HLM包含线性和非线性部分，可以读取大部份统计软件的数据如 SPSS, SAS, SYSTAT及STATA等等。

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(expl lanatory variable,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,也预测与每层的每个采样单元相关的随机因子(random effects)。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( longitudinal analysis),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(outcome varible),及假定一个在结果期望值和一系列说明变量(explanatory variable)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)。