Відповіді:
Ключове припущення в MNL полягає в тому, що помилки незалежно та однаково розподіляються з розподілом крайніх значень Gumbel. Проблема тестування цього припущення полягає в тому, що воно зроблене апріорі . У стандартній регресії ви підходите до кривої найменших квадратів і вимірюєте залишкову помилку. У моделі logit ви припускаєте, що помилка вже є в вимірюванні точки, і обчислюєте ймовірність функції з цього припущення.
Важливим припущенням є те, що зразок є екзогенним. Якщо це базується на виборі, є коригування, які потрібно застосувати.
Що стосується припущень щодо самої моделі, Train описує три:
Перше припущення, яке ви здебільшого просто повинні захищати в контексті вашої проблеми. Третя значною мірою однакова, оскільки терміни помилки є чисто випадковими.
Що стосується будь-якого цього в SPSS, я не можу допомогти вам, крім того, щоб запропонувати вам використовувати mlogitпакет замість R. Вибачте.
gmacfarlane був дуже зрозумілий. Але якщо бути більш точним, і я припускаю, що ви виконуєте аналіз поперечного перерізу, основним припущенням є IIA (незалежність від невідповідних альтернатив). Ви не можете змусити ваші дані підходити до припущення IIA, ви повинні перевірити їх і сподіватися, що вони будуть задоволені. Spss не міг точно впоратися з тестом до 2010 року. Звичайно, це робиться, але ви можете мені простіше перейти до статистики та реалізувати тести IIA, що надаються командами посттестації mlogit.
Якщо IIA не відповідає, змішаний багаточленний logit або вкладений logit є розумною альтернативою. Перший можна оцінити в gllamm, другий за допомогою набагато більш парсимоніальної команди nlogit.