溫馨提示：需求數(shù)量不同，價(jià)格不同。請(qǐng)聯(lián)系我們，確認(rèn)當(dāng)前新的報(bào)價(jià)！
HLM是一款分層線性模型軟件，可以讀取大部分統(tǒng)計(jì)軟件的數(shù)據(jù)如 SPSS, SAS, SYSTAT及STATA等等。能處理多層次數(shù)據(jù)，并進(jìn)行線性和非線性的階層模型分析。
在社會(huì)研究和其他領(lǐng)域，研究數(shù)據(jù)通常具有等級(jí)結(jié)構(gòu)。也就是說，個(gè)體研究對(duì)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(zhì)。在這種情況下，個(gè)人可以被視為一級(jí)學(xué)習(xí)單元，他們被安排的組是二級(jí)單元。這可以進(jìn)一步擴(kuò)展，將第二級(jí)單元組織成第三級(jí)的另一組單元，將第三級(jí)單元組織成第四級(jí)的另一組單元。教育（1級(jí)學(xué)生，2級(jí)教師，3級(jí)學(xué)校和4級(jí)學(xué)區(qū)）和社會(huì)學(xué)（1級(jí)人員，2級(jí)社區(qū)）等領(lǐng)域的例子比比皆是。很明顯，對(duì)這些數(shù)據(jù)的分析需要專門的軟件。
HLM處理多層次數(shù)據(jù)，進(jìn)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(tǒng)計(jì)功能。比如對(duì)線性模型增加了交叉隨機(jī)效應(yīng)；對(duì)三層數(shù)據(jù)增加了多項(xiàng)式模型。該工具能處理多層次數(shù)據(jù)，進(jìn)行線性和非線性的階層模型分析。
HLM程序包能夠根據(jù)結(jié)果變量來產(chǎn)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(jì)每一層的模型系數(shù),也預(yù)測(cè)與每層的每個(gè)采樣單元相關(guān)的隨機(jī)因子(randomeffects).雖然HLM常用在教育學(xué)研究領(lǐng)域(該領(lǐng)域中的數(shù)據(jù)通常具有分層結(jié)構(gòu)),但它也適合用在其它任何具有分層結(jié)構(gòu)數(shù)據(jù)的領(lǐng)域.這包括縱向分析(longitudinalanalysis),在這種情況下,在個(gè)體被研究時(shí)的重復(fù)測(cè)量可能是嵌套(nested)的.另外,雖然上面的示例暗示在這個(gè)分層結(jié)構(gòu)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(guān)系為"交叉(crossed)",而非必須是"嵌套(nested)"的情況,在這種情況下,一個(gè)學(xué)生在他的整個(gè)學(xué)習(xí)期間可以是多個(gè)不同教室里的成員.
HLM程序包可以處理連續(xù),計(jì)數(shù),序數(shù)和名義結(jié)果變量(outcomevarible),及假定一個(gè)在結(jié)果期望值和一系列說明變量(explanatoryvariable)的線性組合之間的函數(shù)關(guān)系.這個(gè)關(guān)系通過合適的關(guān)聯(lián)函數(shù)來定義,例如identity關(guān)聯(lián)(連續(xù)值結(jié)果)或logit關(guān)聯(lián)(二元結(jié)果).
由于對(duì)多變量結(jié)果模型（如重復(fù)測(cè)量數(shù)據(jù)）的興趣增加，Jennrich&Schluchter（1986）和Goldstein（1995）的貢獻(xiàn)導(dǎo)致大多數(shù)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(jié)構(gòu)的情況。該方法還為研究人員提供了擬合潛變量模型的機(jī)會(huì)（Raudenbush&Bryk，2002），其中層次結(jié)構(gòu)的級(jí)表示易錯(cuò)的，觀察到的數(shù)據(jù)與潛在的“真實(shí)”數(shù)據(jù)之間的關(guān)聯(lián)。
HLM：
適用于具有連續(xù)、計(jì)數(shù)、序數(shù)和名義結(jié)果變量的二、三和四級(jí)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(jié)構(gòu)。
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(guān)隨機(jī)效果（空間設(shè)計(jì)模型）擬合層次模型。
能夠以完全自動(dòng)化的方法從不完整數(shù)據(jù)中估計(jì)HLM，該方法從不完整數(shù)生成和分析多個(gè)插補(bǔ)數(shù)據(jù)集。該模型是完全多元的，使分析員能夠通過輔助變量加強(qiáng)插補(bǔ)。
包括適合固定截距和隨機(jī)系數(shù)（FIRC）的靈活組合的選項(xiàng)，現(xiàn)在HLM2、HLM3、HLM4、HCM2和HCM3中都包含了該選項(xiàng)、
能夠分析多重插補(bǔ)/似然值數(shù)據(jù)。
有一個(gè)適合V-已知型號(hào)的選項(xiàng)。
基于數(shù)據(jù)的繪圖
HLM提供數(shù)據(jù)和基于模型的繪圖選項(xiàng)?；跀?shù)據(jù)的繪圖選項(xiàng)包括特定于組的散點(diǎn)圖、折線圖和三次樣條曲線，它們可以按預(yù)測(cè)變量的值進(jìn)行顏色編碼；為整體數(shù)據(jù)顯示方框圖，并將數(shù)據(jù)分組到更別的單位中。
箱線圖，可用于顯示每個(gè)二級(jí)單元的一級(jí)變量的單變量分布，有無二級(jí)分類變量。
直線圖，其中，例如，1級(jí)重復(fù)測(cè)量觀察值由直線連接，以描述研究過程中隨時(shí)間的變化或發(fā)展。
散點(diǎn)圖，可用于探索單個(gè)或一組二級(jí)單位的一級(jí)變量之間的二元關(guān)系，無論是否控制二級(jí)變量。
HLM8的新功能
從不完整的數(shù)據(jù)估計(jì)HLM
在HLM8中，增加了從不完整數(shù)據(jù)估計(jì)HLM的能力。這是一種完全自動(dòng)化的方法，可以生成和分析來自不完整數(shù)據(jù)的多重推算數(shù)據(jù)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(qiáng)估算，這意味著用戶指定HLM程序自動(dòng)搜索數(shù)據(jù)以發(fā)現(xiàn)哪些變量具有缺失值，然后估計(jì)多變量分層線性模型（“插補(bǔ)模型”），其中具有遺漏值的所有變量在具有完整數(shù)據(jù)的所有固定截距和隨機(jī)系數(shù)的靈活組合。
固定截距和隨機(jī)系數(shù)的靈活組合
HLM8的另一個(gè)新特性是固定截距和隨機(jī)系數(shù)（FIRC）的靈活組合現(xiàn)在包含在HLM2，HLM3，HLM4，HCM2和HCM3中。多級(jí)因果研究中可能出現(xiàn)的一個(gè)問題是隨機(jī)效應(yīng)可能與治療分配相關(guān)。例如，假設(shè)治療是非隨機(jī)分配給嵌套在學(xué)校內(nèi)的學(xué)生，如果隨機(jī)截距與治療效果相關(guān)，則估計(jì)具有隨機(jī)學(xué)校截距的兩級(jí)模型將產(chǎn)生偏差，傳統(tǒng)的策略是為學(xué)校指定固定效應(yīng)模型。然而，這種方法假設(shè)均勻的治療效果，可能導(dǎo)致對(duì)平均治療效果的偏倚估計(jì)，不正確的標(biāo)準(zhǔn)誤差和不適當(dāng)?shù)慕忉?。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(jī)系數(shù)相結(jié)合，并促進(jìn)更豐富的總結(jié)，包括對(duì)治療效果變化的估計(jì)和單位特定治療效果的經(jīng)驗(yàn)貝特斯估計(jì)，這種方法在Bloom，Raudenbush，Weiss和Porter（2017）中提出。
HLM 8.2更新列表：
具有標(biāo)量tau的2級(jí)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(jié)果變量
已解決在交叉嵌套模型中添加交互項(xiàng)的錯(cuò)誤
一個(gè)在非常大的數(shù)據(jù)集中加權(quán)的錯(cuò)誤已得到修復(fù)
修正和改進(jìn)了固定截距隨機(jī)系數(shù)（FIRC）模型實(shí)現(xiàn)
【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).
