許多研究者在估計母體具敏感性特質A 的比例π 時，受訪者常因 不想承認具敏感性特質A，而拒絕合作或給予不真實的回答，使調查 結果有所偏差。Stanley Warner 提出隨機作答模式（randomized response model, RRM），這種模式能保護受訪者的隱私，亦可增加受 訪者的合作性，故較願意提供誠實的答案。但Warner 和之後的相關文 獻都專注於最大概似法的應用，而忽視受訪者針對RRM 所回答「是」的 比例θ 應限制於參數空間[1 − P, P] 之內(P 為隨機器之設定機率)， 因此造成π 的估計值可能為負值或大於1。Robert Winkler 與Leroy Franklin 提出針對RRM 使用範圍為[0, 1] 的非共軛事前Beta 分配的貝 氏估計法。Shaul Bar-Lev 等學者針對一些RRMs 使用共軛事前Beta 分配的貝氏估計法。本文將貝氏法應用於王智立與蔡宛容之RRM，和 本文所提之兩階段RRM，兩個模式並採用Jong-Min Kim 與William Warde 分層RRM 的觀念，再以適當的截切Beta 分配當作共軛事前分配 獲得比例π 的貝氏估計量。結果顯示本文所提的貝氏估計量可改善最大概似法之估計結果不在參數空間內的缺點。此外，本文所提之兩階 段RRM 與其他模式進行比較有更好的估計效率。