以上价格不是最终报价,如需本款软件的最终价格,请留言咨询 ,我们将尽快给您报价。
在社会研究和其它领域中,研究的数据通常是分层(hierarchical)结构的.也就是说,单独研究的课题可能会①被分类或重新划分到具有不同特性的组中.在这种情况〓下,个体可以被看成是研究的第一层(level-1)单元,而那些区分开他们的组也@就是第二层(level-2)单元.这可以被进一步的延伸,第二层(level-2)的单元也可以被划分到第三层单元中.在这个方面很典型的示例,比如教ζ 育学(学生※位于第一层,学校位于第二层,学校分布是第三层),又比如社会学(个体在第一︾层,相邻的◇个体在第二层).很明显在分析这样的数据时,需要专业的软件.分层线性和非线性模型(也称为多层模型)的建立是被用来研究单个分析中的任意层次间的关系的,而不会在研究中忽略掉分层模型中各个层次间相◤关的变异性.
HLM程序包能够根据结果变量来产生带说明变量(explanatoryvariable,利用在每层指定的变量来说明每层的变异性)的线↓性模型.HLM不仅仅估计每一层的模型系数,也预测与ω每层的每个采样单元相关的随机因子(randomeffects).虽然HLM常用在教育学研究领域(该领域中的数据通常具有分层结构),但它也适合用在其它任何具有分层结构数据的领域.这包括纵向分析(longitudinalanalysis),在这种情况下,在个体被研究时的重复测量可能是嵌套(nested)的.另外,虽然上面的示例暗示在这个★分层结构的任意层次上的成员(除了处于最高层次的)是嵌套(nested)的,HLM同样可以处理成员关卐系为"交叉(crossed)",而非必↑须是"嵌套(nested)"的情况,在这种情况下,一个学生在他的整个学习期间可以是多个不同〖教室里的成员.
HLM程序包可以处理↑连续,计数,序数和名义结果变量(outcomevarible),及假定一个在结果期望值和一系列说明变量(explanatoryvariable)的线性组合之间的函数关系.这个关系通过合适的关联函数来定义,例如identity关联(连续值结」果)或logit关联(二元结果).
NewinHLM6
HLM6大大的扩展了可以被评估的分层模型的范围.它同样提供了比先前版本更大的便利.下面是有关关键新特征和⊙选项的综述.
数据的新的◤图形显示技术
大大□扩展了拟合模型的图形能力
在分层或混合模型中显示带或不带下标的模型等式-方便保存发表.详细地呈现分布假设和ㄨ关联函数(linkfunction)
带有便利Windows界面的适用于线性模型和非线性关联函数(linkfunction)处理的交叉分类(Cross-classified)随机因子模型
在二层分层的广义线性模型(HGLM)中的带EM演算法的适用于稳◣定收敛(stableconvergence)和精确评估的高阶Laplace近似值
针对3层数据的多项式和序数模型
方便地从多ぷ种其它的软件包中导入数据,包◣括最新版本的SAS,SPSS和STATA等
Residual文件能够直接保存成SPSS(*.sav)或STATA(*.dta)格式文件
基于MDM文件格式进行分析,替换掉先前的极不灵活的SSM文件格式