【第I部　理論編】

第1章 マルチレベル一般化線形モデル (川端一光)
　1.1 分析データ
　1.2 ベルヌーイ分布とポアソン分布
　1.3 マルチレベルロジスティック回帰モデル
　1.4 マルチレベルポアソン回帰モデル
　1.5 本章のまとめ
第2章 縦断データ分析のための基本的なモデル (尾崎幸謙)
　2.1 縦断データとは
　2.2 無条件平均モデル
　2.3 無条件成長モデル
　2.4 時不変の説明変数を含むモデル
　2.5 本章のまとめ
第3章 縦断データ分析のための非線形モデル (尾崎幸謙)
　3.1 測定時点に関する二乗の項を含むモデル
　3.2 切片の即時変化を含むモデル
　3.3 傾きの即時変化を含むモデル
　3.4 切片と傾きの即時変化を含むモデル
　3.5 モデル比較
　3.6 本章のまとめ
　付録1 誤差間共分散の設定
　付録2 縦断データ分析における欠測データへの対処
第4章 構造方程式モデリングによるマルチレベルデータの分析 (尾崎幸謙)
　4.1 SEMによるランダム効果の分散分析モデル
　4.2 SEMによるランダム効果の分散分析モデル (アンバランスな場合)
　4.3 SEMによるランダム切片・傾きモデル
　4.4 SEMによる切片・傾きに対する回帰モデル
　4.5 マルチレベルモデルによる縦断データの分析と潜在曲線モデル
　4.6 中心化について
　4.7 本章のまとめ
　付録1 マルチレベルモデルとSEMとの同一性
第5章 Mplusによるマルチレベルデータの分析 (尾崎幸謙)
　5.1 Mplusによるランダム効果の分散分析モデル
　5.2 Mplusによるランダム効果の分散分析モデル (アンバランスな場合)
　5.3 Mplusによるランダム切片・傾きモデル
　5.4 Mplusによる切片・傾きに関する回帰モデル
　5.5 Mplusによる潜在曲線モデル
　5.6 レベル1の説明変数の中心化
　5.7 マルチレベル探索的因子分析
　5.8 マルチレベル確認的因子分析
　5.9 マルチレベルSEM
　5.10 SEMのランダム傾きモデル
　5.11 マルチレベル多母集団分析
　5.12 文脈効果のバイアス修正モデル
　5.13 その他のモデル
　5.14 まとめ
第6章 パラメータ推定 (川端一光)
　6.1 ランダムパラメータが既知の場合の最尤推定法
　6.2 ランダム効果の推定
　6.3 ランダムパラメータが未知の場合の最尤推定法
　6.4 MCMCによるパラメータ推定
　6.5 データ形式とモデルの指定
　6.6 他の推定法について
　6.7 本章のまとめ

【第II部　事例編】

第7章 学級規模の大小と学力の推移 (山森光陽)
　7.1 研究の背景
　7.2 扱うデータについて
　7.3 マルチレベルモデルを使用する意義
　7.4 使用したモデル
　7.5 結果と解釈
第8章 体力発達の個人差を説明する生活習慣要因 (鈴木宏哉)
　8.1 研究の背景
　8.2 扱うデータについて
　8.3 マルチレベルモデルを使用する意義
　8.4 使用したモデル
　8.5 結果と解釈
第9章 日本におけるコミュニティ問題の検討 (赤枝尚樹)
　9.1 研究の背景
　9.2 扱うデータについて
　9.3 マルチレベルモデルを使用する意義
　9.4 使用したモデル
　9.5 結果と解釈
第10章 近隣・個人の特性と調査回答行動 (松岡亮二・前田忠彦)
　10.1 はじめに─なぜこのような研究が必要か─
　10.2 扱うデータ
　10.3 マルチレベルモデルを適用する意義
　10.4 分析モデル
　10.5 結果と解釈
第11章 恋愛関係における期待と幸福感の関連 (浅野良輔)
　11.1 研究の背景
　11.2 扱うデータについて
　11.3 マルチレベルモデルを使用する意義
　11.4 使用したモデル
　11.5 結果と解釈

索引