数据存在于特定的时间和空间中，其复杂的分层结构是一种普遍现象. 充分借助于数据的这一特点，可以大大提高统计分析的有效性. 本书致力于介绍复杂分层数据分析前沿知识，侧重于算法、仿真与实证研究. 内容主要包括：分层线性模型、分层广义线性模型、分层非线性模型、分层半参数模型和分层分位回归模拟等. 本书可作为统计学及其相关领域的本科生、研究生的教材，亦可供教师和科技人员参考.

前言 数据存在于特定的时间和空间中，离开数据的这一“时空性”，常常会造成传统的统计分析方法效果不佳，甚至失效 .数据客观存在的时空性结构很普遍，其中常见的就是分层结构 (hierarchical structure)，它具有下述意义：我们用变量来描述个体，而个体嵌套在更大单元里，形成金字塔形状 . 1.分层分位回归 (hierarchical quantile regreesion) 自 20世纪末叶以来，针对数据分层结构的分层模型 (hierarchical models)不论是在理论研究方面还是在应用方面都获得了长足的发展 .该模型实质上就是条件独立分层模型 .Hobert (2000)给出了有关分层模型目前计算方面的问题及前景展望 .该类模型的最大优点就在于它能借助于组间与组内扰动的力量 .不过，现有的分层模型的理论本质上说就是给定预测变量 X的值 x后，响应变量 Y的条件均值 m(x)的理论 .这些理论没有也不可能给出响应变量的条件分位函数的全面刻画 .所以，考虑给定协变量的条件下响应变量的全面刻画问题、估计子空间的稳健问题等，就显得非常必要了 . 另一方面， Koenker和 Bassett (1978)首先提出了分位回归模型的概念 .分位回归是一种统计方法，它旨在对条件分位函数进行统计推断 .正如基于残差平方和最小化的经典线性回归方法能估计条件均值函数一样，分位回归方法也为我们提供了一种估计条件分位函数的机制 .有关分位回归的优点可以粗略地概括如下： (1)给定一组预测变量之后，它能全面刻画响应变量的整个条件分布； (2)分位回归模型有线性规划代理...