性和非线性的阶级模型分析。

?

在社会钻研和其他领域
，钻研数据通常拥有等级结构。也就是说
，个别钻研对象能够被分类或铺排成组
，这些组自身拥有影响钻研的品质。在这种情况下
，幼我能够被视为一级进建单元
，他们被铺排的组是二级单元。这能够进一步扩大
，将第二级单元组织成第三级的另一组单元
，将第三级单元组织成第四级的另一组单元。教育（1级学生
，2级老师
，3级学堂和4级学区）和社会学（1级人员
，2级社区）等领域的例子好多。

?

HLM处置多档次数据
，进行线性和非线性的阶级模型分析。在HLM中原有的界面
，增长了新的统计职能。好比对线性模型增长了交叉随机效应；对三层数据增长了多项式模型。该工具能处置多档次数据
，进行线性和非线性的阶级模型分析。

?

HLM法式包可能凭据了局变量来产生带注明变量(expl lanatory variable,利用在每层指定的变量来注明每层的变异性)的线性模型。HLM不仅仅估计每一层的模型系数
，也预测与每层的采样单元有关的随机因子(random effects)。固然HLM常用在教育学钻研领域(该领域中的数据通常拥有分层结构)
，但它也适合用在拥有分层结构数据的领域。这蕴含纵向分析( longitudinal analysis)
，在这种情况下
，在个别被钻研时的沉复丈量可能是嵌套(nested)的。另表
，固然上面的示例暗示在这个分层结构的肆意档次上的成员(除了处于高档次的)是嵌套(nested)的
，HLM同样能够处置成员关系为"交叉(crossed)"
，而非是"嵌套(nested)"的情况
，在这种情况下
，学生在他的整个进建期间可所以多个分歧教室里的成员。

?

HLM法式包能够处置陆续
，计数
，序数和名义了局变量(outcome varible)
，及假定在了局进展值和一系列注明变量(explanatory variable)的线性组合之间的函数关系。这个关系通过相宜的关联函数来界说
，例如identity关联(陆续值了局)或logit关联(二元了局)。

?

由于对多变量了局模型（如沉复丈量数据）的兴致增长
，Jennrich&Schluchter（1986）和Goldstein（1995）的贡献导致大无数可用的分层线性建模法式中蕴含多变量模型。这些模型允许钻研人员钻研档次低层的方差能够选取大局/结构的情况。该步骤还为钻研人员提供了拟合潜变量模型的机遇（Raudenbush&Bryk
，2002）
，其中档次结构的暗示易错的
，观察到的数据与潜在的“真实”数据之间的关联。

?

HLM：

• 合用于拥有陆续、计数、序数和名义了局变量的二、三和四级模型。

• 可能拟合多变量模型
  ，在这种模型中
  ，低档次的方差能够选取多种大局/结构。

• 为横截面和纵向模型以及四向交叉分类和嵌套混合模型提供了三层和四层嵌套模型的选择。

• 允许使用有关随机成效（空间设计模型）拟合档次模型。

• 可能以自动化的步骤从不全数据中估计HLM
  ，该步骤从不全数天生和分析多个插补数据集。该模型是多元的
  ，使分析员可能通过辅助变量加强插补。

• 适合固定截距和随机系数（FIRC）的组合的选项
  ，此刻HLM2、HLM3、HLM4、HCM2和HCM3中都蕴含了该选项

• 可能分析多沉插补/似然值数据。

• 有一个适合V-已知型号的选项。

?

基于数据的画图

HLM提供数据和基于模型的画图选项；谑莸幕佳∠钤毯榈纳⒌阃肌⒄巯咄己腿窝跚
，它们能够按预测变量的值进行色彩编码；为整体数据显示方框图
，并将数据分组到更高的单元中。

?

箱线图
，可用于显示二级单元的一级变量的单变量散布
，有无二级分类变量。

直线图
，其中
，例如
，1级沉复丈量观察值由直线衔接
，以描述钻研过程中随功夫的变动或发展。

散点图
，可用于索求单个或一组二级单元的一级变量之间的二元关系
，是否节造二级变量。

?

HLM 8的新职能

从不全的数据估计HLM

在HLM 8中
，增长了从不全数据估计HLM的能力。这是一种自动化的步骤
，能够天生和分析来自不全数据的多沉推算数据集。该模型是多变量的
，使分析师可能通过辅助变量加强估算
，这意味着用户指定HLM法式自动搜索数据以发现哪些变量具出缺失值
，而后估计多变量分层线性模型（“插补模型”）
，其中拥有遗漏值中的变量在具罕见据的固定截距和随机系数的组合。

?

固定截距和随机系数的组合

HLM 8另一个新职能是固定截距和随机系数（FIRC）的组合此刻蕴含在HLM2
，HLM3
，HLM4
，HCM2和HCM3中。多级因果钻研中可能出现的问题是随机效应可能与医治分配有关。例如
，如果医治长短随机分配给嵌套在学堂内的学生
，若是随机截距与医治成效有关
，则估计拥有随机学堂截距的两级模型将产生误差
，传统的战术是为学堂指定固定效应模型。然而
，这种步骤如果均匀的医治成效
，可能对均匀医治成效的偏倚估计
，不正确的尺度误差和不适当的诠释。HLM 8允许分析人员在解决这些问题的模型中将固定截距与随机系数相结合
，并推进更好的总结
，蕴含对医治成效变动的估计和单元医治成效的经验贝特斯估计
，这种步骤在Bloom
，Raudenbush
，Weiss和Porter（2017）中提出。

?

HLM 8.2更新列表：

拥有标量tau的2级模型的概括似然图已增长到法式中。此新职能合用于全数类型的了局变量

已解决在交叉嵌套模型中增长交互项的谬误

一个在极度大的数据集中加权的谬误已得到建复

建改和改进了固定截距随机系数（FIRC）模型实现

?

英文介绍

?

In social research and other fields, research data often have a hierarchical structure. That is, the individual subjects of study may be classified or arranged in groups which themselves have qualities that influence the study. In this case, the individuals can be seen as level-1 units of study, and the groups into which they are arranged are level-2 units. This may be extended further, with level-2 units organized into yet another set of units at a third level. Examples of this abound in areas such as education (students at level 1, schools at level 2, and school districts at level 3) and sociology (individuals at level 1, neighborhoods at level 2). It is clear that the analysis of such data requires specialized software. Hierarchical linear and nonlinear models (also called multilevel models) have been developed to allow for the study of relationships at any level in a single analysis, while not ignoring the variability associated with each level of the hierarchy.

The HLM program can fit 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 preva lence 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. In addition, although the examples above implies that members of this hierarchy at any of the levels are nested exclusively within a member at a higher level, HLM can also provide for a situation where membership is not necessarily "nested", but "crossed", as is the case when a student may have been a member of various classrooms during the duration of a study period.
?

The HLM program allows for continuous, count, ordinal, and nominal outcome variables and assumes a functional relationship between the expectation of the outcome and a linear combination of a set of explanatory variables. This relationship is defined by a suitable link function, for example, the identity link (continuous outcomes) or logit link (binary outcomes).