最近10年来，Maxdiff在解决多个对象的偏好测量上被应用到越来越多的领域里，但是国内关于Maxdiff数据具体应该如何分析的介绍很少。尽管本系列曾经就Maxdiff的分析做了一些简单的介绍(参见 Maxdiff系列(五) Maxdiff的数据分析)，但主要是从频数分析角度出发简单介绍其分析思想。
目前Maxdiff的主流分析模型是逻辑模型(Logit model)的以及基于此模型的分层贝叶斯估算（Hierarchical Bayesian Estimation）方法。其中Logit model是核心模型。我们就先从Logitmodel的分析开始，看看它是如何用来估算Maxdiff中各个对象的偏好效用值。至于分层贝叶斯算法，我们会在以后的系列文章中进行介绍。
为什么要使用logit model，这是因为Maxdiff记录的是消费者在面对不同对象集合时的选择（Choice）。从模型的角度看，消费者的选择是因变量Y，他所面对的对象集合是自变量X。而消费者的选择（Y）是一个离散型变量（要么选中，要么不选中），而非连续型数据（偏好打分）。这时，我们的因变量实际上具有一种概率意义，只不过我们收集到的样本数据并不是如同概率那样可以在0-1的区间里任意取值，而是只能为0或1。
更准确地说，对于Maxdiff，我们通常采用的是条件逻辑模型（conditional logit model）。之所以使用条件逻辑模型，是因为MaxDiff本身的特性：通过观察消费者在给定不同备选对象时的权衡取舍（trade-off），进而估算对象之间的相对偏好程度。