Hlavní předpoklady jsou:

1. Že výsledek musí být diskrétní, jinak vysvětleno jako, závislá proměnná by měla být dichotomické povahy (např, přítomnost vs. nepřítomnost);

2. V datech by neměly být žádné odlehlé hodnoty, což lze posoudit převedením spojitých prediktorů na standardizované, nebo

z

skóre, a odstranit hodnoty pod -3.29 nebo větší než 3,29.

3. Mezi prediktory by neměly být vysoké vzájemné korelace (multikolinearita). To lze posoudit pomocí korelační matice mezi prediktory. Tabachnick a Fidell (2012) uvádějí, že pokud jsou korelační koeficienty mezi nezávislými proměnnými menší než 0,90, je předpoklad splněn.

Také by měl existovat lineární vztah mezi poměrem šancí neboliEXP(B) a každou nezávislou proměnnou. Linearitu s ordinální nebo intervalovou nezávislou proměnnou a poměrem šancí lze ověřit vytvořením nové proměnné, která rozdělí stávající nezávislou proměnnou do kategorií o stejných intervalech, a provedením stejné regrese na těchto nově kategorizovaných verzích jako kategoriálních proměnných. Linearita se prokáže, pokud koeficienty beta rostou nebo klesají v lineárních krocích (Garson, 2009).

Při fitování metodou maximální věrohodnosti se doporučuje větší vzorek; použití diskrétních proměnných vyžaduje, aby v každé kategorii byl dostatek odpovědí.

.