Modele wielopoziomowe powinny być stosowane, gdy dane są zagnieżdżone w strukturze hierarchicznej, szczególnie gdy występują znaczące różnice między jednostkami wyższego poziomu w zmiennej zależnej (np. Orientacja osiągnięć uczniów jest różna między uczniami, a także między klasami, z którymi studenci są zagnieżdżone). W tych okolicznościach obserwacje są skupione, a nie niezależne. Nieuwzględnienie klastrowania prowadzi do niedoszacowania błędów oszacowań parametrów, tendencyjnego testowania istotności i tendencji do odrzucania wartości zerowej, kiedy należy ją zachować. Uzasadnienie stosowania modeli wielopoziomowych, a także dokładne wyjaśnienie sposobu przeprowadzania analiz, zapewnia
Raudenbush, SW Bryk, AS (2002). Hierarchiczne modele liniowe: aplikacje i metody analizy danych. 2. edycja Newbury Park, Kalifornia: Sage.
Książka R & B jest również dobrze zintegrowana z autorskim pakietem oprogramowania HLM, co znacznie pomaga w nauce pakietu. Wyjaśnienie, dlaczego modele wielopoziomowe są konieczne i preferowane w stosunku do niektórych alternatyw (takich jak manekin kodujący jednostki wyższego poziomu), przedstawiono w klasycznej pracy
Hoffman, DA (1997). Przegląd logiki i uzasadnienia hierarchicznych modeli liniowych. Journal of Management, 23, 723-744.
Artykuł Hoffmana można pobrać bezpłatnie, jeśli utworzysz Google „Hoffman 1997 HLM” i uzyskasz dostęp do pliku pdf online.