溫馨提示：需求數量不同，價格不同。請聯系我們，確認當前新的報價！
HLM是一款分層線性模型軟件，可以讀取大部分統計軟件的數據如 SPSS, SAS, SYSTAT及STATA等等。能處理多層次數據，并進行線性和非線性的階層模型分析。
在社會研究和其他領域，研究數據通常具有等級結構。也就是說，個體研究對象可以被分類或安排成組，這些組本身具有影響研究的品質。在這種情況下，個人可以被視為一級學習單元，他們被安排的組是二級單元。這可以進一步擴展，將第二級單元組織成第三級的另一組單元，將第三級單元組織成第四級的另一組單元。教育（1級學生，2級教師，3級學校和4級學區）和社會學（1級人員，2級社區）等領域的例子比比皆是。很明顯，對這些數據的分析需要專門的軟件。
HLM處理多層次數據，進行線性和非線性的階層模型分析。在HLM中，不僅改善了原有的界面，而且增加了新的統計功能。比如對線性模型增加了交叉隨機效應；對三層數據增加了多項式模型。該工具能處理多層次數據，進行線性和非線性的階層模型分析。
HLM程序包能夠根據結果變量來產生帶說明變量(expllanatoryvariable,利用在每層指定的變量來說明每層的變異性)的線性模型.HLM不僅僅估計每一層的模型系數,也預測與每層的每個采樣單元相關的隨機因子(randomeffects).雖然HLM常用在教育學研究領域(該領域中的數據通常具有分層結構),但它也適合用在其它任何具有分層結構數據的領域.這包括縱向分析(longitudinalanalysis),在這種情況下,在個體被研究時的重復測量可能是嵌套(nested)的.另外,雖然上面的示例暗示在這個分層結構的任意層次上的成員(除了處于高層次的)是嵌套(nested)的,HLM同樣可以處理成員關系為"交叉(crossed)",而非必須是"嵌套(nested)"的情況,在這種情況下,一個學生在他的整個學習期間可以是多個不同教室里的成員.
HLM程序包可以處理連續,計數,序數和名義結果變量(outcomevarible),及假定一個在結果期望值和一系列說明變量(explanatoryvariable)的線性組合之間的函數關系.這個關系通過合適的關聯函數來定義,例如identity關聯(連續值結果)或logit關聯(二元結果).
由于對多變量結果模型（如重復測量數據）的興趣增加，Jennrich&Schluchter（1986）和Goldstein（1995）的貢獻導致大多數可用的分層線性建模程序中包含多變量模型。這些模型允許研究人員研究層次低層的方差可以采用各種形式/結構的情況。該方法還為研究人員提供了擬合潛變量模型的機會（Raudenbush&Bryk，2002），其中層次結構的級表示易錯的，觀察到的數據與潛在的“真實”數據之間的關聯。
HLM：
適用于具有連續、計數、序數和名義結果變量的二、三和四級模型。
能夠擬合多變量模型，在這種模型中，低層次的方差可以采用多種形式/結構。
為橫截面和縱向模型以及四向交叉分類和嵌套混合模型提供了三層和四層嵌套模型的選擇。
允許使用相關隨機效果（空間設計模型）擬合層次模型。
能夠以完全自動化的方法從不完整數據中估計HLM，該方法從不完整數生成和分析多個插補數據集。該模型是完全多元的，使分析員能夠通過輔助變量加強插補。
包括適合固定截距和隨機系數（FIRC）的靈活組合的選項，現在HLM2、HLM3、HLM4、HCM2和HCM3中都包含了該選項、
能夠分析多重插補/似然值數據。
有一個適合V-已知型號的選項。
基于數據的繪圖
HLM提供數據和基于模型的繪圖選項?；跀祿睦L圖選項包括特定于組的散點圖、折線圖和三次樣條曲線，它們可以按預測變量的值進行顏色編碼；為整體數據顯示方框圖，并將數據分組到更別的單位中。
箱線圖，可用于顯示每個二級單元的一級變量的單變量分布，有無二級分類變量。
直線圖，其中，例如，1級重復測量觀察值由直線連接，以描述研究過程中隨時間的變化或發展。
散點圖，可用于探索單個或一組二級單位的一級變量之間的二元關系，無論是否控制二級變量。
HLM8的新功能
從不完整的數據估計HLM
在HLM8中，增加了從不完整數據估計HLM的能力。這是一種完全自動化的方法，可以生成和分析來自不完整數據的多重推算數據集。該模型是完全多變量的，使分析師能夠通過輔助變量加強估算，這意味著用戶指定HLM程序自動搜索數據以發現哪些變量具有缺失值，然后估計多變量分層線性模型（“插補模型”），其中具有遺漏值的所有變量在具有完整數據的所有固定截距和隨機系數的靈活組合。
固定截距和隨機系數的靈活組合
HLM8的另一個新特性是固定截距和隨機系數（FIRC）的靈活組合現在包含在HLM2，HLM3，HLM4，HCM2和HCM3中。多級因果研究中可能出現的一個問題是隨機效應可能與治療分配相關。例如，假設治療是非隨機分配給嵌套在學校內的學生，如果隨機截距與治療效果相關，則估計具有隨機學校截距的兩級模型將產生偏差，傳統的策略是為學校指定固定效應模型。然而，這種方法假設均勻的治療效果，可能導致對平均治療效果的偏倚估計，不正確的標準誤差和不適當的解釋。HLM7允許分析人員在解決這些問題的模型中將固定截距與隨機系數相結合，并促進更豐富的總結，包括對治療效果變化的估計和單位特定治療效果的經驗貝特斯估計，這種方法在Bloom，Raudenbush，Weiss和Porter（2017）中提出。
HLM 8.2更新列表：
具有標量tau的2級模型的輪廓似然圖已添加到程序中。此新功能適用于全部類型的結果變量
已解決在交叉嵌套模型中添加交互項的錯誤
一個在非常大的數據集中加權的錯誤已得到修復
修正和改進了固定截距隨機系數（FIRC）模型實現
【英文介紹】
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).
