☆ 1、如有部分內容理解不透或消化不好，可免費在以后培訓班中重聽；
      ☆ 2、在課程結束之后,授課老師會留給學員手機和E-mail,免費提供半年的課程技術支持，以便保證培訓后的繼續消化；
      ☆3、合格的學員可享受免費推薦就業機會。
      ☆4、合格學員免費頒發相關工程師等資格證書，提升您的職業資質。

• HLM是分層線性模型軟件，新版本為Version 8，適用于Windows 64 bit. 包含線性和非線性部分，可以讀取大部份統計軟件的數據如 SPSS, SAS, SYSTAT及STATA等等。
• ?
• 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(expl lanatory variable,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(random effects).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( longitudinal analysis),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(outcome varible),及假定一個在結果期望值和一系列說明變量(explanatory variable)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），其中層次結構的第一級表示易錯的，觀察到的數據與潛在的“真實”數據之間的關聯。
• ?
• HLM 8的新功能
• 從不完整的數據估計HLM
• 在HLM 8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
• HLM 8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。HLM 7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與Windows 7,10兼容。