（仅当在启动窗口中选定“分层 Bayes”的情况下才出现。）“Bayes 参数估计值”报表提供模型效应的结果。估计值基于“分层 Bayes”拟合，该拟合将测试对象级别的协变量整合到似然函数中并且直接估计它们对于参数的效应。使用 Train (2001) 中所述的算法版本估计测试对象级别的协变量，该算法包含自适应 Bayes 和 Metropolis-Hastings 方法。为每个模型效应计算后验均值和方差。该算法还会提供模型效应参数的特定于测试对象的估计值。请参见保存对象估计值。

在估计过程中，向每个个体分配他/她自己的参数估计值向量，基本上将估计值视为随机效应和协变量。个体的系数向量假定来自具有任意均值和协方差矩阵的多元正态分布。在给定选择集中的特性时，给定测试对象的效用参数的似然函数基于选择集内每个测试对象的偏好的多项式 Logit 模型。给定测试对象的系数向量的先验分布呈正态分布，其均值为 0，对角协方差矩阵中每个测试对象的方差都相同。协方差矩阵假定来自逆 Wishart 分布，其尺度矩阵为具有相同对角线元素的对角矩阵。

对于每个测试对象，链最初的 burn-in 迭代次数将被废弃。默认情况下，该次数等于启动窗口中指定的“Bayes 迭代数”的一半。

“Bayes 参数估计值”报表 

项

模型项。

后验均值

项系数的参数估计值。对于 burn-in 期之后的每次迭代，计算特定于测试对象的系数估计值的均值。后验均值是这些均值的平均值。

提示：选择红色小三角选项“保存 Bayes 链”，查看每次迭代的单个估计值。

后验标准差

burn-in 过程后经过几次迭代，特定于测试对象的估计值的均值的标准差。

对象标准差

关于后验均值的特定于测试对象的估计值的标准差。

提示：选择红色小三角选项“保存测试对象估计值”以查看单个估计值。

迭代总次数

执行的迭代总次数，包括 burn-in 期。

burn-in 迭代次数

废弃的 burn-in 迭代次数。该次数等于启动窗口中指定的“Bayes 迭代数”的一半。

响应者数目

测试对象数

burn-in 后的平均对数似然

基于在 burn-in 期后获取的值计算的对数似然函数的平均值。