如何使用这个工具
逐个输入属性名称，并在文本框中每行填写一个水平；也可以点击“使用示例数据”载入无线耳机研究的属性（品牌、续航时间、主动降噪、价格）。然后设置每个任务的概念数、每位受访者的任务数、版本数，选择是否加入“都不选”选项，以及生成方法和随机种子，点击“生成设计”。
如有不可能存在的组合（例如最低价配最高端配置），可在“禁止组合”中添加。还可以加入 0–3 个固定保留任务，并在问卷最后重复第一个保留任务作为重测任务。生成后可查看水平平衡、两两平衡、D 效率与预期标准误，在“受访者视角预览”中逐题查看问卷，并导出设计文件、回答模板和模拟回答。
方法：最小重叠、平衡重叠、禁止组合与保留任务
最小重叠：同一任务内各水平尽量只出现一次（只有概念数多于水平数时才会重复），并在整个设计中优先使用出现次数最少的水平和水平对，从而最大化主效应的信息量。平衡重叠：平衡目标相同，但允许同一任务中某个水平多重复一次，受访者会看到部分相同的水平；主效应效率略有下降，但对交互作用的信息更多，权衡也更自然。随机：每个水平随机抽取，只避开禁止组合和重复的产品组合，适合作为比较基准。
每个禁止组合都会减少可用的产品组合，因而降低效率，请只禁止现实中确实不存在的组合。固定保留任务对所有受访者完全相同，且不参与估计，用来检验模型对未见过的选择的预测能力；重测任务在问卷最后以相反的概念顺序重复第一个保留任务，用来衡量受访者回答的一致性。
D 效率与预期标准误的计算公式
D 误差 = det(M)^(−1/p)，其中 M = (1/V) Σᵥ Σₜ (1/C) Σⱼ (xⱼ − x̄ₜ)(xⱼ − x̄ₜ)ᵀ 是零先验多项 Logit 下每位受访者的信息矩阵。xⱼ 是概念 j 的效应编码（每个属性 L − 1 列，最后一个水平记为 −1），C 为每个任务的概念数，V 为版本数，p = Σ (L − 1) 为效用值参数个数。
- 相对 D 效率 = 10 个同规模随机设计的平均 D 误差 ÷ 本设计的 D 误差 × 100；高于 100% 表示比随机设计更精确。
- 预期标准误 = √(M⁻¹ 对角线 ÷ n)，n 为计划受访者人数，假设所有效用值均为零。
- Johnson 经验法则（主效应）：n × 任务数 × 概念数 ÷ 最多水平数 ≥ 500。
- “都不选”选项没有属性水平，在零先验设计中不提供效用值信息，因此不计入 D 误差和标准误。
计算示例
示例沿用联合分析工具中的耳机属性——品牌（4 个水平）、续航时间（3）、主动降噪（2）和价格（4）——每个任务 3 个概念加“都不选”，每位受访者 10 个任务，共 30 个版本。最小重叠设计中每个品牌都出现 225 次，同一任务内从不重复品牌，两两平衡（最少 ÷ 最多搭配次数）不低于 0.95。主动降噪只有 2 个水平，却要放进 3 个概念，因此每个任务都必然重叠。
该设计在 9 个参数下的 D 误差为 0.2293，同规模随机设计平均为 0.3143，相对 D 效率为 137%。同样参数下，平衡重叠为 121%，用同一随机种子生成的随机设计为 102%，其最差两两平衡仅 0.55。
按 300 名受访者计算，最小重叠设计的效用值预期标准误为 0.019–0.034，随机设计为 0.022–0.040；Johnson 经验法则要求主效应至少 67 名受访者。
适用与不适用的情况
在编写问卷程序之前先规划 CBC 设计，可以提前确认任务数、概念数和样本量是否足以精确估计效用值。
- 适用：在编写问卷前规划基于选择的联合分析研究。
- 适用：检查计划的任务数、概念数和受访者人数能否得到足够精确的效用值。
- 适用：比较最小重叠、平衡重叠与随机设计，或评估禁止组合造成的效率损失。
- 不适用：需要先验信息、交互作用或选项特定属性的设计——本工具针对零先验下的主效应。
- 不适用：自适应 CBC 或菜单式联合分析，它们在访问过程中动态生成任务。
- 不适用：对完整产品打分的评分式联合分析——请使用正交设计。
如何解读结果
D 误差越低越好；相对 D 效率高于 100% 表示比同规模随机设计更精确。水平平衡接近 1、且除水平数所迫之外几乎没有重叠，是良好主效应设计的标志。禁止组合、版本过少和任务过少都会降低效率；当每位受访者的任务较少时，增加版本数的帮助最大。标准误假设所有效用值为零，应视为汇总 Logit 精度的下限。
实地调研结束后，在“合并真实回答”中打开问卷导出文件（每位受访者一行、每个任务一列记录所选选项），即可得到长格式文件，直接在联合分析工具中打开；工具会识别版本列和任务类型列，并在估计时排除保留任务。