İlk modeli, ikinci modelin bazı parametrelerini kısıtlayarak her zaman bulabilirseniz, bir model diğerine yuvalanır. Örneğin, doğrusal model 2 dereceli polinomun içine yerleştirilir , çünkü b = 0 olarak ayarlandığında, 2-derece. polinom, doğrusal forma eşit olur. Başka bir deyişle, bir çizgi bir polinomun özel bir halidir ve bu nedenle ikisi iç içedir.y=ax+cy=ax+bx2+c
İki model yuvalanmışsa ana ima, bunları istatistiksel olarak karşılaştırmanın nispeten kolay olmasıdır. Basitçe söylemek gerekirse, iç içe modellerle daha karmaşık olanı daha basit bir "boş modele" bir şey ekleyerek oluşturulduğunu düşünebilirsiniz. Bu nedenle, bu iki modelden en iyisini seçmek için, basitçe bunun bir şey eklenmesinin veride önemli miktarda ek varyans açıklayıp açıklamadığını bulmanız gerekir. Bu senaryo aslında ilk önce basit modele uydurma ve verilerden öngörülen varyansını kaldırma ve ardından daha karmaşık modelin ek bileşenini ilk kullanımdan kalanlara (en azından en küçük kareler tahmini ile) uydurma ile eşdeğerdir.
İç içe olmayan modeller, verilerdeki tamamen farklı değişkenlik bölümlerini açıklayabilir. Karmaşık model, basit olanın sahip olduğu "doğru şeyleri" içermiyorsa, basit olandan daha az varyansı bile açıklayabilir. Bu durumda, boş hipotez altında ne olacağını tahmin etmek her iki modelin de verileri eşit derecede iyi açıkladığını tahmin etmek biraz daha zor.
Dahası, sıfır hipotezi altında (ve belirli ılımlı varsayımlar göz önüne alındığında), iç içe geçmiş iki model arasındaki uyum iyiliği arasındaki fark, şekli yalnızca ikisi arasındaki serbestlik derecelerine bağlı olan bilinen bir dağılımı izler. modelleri. İç içe olmayan modeller için bu doğru değildir.