在社會科學研究和其它領域，研究數據經常具有分層(céng)結構。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(céng)次的單元組中，而Level-3單元也可以歸到第4個層(céng)次的單元組中。在教育領域，這種類型的示例非常豐富（學生在Level-1，教師在Level-2，學校在Level-3，學區在Level-4）。而在社會學領域（個人在Level-1，社區在Level-2）。很顯然，分析這種數據需要專業的軟件。分層(céng)線性和非線性模型（也稱爲多層(céng)模型）的設計可以在一個研究中分析每一層(céng)次的關系，同時又不會忽略分層(céng)模型中各個層(céng)次間相關的可變(biàn)性 。
利用各層(céng)次中指定的變(biàn)量，HLM可以将模型拟合到能夠生成具有解釋變(biàn)量線性模型的結果變(biàn)量中 ，而解釋變(biàn)量會引起各個層(céng)次的變(biàn)化 。
HLM不僅可以估算各個層次的模型系數，還可以預測(cè)每一層中各採(cǎi)樣單元的随機效應。
因爲教育領域的數據普遍具有分層(céng)結構，所以HLM廣泛應用於(yú)該領域 。當然，它也可以用於(yú)其它具有分層(céng)結構數據的研究領域。
這包括縱向分析。在這種分析中 ，個體重複性的測(cè)量數據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構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）的成員關系 ，並(bìng)非隻能處理嵌套關系 。比如說，在整個學習期間，某學生可以是多個教室的成員。
HLM軟件可以處理連續、計數、序數和名義結果變(biàn)量，並(bìng)且在結果期望值和一系列解釋變(biàn)量線性組合之間假定一個函數關系。這個關系通常由合适的關聯函數來定義。比如，identity關聯（連續的結果）或者logit關聯（二元結果）
在爲多層(céng)數據和縱向數據建模方面 ，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、序數和多項（名義）反應變(biàn)量，還可以處理normal-theory分層(céng)線性模型的連續反應變(biàn)量：
四層嵌套模型 ：
橫斷(duàn)面數據的四層(céng)嵌套模型（比如，在不同學校不同教室不同學生的項目反應）
縱向數據四層(céng)嵌套模型（比如，不同社區的不同人在不同時間點(diǎn)的項目）
四路交叉分類(lèi)和嵌套混合：
在各個學校間不斷變(biàn)換不同老師的學生的重複測(cè)量，或者是嵌套在按來源國和目标國進行交叉分類的移民的項目反應。
同時居住在某特定社區並(bìng)在特定學校讀書的人群的重複測(cè)量
具有依賴随機(jī)效應的分層(céng)模型：
依賴於空間的社區效應
社會網絡互動
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(céng)廣義線性模型。AGH非常适合群集數量（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(gè)大數量的随機效應（群集數量很大時，這很重要）
