Die wichtigsten Annahmen sind:

1. Dass das Ergebnis diskret sein muss, d.h. die abhängige Variable sollte dichotom sein (z.B., Vorhandensein vs. Nichtvorhandensein);

2. Es sollten keine Ausreißer in den Daten vorhanden sein, was durch Umwandlung der kontinuierlichen Prädiktoren in standardisierte oder

z

Scores beurteilt werden kann, und Werte unter -3.29 oder größer als 3.29.

3. Es sollten keine hohen Interkorrelationen (Multikollinearität) zwischen den Prädiktoren bestehen. Dies kann anhand einer Korrelationsmatrix zwischen den Prädiktoren beurteilt werden. Tabachnick und Fidell (2012) schlagen vor, dass die Annahme erfüllt ist, solange die Korrelationskoeffizienten zwischen den unabhängigen Variablen weniger als 0,90 betragen.

Außerdem sollte eine lineare Beziehung zwischen dem Odds Ratio oderEXP(B) und jeder unabhängigen Variable bestehen. Die Linearität zwischen einer ordinalen oder intervallbasierten unabhängigen Variable und dem Odds Ratio kann überprüft werden, indem eine neue Variable erstellt wird, die die bestehende unabhängige Variable in Kategorien mit gleichen Intervallen unterteilt, und die gleiche Regression für diese neu kategorisierten Versionen als kategoriale Variablen durchgeführt wird. Die Linearität ist nachgewiesen, wenn die Beta-Koeffizienten in linearen Schritten zunehmen oder abnehmen (Garson, 2009).

Eine größere Stichprobe wird bei der Anpassung mit der Maximum-Likelihood-Methode empfohlen; die Verwendung diskreter Variablen erfordert, dass es genügend Antworten in jeder Kategorie gibt.