“MaxDiff 建模”平台概述
MaxDiff 亦称最优最差缩放 (BWS)，是基于选择的测量方法。MaxDiff 要求响应者报告最优和最差选择，而不要求响应者从若干备选特征中报告最优选择。相对于响应者仅报告一个最优选择的方法，MaxDiff 方法可以提供关于偏好的更多信息。有关 MaxDiff 研究课题的背景信息，请参见 Louviere et al. (2015)。有关选择建模的背景信息，请参见 Louviere et al. (2015)、Train (2009) 和 Rossi et al. (2005)。
MaxDiff 分析使用随机效用理论框架。假定某一选择对响应者存在基本价值或效用。MaxDiff 平台估计这些效用，除此之外还估计相对于其他选择更偏好某一选择的概率。上述估计需要使用条件 Logistic 回归来完成。请参见 McFadden (1974)。
注意：可使用“MaxDiff 设计”平台设计单因子 MaxDiff 研究。请参见《实验设计指南》中的MaxDiff 设计。
细分和 Bayes 测试对象级别的效应
市场研究人员有时想分别分析不同测试对象的偏好结构，以查看是否存在不同表现行为的群体。若有足够的数据，可以在“响应数据”中指定“依据组”，或者您还可以引入测试对象标识符作为测试对象级的模型项。不过若测试对象人数很多的话，此方法的成本会很高。文献中讨论的其他细分方法包括 Bayesian 和混合法。
若没有足够数据指定“依据组”，则可以使用响应数据和按对象保存梯度选项对测试对象进行聚类的方法在 JMP 中进行细分。该选项创建一个新数据表，其中包含每个测试对象各参数的平均 Hessian 比例梯度。有关示例，请参见细分示例。有关梯度值的详细信息，请参见梯度。
MaxDiff 还提供分层 Bayes 方法来估计测试对象级别的效应。该方法适用于市场细分。