显示 MLE 参数估计值（若在启动窗口中选定“分层 Bayes”，则不可用。）通过对包含该因子的所有效应构造似然比检验来检验模型中的每个因子的整体效应。有关联合因子检验的详细信息，请参见《拟合线性模型》手册中的“联合因子检验”。
图 4.18 边缘效应的示例
显示不同因子设置下的预测效用。该效用值通过线性模型预测得出。有关“效用刻画器”的示例，请参见查找最优特征。有关效用的详细信息，请参见效用和概率。有关“效用刻画器”选项的详细信息，请参见《刻画器指南》手册的““预测刻画器”选项”。
提供您指定的概率刻画器的数目。这样您就可以将每个刻画器设置为给定特征的设置，从而方便您比较相对于其他特征，测试对象倾向于选择给定特征的概率。有关使用“多项选择刻画器”的示例，请参见多项选择的比较。有关“多项选择刻画器”选项的详细信息，请参见《刻画器指南》手册的““预测刻画器”选项”。
执行两个特定备择选择特征之间的比较。支持您选择要比较的因子和值。您可以比较特定的配置：包括通过选中任意复选框来比较左侧或右侧的所有设置。若有对象效应，您可以选择要比较的对象效应水平。使用“任意”并不会对所有不同特征的组合进行比较，而是所有两两特征的组合进行比较，一次比较一个特征，对于其他因子维持左侧显示的设置。
图 4.19 “效用比较”窗口
构建一个新表，每个测试对象对应一行，其中包含测试对象水平的每个参数的似然函数的平均步长（Hessian 比例梯度）。这对应于使用 Lagrangian 乘数检验将该对象与其余对象分离出来。以后可以使用内置脚本对这些值聚类，以表明数据中存在的独特的市场细分。有关更多详细信息，请参见梯度。相关示例，请参见细分示例。
保存对象估计值（仅在选定“分层 Bayes”时可用。）创建一个表，其中每行都包含每个效应的特定于测试对象的参数估计值。每个效应的特定于测试对象的参数效应的分布以“Bayes 参数估计值”报表中给定项的估计值为中心。“对象接受率”提供 Metropolis-Hastings 步骤期间得到新参数估计值的接受率。通常，接受率 0.20 被视为良好。请参见Bayes 参数估计值。
保存 Bayes 链显示“选择”启动窗口，可以使用该窗口来修改和重新拟合模型。您可以指定新数据集、新 ID 和新模型效应。