回答:
入れ子になった場合と入れ子になっていない場合は、非常に多くのことを意味します。ネストされたデザインとクロスされたデザインがあります（この説明を参照してください）。モデル比較にネストされたモデルがあります。ここで、入れ子とは、小さなモデルのすべての項が大きなモデルで発生することを意味します。これは、尤度比検定などのほとんどのモデル比較検定を使用するための必要条件です。
マルチレベルモデルのコンテキストでは、ネストされた要因とネストされていない要因について話す方が良いと思います。違いは、さまざまな要因が互いにどのように関係しているかです。入れ子設計では、1つの因子のレベルは別の因子のレベル内でのみ意味を持ちます。
葉の酸素生産量を測定するとします。多くの樹種をサンプリングし、すべての木で、木の底、真ん中、および最上部のいくつかの葉をサンプリングします。これはネストされたデザインです。異なる位置にある葉の違いは、1つの樹種内でのみ意味があります。したがって、すべての木の上で下の葉、中葉、および上の葉を比較するのは無意味です。または言い方を変えれば、葉の位置を主な効果としてモデル化すべきではありません。
ネストされていない因子は、関係のない2つの因子の組み合わせです。あなたは患者を研究しており、年齢と性別の違いに興味があるとしましょう。関係のない因子年齢クラスと因子性別があります。主要な効果として年齢と性別の両方をモデル化する必要があり、必要に応じて相互作用を調べることができます。
違いは必ずしも明確ではありません。私の最初の例で、樹種が形と生理学で密接に関連している場合、葉の位置も有効な主効果と考えることができます。多くの場合、ネストされたデザインとネストされていないデザインの選択は、本当の事実よりも研究者の決定です。
入れ子モデルと非入れ子モデルは、コンジョイント分析とIIAで登場します。「赤バス青バス問題」を検討してください。人口の50％が車で仕事に行き、残りの50％が赤いバスに乗っている人口があります。赤いバスと同じ仕様の青いバスを方程式に追加するとどうなりますか？ 多項ロジットモデルでは、すべての3つのモードで33％のシェアを予測します。赤のバスと青のバスは車よりも互いに類似しているため、車からシェアを取得する前に、より多くのシェアを取得するため、これは正しくないことがわかります。これがネスト構造の出番です。これは通常、同様の代替のラムダ係数として指定されます。
ベンアキバはここでこれについての理論を概説するスライドの素晴らしいセットをまとめました。彼はスライド23の周りにネストされたロジットについて話し始めます。
2つのモデルがネストされている場合の主な意味は、それらを統計的に比較的簡単に比較できることです。簡単に言えば、ネストされたモデルでは、より単純な「nullモデル」に何かを追加することで、より複雑なモデルが構築されていると考えることができます。したがって、これら2つのモデルから最適なモデルを選択するには、追加されたものがデータの大幅な追加分散を説明するものであるかどうかを確認する必要があります。このシナリオは、実際には単純なモデルを最初に当てはめ、その予測された分散をデータから削除し、次に、より複雑なモデルの追加コンポーネントを最初の近似からの残差に当てはめます（少なくとも最小二乗推定で）。
ネストされていないモデルでは、データの分散のまったく異なる部分を説明できます。複雑なモデルには、単純なモデルにある「正しいもの」が含まれていない場合、単純なモデルよりも少ない分散を説明することさえあります。したがって、その場合、両方のモデルがデータを等しくうまく説明するという帰無仮説の下で何が起こるかを予測することはもう少し難しいです。
さらに重要な点として、帰無仮説（および一定の中程度の仮定）の下で、2つのネストされたモデル間の適合度の差は既知の分布に従い、その形状は2つの間の自由度の差のみに依存しますモデル。これは、ネストされていないモデルには当てはまりません。
1つのモデルを他のモデルの制限として取得できない場合（または1つのモデルが他のモデルの特定のケースではない場合）、2つのモデルはネストされていないか、別々です。
ネストされたモデルとネストされていないモデルの違いについて尋ねました。見る：
ネストされていないモデルまたは個別のモデルの主題が初めて扱われた場合、または近日公開予定の書籍「個別モデルまたはネストされていないモデルの選択」。
このpdfの簡単な回答をご覧ください。基本的に、ネストされたモデルは、完全なモデルよりも変数の少ないモデルです。1つの意図は、より控えめな答えを探すことです。