Ответы:
Ключевое предположение в MNL состоит в том, что ошибки независимо и одинаково распределяются с помощью распределения экстремальных значений Гумбеля. Проблема с проверкой этого предположения состоит в том, что оно сделано априори . В стандартной регрессии вы подходите к кривой наименьших квадратов и измеряете остаточную ошибку. В логит-модели вы предполагаете, что ошибка уже есть в измерении точки, и вычисляете функцию вероятности из этого предположения.
Важным предположением является то, что образец должен быть экзогенным. Если это основано на выборе, есть исправления, которые необходимо использовать.
Что касается предположений о самой модели, Train описывает три:
Первое предположение, которое вам в основном нужно защищать в контексте вашей проблемы. Третий - в значительной степени то же самое, потому что условия ошибки являются чисто случайными.
Что касается выполнения всего этого в SPSS, я не могу помочь вам, кроме как предложить вам использовать mlogitпакет в R вместо. Сожалею.
Gmacfarlane было очень ясно. Но если быть более точным, и я предполагаю, что вы выполняете анализ поперечного сечения, основным предположением является IIA (независимость от несущественных альтернатив). Вы не можете принудительно вписать свои данные в допущение IIA, вы должны проверить их и надеяться на их удовлетворение. Spss не мог справиться с тестом до 2010 года наверняка. R, конечно, делает это, но вам может быть проще перейти на stata и реализовать тесты IIA, предоставляемые командами mlogit postesvaluation.
Если IIA не выполняется, разумным вариантом являются смешанный многочленный логит или вложенный логит. Первый из них может быть оценен в пределах gllamm, второй с гораздо более экономной командой nlogit.