McFadden（1974）が先駆者となって考案された選択モデルは、提示された選択肢の中から個人がどのような選択を行うかを推定する、強力な分析方法です。選択モデルは、「コンジョイントモデル」、「離散選択モデル」、「条件付きロジスティック回帰」とも呼ばれています。
選択実験では、製品やサービスの属性を組み合わせたもの（プロファイル）を回答者に提示して、どの組み合わせを回答者が好むかを尋ねます。選択実験では、いくつかのプロファイルを回答者に提示します （回答者に提示する、いくつかのプロファイルを集めたものを、「選択肢集合」と言います）。そして、回答者は、選択肢集合のなかから、最も好きなプロファイルを選択します。各回答者には、選択肢集合を提示して選択を行ってもらうことを、複数回、行ってもらうのが普通です。「選択モデル」プラットフォームは、このような選択実験のデータを分析します。
メモ: 選択実験は、「選択モデル計画」プラットフォームで作成できます。『実験計画(DOE)』の「選択モデル計画」章を参照してください。
どの属性を重視するかは消費者によって異なるため、マーケットリサーチ関連の選択実験を分析する場合、消費者をセグメント（クラスター）に分けることが重要でしょう。セグメント化を行わないで製品やサービスを設計すると、実在しない「平均的な」消費者には好まれても、実在する消費者の嗜好を無視したものになるかもしれません。
「選択モデル」プラットフォームでは、選択肢の集合のいずれも回答者が選択しない場合も扱うことができます。この方法では、回答者がどれも選択しない状況を、単一の属性（「選択なし」という属性）をもつ1つの製品を選んだとみなしてモデル化されます。この「選択なし」に対するパラメータ推定値は、モデルの仮定に応じてさまざまな解釈があります。また、「選択モデル」プラットフォームでは、各回答者に関する情報を求めることもできます。これは回答者の嗜好パターンをセグメント化するのに役立ちます。
「選択モデル」プラットフォームでは、モデルを推定する方法として、Firth（1993）によるバイアス修正を伴う最尤推定も行えます。この推定法は、通常の最尤法に比べ、推定や検定がより良い性質をもちます。また、バイアス修正を伴う最尤推定法を用いることにより、ロジスティックモデルなどで生じる分離（separation）の問題が改善できます。ロジスティック回帰における分離問題については、Heinze and Schemper（2002）を参照してください。
メモ: 「選択モデル」プラットフォームは、順位やスコアに対するモデルや、枝分かれ階層の選択肢を含むモデルはサポートしていません。そういった分析には、SAS/ETSのPROC MDCを使用してください。
また、JMP Proでは、階層型Bayesモデルもサポートされています。この階層型Bayesモデルでは、選択モデルにおける製品のパラメータ（このパラメータを、「部分効用part worth」と呼ぶこともあります）の推定値が被験者ごとに計算されます。その結果をクラスター分析などを行えば、いくつかのセグメントに消費者を分類できます。