Risposte:
Il presupposto chiave nel MNL è che gli errori sono distribuiti in modo indipendente e identico con una distribuzione di valori estremi di Gumbel. Il problema con la verifica di questa ipotesi è che è fatta a priori . Nella regressione standard si adatta la curva dei minimi quadrati e si misura l'errore residuo. In un modello logit, si presume che l'errore sia già nella misurazione del punto e si calcola una funzione di probabilità da tale presupposto.
Un presupposto importante è che il campione sia esogeno. Se si basa sulla scelta, ci sono correzioni che devono essere impiegate.
Per quanto riguarda le ipotesi sul modello stesso, Train ne descrive tre:
Il primo presupposto che devi solo difendere nel contesto del tuo problema. Il terzo è sostanzialmente lo stesso, perché i termini di errore sono puramente casuali.
Per quanto riguarda tutto ciò in SPSS, non posso aiutarti se non suggerire di utilizzare il mlogitpacchetto in R. Scusate.
gmacfarlane è stato molto chiaro. Ma per essere più precisi, e presumo che tu esegua un'analisi della sezione trasversale, il presupposto fondamentale è l'AII (indipendenza di alternative irrilevanti). Non è possibile forzare l'adattamento dei dati al presupposto IIA, è necessario verificarli e sperare che siano soddisfatti. Spss non ha potuto gestire il test fino al 2010 di sicuro. Certo che lo fa, ma potrebbe essere più facile per te migrare a stata e implementare i test IIA forniti dai comandi postestimation mlogit.
Se l'IIA non regge, il logit multinomiale misto o il logit nidificato sono alternative ragionevoli. Il primo può essere stimato all'interno del gllamm, il secondo con il comando nlogit molto più parsimonioso.