尽管尝试确保在研究初始所选的案例中，最感兴趣的解释变量可以有足够的变异是十分重要的，但这是研究者的次等关切，因为在初始小样本分析中，研究者并不确定研究完成时这些变量依然重要。模型构建式小样本分析的性质决定了我们可能会缺少在研究伊始感兴趣之解释变量的值，这使得研究者无法利用解释变量选择案例。虽然依据因变量进行案例选择的策略已成为了许多小样本研究的缺点，然而，嵌套方法则能够为之提供重要的调节剂：初步的大样本分析为案例选择提供了框架，可根据所选变量不断变化，而且在研究者希望从生成模型的应用中，总结出一般性结论方面，嵌套分析会在随后的大样本分析（下面部分讨论）中涉及假设评估。因为嵌套分析中的因果推论不只是依赖于小样本分析部分，所以案例选择误差的一般性缺点不会导致错误的推论。
利用嵌套分析，初步的大样本分析可以为小样本分析推动结构性比较，并包括了“线上”和（或）“线外”个案的某种组合。在最简单的情况下，当预测把国家的不同结果归为相似结果，或许位于回归线两边，且至少一个案例位于置信区间之外时，研究者会提出值得进一步检测的分析性问题（例如，图2中的个案A，D，and C）。依此思路，嵌套分析就能够帮助研究者拓展结构聚焦性比较的范畴。虽然在跨国比较分析中，以密尔“差异法”的各式变异获得分析力的传统由来已久，然而，确定相似个案的需求限制了研究者比较研究同一地区内的个案，这就迫使研究者不得不再现某些比较集：“法国／德国”、“美国／加拿大”、“巴西／阿根廷”等等。在很大程度上，此类比较的内在逻辑会让研究者作出不真实的论断，即除了相关自变量与因变量之外，有两个或多个国家在各个方面都“几乎相同”。在这一方法的典型论述中（例如，在没有展开大样本分析的情况下），该方法几乎排除了经济发展层次不同国家之间的比较，因为该因素会被假定为对政治科学家感兴趣的结果具有一种因果影响。例如，研究者通常不会进行美国与印度之间的比较，由于两者在经济发展层次上差异太大，所以这种比较没有特别的作用。然而，在嵌套分析中，研究者可能会在初步大样本分析中发现，各种发展指标对结果没有任何的解释性权重，而且个案的殖民遗产（在两个个案中都是英国）与国家结构（两个个案都是联邦制）都是结果的重要指示，这些都导致了评估的相似点，并推动了研究者对两个国家的聚焦式分析。或者，研究者通过一种近似于密尔求同法的策略，可能会用不同的回归预测值选择个案，并尝试解释不同结果的相似之处（例如，个案B与C）。在每个个案中，大样本分析都能为看似不可能的比较分析创造条件。此类国家个案的并置处理，能够允许研究者对那些因缺少理论或数据，而无法在大样本分析中考量的竞争性假设，展开额外的探索。
嵌套分析为多案例研究者所做的研究提供了一种自觉意识：以一种直觉开始研究问题，即：某具体个案挑战了传统观点或对某具体现象的理论化观点；接着，再为例外情况归纳性地生成解释或理论。当研究者使用嵌套分析时，初步的大样本分析的一个潜在重要发现是，那些原本认为与结果相关的变量，却在大样本中证明为没有统计相关性。或者，如果初步大样本分析证明一些常见变量可以很好地预测案例，那么就为研究者重新思考案例的独特性提供了理由；如果初步大样本分析确定了该案例的异常地位，那么就为展开深入研究提供了充分的正当理由。
……
展开
