Một mô hình được lồng trong một mô hình khác nếu bạn luôn có thể có được mô hình đầu tiên bằng cách ràng buộc một số tham số của mô hình thứ hai. Ví dụ, mô hình tuyến tính được lồng trong đa thức 2 độ , bởi vì bằng cách đặt b = 0, 2-deg. đa thức trở thành giống hệt với dạng tuyến tính. Nói cách khác, một dòng là trường hợp đặc biệt của đa thức, và do đó hai dòng được lồng vào nhau.y=ax+cy=ax+bx2+c
Hàm ý chính nếu hai mô hình được lồng vào nhau là tương đối dễ dàng để so sánh chúng theo thống kê. Nói một cách đơn giản, với các mô hình lồng nhau, bạn có thể coi mô hình phức tạp hơn đang được xây dựng bằng cách thêm một cái gì đó vào một "mô hình null" đơn giản hơn. Do đó, để chọn ra mô hình tốt nhất trong hai mô hình này, bạn chỉ cần tìm hiểu xem liệu cái gì đó được thêm vào có giải thích một lượng phương sai bổ sung đáng kể trong dữ liệu hay không. Kịch bản này thực sự tương đương với việc khớp mô hình đơn giản trước và loại bỏ phương sai dự đoán của nó khỏi dữ liệu, sau đó khớp thành phần bổ sung của mô hình phức tạp hơn với phần dư từ mức phù hợp đầu tiên (ít nhất là với ước lượng bình phương tối thiểu).
Các mô hình không lồng nhau có thể giải thích các phần khác nhau hoàn toàn khác nhau trong dữ liệu. Một mô hình phức tạp thậm chí có thể giải thích phương sai ít hơn so với mô hình đơn giản, nếu mô hình phức tạp không bao gồm "công cụ phù hợp" mà mô hình đơn giản có. Vì vậy, trong trường hợp đó, khó khăn hơn một chút để dự đoán những gì sẽ xảy ra theo giả thuyết null mà cả hai mô hình giải thích dữ liệu tốt như nhau.
Hơn nữa, theo giả thuyết khống (và đưa ra một số giả định vừa phải), sự khác biệt về mức độ phù hợp giữa hai mô hình lồng nhau tuân theo một phân phối đã biết, hình dạng chỉ phụ thuộc vào sự khác biệt về mức độ tự do giữa hai mô hình mô hình. Điều này không đúng với các mô hình không lồng nhau.