在社會科學(xué)研究和其它領(lǐng)域，研究數(shù)據(jù)經(jīng)常具有分層結(jié)構(gòu)。也就是說，研究中的單個主題會被分成影響該研究的不同的小組。這時，這些單個的研究主題就可以視作研究的Level-1單元，而它們所在的組就是Level-2單元，還可以進行進一步擴展：Level-2單元可以歸到第3個層次的單元組中，而Level-3單元也可以歸到第4個層次的單元組中。在教育領(lǐng)域，這種類型的示例非常豐富（學(xué)生在Level-1，教師在Level-2，學(xué)校在Level-3，學(xué)區(qū)在Level-4）。而在社會學(xué)領(lǐng)域（個人在Level-1，社區(qū)在Level-2）。很顯然，分析這種數(shù)據(jù)需要專業(yè)的軟件。分層線性和非線性模型（也稱為多層模型）的設(shè)計可以在一個研究中分析每一層次的關(guān)系，同時又不會忽略分層模型中各個層次間相關(guān)的可變性。

利用各層次中指定的變量，HLM可以將模型擬合到能夠生成具有解釋變量線性模型的結(jié)果變量中，而解釋變量會引起各個層次的變化。

HLM不僅可以估算各個層次的模型系數(shù)，還可以預(yù)測每一層中各采樣單元的隨機效應(yīng)。

因為教育領(lǐng)域的數(shù)據(jù)普遍具有分層結(jié)構(gòu)，所以HLM廣泛應(yīng)用于該領(lǐng)域。當然，它也可以用于其它具有分層結(jié)構(gòu)數(shù)據(jù)的研究領(lǐng)域。

這包括縱向分析。在這種分析中，個體重復(fù)性的測量數(shù)據(jù)可以嵌套在所研究的個體中。此外，盡管上述示例暗示在這個分層結(jié)構(gòu)的任意層次的成員都完全嵌套在某個更高層次的成員中，HLM也同樣可以處理交叉（crossed）的成員關(guān)系，并非只能處理嵌套關(guān)系。比如說，在整個學(xué)習(xí)期間，某學(xué)生可以是多個教室的成員。

HLM軟件可以處理連續(xù)、計數(shù)、序數(shù)和名義結(jié)果變量，并且在結(jié)果期望值和一系列解釋變量線性組合之間假定一個函數(shù)關(guān)系。這個關(guān)系通常由合適的關(guān)聯(lián)函數(shù)來定義。比如，identity關(guān)聯(lián)（連續(xù)的結(jié)果）或者logit關(guān)聯(lián)（二元結(jié)果）

在為多層數(shù)據(jù)和縱向數(shù)據(jù)建模方面，HLM 7具有空前的靈活性。和HLM 6一樣，HLM 7擁有一系列圖形化程序和residual文件（file）、計算速度快、集合穩(wěn)健、友好的用戶界面。此外，它還有三個全新的程序，可以處理二元、計數(shù)、序數(shù)和多項（名義）反應(yīng)變量，還可以處理normal-theory分層線性模型的連續(xù)反應(yīng)變量：

四層嵌套模型：

橫斷面數(shù)據(jù)的四層嵌套模型（比如，在不同學(xué)校不同教室不同學(xué)生的項目反應(yīng)）

縱向數(shù)據(jù)四層嵌套模型（比如，不同社區(qū)的不同人在不同時間點的項目）

四路交叉分類和嵌套混合：

在各個學(xué)校間不斷變換不同老師的學(xué)生的重復(fù)測量，或者是嵌套在按來源國和目標國進行交叉分類的移民的項目反應(yīng)。

同時居住在某特定社區(qū)并在特定學(xué)校讀書的人群的重復(fù)測量

具有依賴隨機效應(yīng)的分層模型：

依賴于空間的社區(qū)效應(yīng)

社會網(wǎng)絡(luò)互動

HLM 7的新功能還有，通過最大化Adaptive Gauss-Hermite（AGH）和高階Laplace近似值估算分層廣義線性模型。AGH非常適合群集數(shù)量（cluster size）小而方差分量大的情況。高階Laplace方法需要更大的群集（cluster）但是允許任意一個大數(shù)量的隨機效應(yīng)（群集數(shù)量很大時，這很重要）