在这个系列文章里，我们曾介绍过使用简单的回归来分析联合分析的数据。但是随着产品的复杂程度的增加，这种方式就不太适用了。一方面是当产品的属性和水平较多时，每个消费者需要评估的概念产品数量变得更多，即便通过试验设计的方式，每个消费者也可能需要评估几十甚至上百个概念产品，而消费者不可能有耐心完成这么冗长的评估；另一方面在于打分这种评估方式存在很多缺陷，不同的消费者理解打分尺度是不同的。因此，一种新的联合分析方法走上了历史的舞台，即基于选择的联合分析（Choice based Conjoint，简称CBC；也有很多学者称为Discrete Choice Model,简称DCM）。
CBC需要消费者回答的问题更加贴近消费者真实的消费决策，即消费者是在一些产品中做选择，而非对每个产品打分。但是，对比早期的传统方式的联合分析（对每个概念产品进行评估），CBC（从若干个概念产品中选择最偏好的产品）的数据收集效率较低。消费者在做出选择之前必须比较多个概念产品的信息，而消费者的选择只是表明他们最喜欢那个产品而非其对每个产品的偏好强度。
因此，研究者往往需要把很多消费者的CBC选择数据堆加在一起，形成一个很大的数据集来进行效用值的估算。因此，逻辑模型（Logit model）成为了CBC早期分析的主流方法。