Itt van egy példa, ahol a többszintű modell "alapvető" lehet. Tegyük fel, hogy szeretné értékelni az iskolák által nyújtott oktatás "minőségét" a tanulók tesztértékeinek felhasználásával. Az iskola minőségének meghatározásának egyik módja az átlagos tesztteljesítmény, a tanulók jellemzőinek figyelembevétele után. Ezt úgy fogalmazhatná el, hogy $$ y_ {is} = \ alpha_s + X_ {is} \ \ beta_s + \ epsilon_ {is}, $$ ahol $ y_ {is} $ a $ i $ diák folyamatos tesztpontja iskola $ s $, $ X_ {is} $ a tanuló attribútumai, amelyek középpontjában az iskola áll, a $ \ beta_s $ az iskolákra jellemző együttható ezekre az attribútumokra, a $ \ alpha_s $ egy "iskolai hatás", amely az iskola minőségét méri, és $ \ epsilon_ {is} $ a hallgatói szintű sajátosságok a tesztek teljesítésében. Az érdeklődés itt a $ \ alpha_s $ becslésére összpontosít, amelyek mérik azt a "hozzáadott értéket", amelyet az iskola nyújt a diákoknak, miután az attribútumaikat elszámolták. Figyelembe akarja venni a tanuló tulajdonságait, mert nem akarja megbüntetni azt a jó iskolát, amelynek bizonyos hátrányokkal küzdő diákokkal kell megküzdenie, ezért a nyomasztó átlagos teszteredmények megvetették azt a magas "hozzáadott értéket", amelyet az iskola biztosít a diákjai számára.
A modell kéznél a kérdés a becslés egyikévé válik. Ha sok iskolája van, és sok adata van az egyes iskolákhoz, az OLS szép tulajdonságai (lásd Angrist és Pischke, Többnyire ártalmatlan ... , a jelenlegi áttekintéshez) arra utalnak, hogy használni szeretné hogy a szokásos hibák megfelelő kiigazításával a függőségek figyelembevétele érdekében, valamint dummy változók és interakciók alkalmazásával az iskolai szintű hatások és az iskolai specifikus elfogások elérése érdekében. Lehet, hogy az OLS nem hatékony, de annyira átlátható, hogy ezt használva könnyebb meggyőzni a szkeptikus közönséget. De ha az adatai bizonyos szempontból szűkösek, különösen, ha néhány iskolához kevés észrevétel van, érdemes nagyobb "struktúrát" alkalmazni a problémára. Érdemes "kölcsönkérni erőt" a nagyobb mintájú iskoláktól, hogy javítsa azokat a zajos becsléseket, amelyeket akkor kapna a kis mintájú iskolák, ha a becslést struktúra nélkül végeznék. Ezután fordulhat az FGLS-en keresztül becsült véletlenszerű effektusok modelljéhez, vagy esetleg egy közvetlen közelítés a közvetlen valószínűséghez egy adott paraméteres modellnél, vagy akár Bayes egy paraméteres modellnél.
Ebben a példában A többszintű modellt (bármennyire is úgy döntünk, hogy végül illesztjük) az iskolai szintű lehallgatások iránti közvetlen érdeklődés motiválja. Természetesen más helyzetekben ezek a csoportszintű paraméterek nem lehetnek más, mint kellemetlenségek. Az, hogy alkalmazkodni kell-e hozzájuk (és ezért továbbra is működni kell valamiféle többszintű modellel), attól függ, hogy bizonyos feltételes exogenitásfeltevések érvényesek-e. Erre vonatkozóan azt javaslom, hogy keresse meg a paneladat-módszerek ökonometriai szakirodalmát; az onnan érkező betekintések többsége általános csoportosított adatkörnyezetbe kerül.