ツールの使い方
データファイルを開くか「サンプルデータを使う」をクリックし、データのレイアウト（ワイドまたはロング）を選んで、回答者 ID、タスク、提示アイテム、ベスト・ワーストの選択が入っている列を指定します。カウントスコアと集計ロジットはすぐに表示されます。
「HB 推定を実行」をクリックすると、階層ベイズがバックグラウンドスレッドで進捗を表示しながら実行されます。終了後は結果を HB と集計ロジットで切り替えられ、回答者ごとの効用値と確率スコアをエクスポートし、選好シェアシミュレーターで候補アイテムの組を選べます。
手法：カウント、集計ロジット、階層ベイズ
カウントスコア =（ベストに選ばれた回数 − ワーストに選ばれた回数）÷ 提示回数で、モデルが不要なため最初の確認に適していますが、同じセットに入ったアイテムの組み合わせの影響を受けます。集計ロジットは、各ベスト選択を提示アイテムの中でのロジット選択（効用 +u）、ワースト選択を残りのアイテムの中での選択（効用 −u）とみなす逐次ベスト・ワーストモデルで、平均的な回答者の効用値と標準誤差を求めます。
階層ベイズは、各回答者の効用値 βₙ が多変量正規分布 N(b, D) に従うと仮定します。b は正規分布から、D は逆ウィシャート分布から抽出し（事前分散 1、自由度 = パラメーター数 + 5）、βₙ はランダムウォーク・メトロポリス法で更新し、バーンイン中に採択率を 30% 付近に調整します。効用値は保存した反復の事後平均で、乱数シードを固定しているため同じデータなら毎回同じ結果になります。
- 確率スコア：pᵢ = exp(uᵢ) ÷ (exp(uᵢ) + a − 1)。a は 1 タスクあたりの提示アイテム数で、合計 100 に正規化します。HB では回答者ごとに計算してから平均します。
- 収束診断：root likelihood（RLH）と偶然水準の比較、メトロポリス法の採択率、ジャンプ幅、母集団平均の分割半分 R̂（1.1 以下なら前半と後半で明らかなドリフトはない）。
- ブラウザーでの制限：HB は回答者 5,000 人、パラメーター 60 個までで、超える場合は開始前に知らせます。
計算例
架空のサンプルデータでは、回答者 300 人がそれぞれ 8 タスクに回答し、各タスクでスナック菓子の訴求ポイントを 5 個提示しています。各訴求は全タスクを通じて 1,200 回提示されます。「おいしい」は最も重要に 590 回、最も重要でないに 27 回選ばれ、カウントスコアは 0.47 です。
集計ロジット（McFadden R² = 0.132）で 1 位は「おいしい」（22.2 ポイント）、次いで「価格が安い」（14.3）と「天然素材」（14.2）で、最下位は「地元産」（3.0）です。比率尺度なので、1 位は最下位の 7.4 倍重視されています。上位 3 つを候補の組としてシミュレーションすると、10 個の訴求全体の中での選好シェアは合計 58.5% になります。
サンプルデータで HB を実行すると、健康志向の約 3 分の 1 の回答者が天然素材・低糖質・オーガニックを平均よりはるかに高く評価していることがわかります。集計モデルでは見えなくなってしまう違いです。
向いているケースと向いていないケース
MaxDiff の回答はどれもトレードオフなので、評価尺度の設問のように「どれも重要」となることがなく、訴求・機能・ベネフィット・広告メッセージの順位付けに向いています。
- アイテムが約 8〜40 個で、1 タスクに 3〜6 個を提示し、各回答者が各アイテムを 3 回程度以上見る設計。
- セグメンテーションのための個人別スコアや、TURF 型の組み合わせ検討の入力が必要なとき。
- アイテムが価格と属性をもつ完成した製品である場合。選択型コンジョイント分析（CBC）を使ってください。
- 絶対的な購入意向が必要な場合。標準的な MaxDiff のスコアは相対的で、弱いリストの中の 1 位でもスコアは高くなります。
結果の解釈
確率スコアは比率として解釈します。20 のアイテムは 10 のアイテムの 2 倍選好されており、アイテムが 10 個なら平均は 10 です。回答者の意見が大きく分かれる場合は集計ロジットより HB の平均を優先し、個人別スコアを使う前に RLH が偶然水準を明確に上回り、R̂ が 1.1 以下であることを確認してください。