如何使用這個工具
開啟資料檔案或按「使用範例資料」，選擇資料格式（寬格式或長格式），再指定受訪者 ID、任務、呈現項目以及最佳、最差選擇所在的欄。計數分數和彙總 Logit 會立即顯示。
按「執行 HB 估計」後，階層貝氏會在背景執行緒中執行並顯示進度；完成後可以在 HB 與彙總 Logit 之間切換結果，匯出每位受訪者的效用與機率分數，並在偏好占比模擬器中選擇一組候選項目。
方法：計數、彙總 Logit 與階層貝氏
計數分數 =（被選為最佳的次數 − 被選為最差的次數）÷ 呈現次數，不需要模型，適合當作第一步檢查，但會受到項目同組搭配的影響。彙總 Logit 把每次最佳選擇視為在呈現項目中的 Logit 選擇（效用 +u），把最差選擇視為在剩餘項目中的選擇（效用 −u），也就是序列式最佳最差模型，得出平均受訪者的一組效用及標準誤。
階層貝氏假設每位受訪者的效用 βₙ 服從多元常態分配 N(b, D)：b 由常態分配抽樣，D 由逆 Wishart 分配抽樣（先驗變異數 1，自由度 = 參數個數 + 5），βₙ 以隨機漫步 Metropolis 步驟更新，預燒期間把接受率調向 30%。效用為保存疊代的事後平均數；隨機種子固定，所以同樣的資料每次結果相同。
- 機率分數：pᵢ = exp(uᵢ) ÷ (exp(uᵢ) + a − 1)，a 為每個任務呈現的項目數，再調整為合計 100；HB 先依受訪者計算再取平均。
- 收斂診斷：均方根概似（RLH）與隨機水準比較、Metropolis 接受率、步長，以及母體平均數的折半 R̂（≤ 1.1 代表前後兩半沒有明顯漂移）。
- 瀏覽器限制：HB 最多 5,000 位受訪者、60 個參數；超出時會在開始前提示。
計算實例
合成範例資料中有 300 位受訪者，每人完成 8 個任務，每個任務呈現 5 則零食產品訴求，每則訴求在全部任務中共呈現 1,200 次。「口味好」被選為最重要 590 次、最不重要 27 次，計數分數為 0.47。
彙總 Logit（McFadden R² = 0.132）排名第一的是「口味好」（22.2 分），其後為「價格低」（14.3）和「天然成分」（14.2）；排在最後的是「在地製造」（3.0）。依比率尺度，第一名的重要性是最後一名的 7.4 倍。把前三名當作候選組合模擬，它們在全部十則訴求中的偏好占比合計為 58.5%。
在範例資料上執行 HB 可以看到：約三分之一注重健康的受訪者，對天然成分、低糖和有機的評價遠高於平均——這正是彙總模型會掩蓋的差異。
適合與不適合的情況
MaxDiff 的每個回答都是取捨，所以不會出現評分題「樣樣都重要」的情況，適合替訴求、功能、利益點或廣告訊息排序。
- 約 8 到 40 個項目，每個任務呈現 3–6 個，每位受訪者看到每個項目約 3 次以上。
- 需要個人分數來做區隔，或作為 TURF 式候選組合的輸入。
- 項目是含價格和屬性的完整產品——應使用以選擇為基礎的聯合分析（CBC）。
- 需要絕對的購買意願——標準 MaxDiff 分數是相對的，較弱清單中的第一名分數也會很高。
如何解讀結果
機率分數依比率解讀：20 分的項目偏好程度是 10 分項目的兩倍；有十個項目時平均分數為 10。受訪者意見分歧較大時，優先看 HB 平均數而不是彙總 Logit；使用個人分數之前，先確認 RLH 明顯高於隨機水準、R̂ 不超過 1.1。