“选择建模”平台概述
选择建模最早由 McFadden (1974) 提出，它是一种功能强大的分析方法，用于估计个体从现有备择方案中做出特定选择的概率。选择建模也被称为联合选择建模、离散选择分析和条件 Logistic 回归。
选择实验研究客户对于一组产品或流程（针对服务的情况）特性的偏好。响应者会面临若干产品特性组合（称为特征）。选择实验会提供给每个响应者一小组特征集合（称为选择集），让他们选择自己最偏好的选项。通常会给每个响应者都提供若干选择集。使用“选择”平台可分析选择实验的结果。
注意：您可以使用“选择设计”平台来设计您的选择实验。请参见《实验设计指南》中的选择设计。
由于客户对于特性有不同评价，许多市场研究人员将市场细分视为分析选择实验的重要步骤。不这样做，您设计出的产品或流程取悦的可能就是根本不存在的“一般”客户，从而忽略了有关“选择列”红色小三角菜单中的选项的详细信息，请参见显示缺陷项的数目JMP存在的细分市场的偏好。
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)。
“选择”平台
“选择建模”平台使用条件 Logistic 回归的形式估计偏好某种配置的概率。不同于简单 Logistic 回归，选择建模使用线性模型对选择与否进行建模时，不仅仅基于测试对象的特征，同时还基于响应特性。在选择建模中，响应者可能会在两辆车中进行选择，而这些车可通过以下 10 种不同特性的组合来描述：价格、载客人数、茶杯架数、颜色、GPS 设备、汽油里程数、防盗系统、可拆卸的座位、安全装置数和保险费用。
“选择”平台允许响应者在一组特征中有关“选择列”红色小三角菜单中的选项的详细信息，请参见显示缺陷项的数目JMP做选择。无选择选项被视作只有一个特性（选择“以上都不是”）的产品，响应者可以选择。随后可根据模型假设通过多种方式解释“无选择”特性的参数估计值。“选择”平台还支持您获取测试对象级别信息，这些信息有助于对偏好模式进行细分。
您可以获取修正偏倚的最大似然估计量，如 Firth (1993) 所述。已证实该方法与没有修正偏倚的 MLE 相比能够得到更好的估计值和检验。此外，修正偏倚的 MLE 可缓解 Logistic 模型中常见的分离问题。有关 Logistic 回归中的分离问题的讨论，请参见 Heinze and Schemper (2002)。
注意：“选择”平台不适用于涉及排名、评分或嵌套分层选择的拟合模型。您可以使用 SAS/ETS 中的 PROC MDC 进行这些分析。
在开发产品和服务时运用选择设计
尽管客户满意度调查可以揭示产品或服务哪些方面做得不够好，但是对于特定的产品特性，它们无从得知消费者的偏好。工程师设计产品时，通常会进行数百或数千个小的设计决策。若客户测试是可行的，同时又可以找到调查参与者（测试对象），这时您就可以通过选择实验来指导一些设计决策。
设计产品的过程中，在调查实施、建模和原型设计等方面成本的降低，推进了针对客户对许多特性和备选方案的评估。选择建模可用在“六西格玛”计划中，用来改进消费品，或是更概括地说，制造人们所需的产品。选择实验收集关于客户偏好的数据，而选择建模分析将这些偏好揭示出来。
细分
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。但是，对于一般的估计，通常没有足够的数据来进行类似的分析。若有足够的数据，可以在“响应数据”中将测试对象标识符指定为“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。
若没有足够数据指定“依据组”，则可以使用“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。
在 JMP Pro 中，您可以请求“选择”平台使用分层 Bayes 方法以便于市场细分。Bayes 建模提供特定于测试对象的模型参数估计值（亦称成分效用值）。可通过层次聚类或其他某类聚类分析来分析这些参数，从而揭示细分市场。