如何使用这个工具
打开数据文件或点击“使用示例数据”，选择数据格式（宽格式或长格式），再指定受访者 ID、任务、展示项目以及最优、最差选择所在的列。计数分数和汇总 Logit 会立即显示。
点击“运行 HB 估计”后，层级贝叶斯会在后台线程中运行，并显示进度；结束后可以在 HB 与汇总 Logit 之间切换结果，导出每位受访者的效用与概率分数，并在偏好份额模拟器中选择一组候选项目。
方法：计数、汇总 Logit 与层级贝叶斯
计数分数 =（被选为最优的次数 − 被选为最差的次数）÷ 展示次数，不需要模型，适合作为第一步检查，但会受到项目同组搭配的影响。汇总 Logit 把每次最优选择视为在展示项目中的 Logit 选择（效用 +u），把最差选择视为在剩余项目中的选择（效用 −u），即序贯最优最差模型，给出平均受访者的一组效用及标准误。
层级贝叶斯假设每位受访者的效用 βₙ 服从多元正态分布 N(b, D)：b 由正态分布抽样，D 由逆 Wishart 分布抽样（先验方差 1，自由度 = 参数个数 + 5），βₙ 用随机游走 Metropolis 步骤更新，预烧期把接受率调向 30%。效用为保存迭代的后验均值；固定随机种子，所以同样的数据每次结果相同。
- 概率分数：pᵢ = exp(uᵢ) ÷ (exp(uᵢ) + a − 1)，a 为每个任务展示的项目数，再归一化为合计 100；HB 先按受访者计算再求平均。
- 收敛诊断：均方根似然（RLH）与随机水平比较、Metropolis 接受率、步长，以及总体均值的分半 R̂（≤ 1.1 表示前后两半没有明显漂移）。
- 浏览器限制：HB 最多 5000 名受访者、60 个参数；超出时在开始前提示。
计算示例
合成示例数据中有 300 名受访者，每人完成 8 个任务，每个任务展示 5 条零食产品宣称，每条宣称在全部任务中共展示 1200 次。“口味好”被选为最重要 590 次、最不重要 27 次，计数分数为 0.47。
汇总 Logit（McFadden R² = 0.132）排名第一的是口味好（22.2 分），其后为价格低（14.3）和天然配料（14.2）；排在最后的是本地生产（3.0）。按比率尺度，第一名的重要性是最后一名的 7.4 倍。把前三名作为候选组合模拟，它们在全部十条宣称中的偏好份额合计为 58.5%。
在示例数据上运行 HB 可以看到：约三分之一注重健康的受访者对天然配料、低糖和有机的评价远高于平均水平——这正是汇总模型会掩盖的差异。
适用与不适用的情况
MaxDiff 的每个回答都是取舍，因此不会出现评分题“样样都重要”的情况，适合给宣称、功能、利益点或广告信息排序。
- 适用：约 8 到 40 个项目，每个任务展示 3–6 个，每位受访者看到每个项目约 3 次或更多。
- 适用：需要个体分数来做细分，或为 TURF 式候选组合提供输入。
- 不适用：项目是带价格和属性的完整产品——应使用基于选择的联合分析（CBC）。
- 不适用：需要绝对的购买意向——标准 MaxDiff 分数是相对的，弱清单中的第一名分数也会很高。
如何解读结果
概率分数按比率解读：20 分的项目偏好程度是 10 分项目的两倍；有十个项目时平均分为 10。受访者意见分歧较大时，优先看 HB 均值而不是汇总 Logit；在使用个体分数之前，先确认 RLH 明显高于随机水平、R̂ 不超过 1.1。