Le ipotesi principali sono:

1. Che il risultato deve essere discreto, altrimenti spiegato come, la variabile dipendente dovrebbe essere di natura dicotomica (es, presenza vs. assenza);

2. Non ci devono essere outlier nei dati, che possono essere valutati convertendo i predittori continui in valori standardizzati, o

z

scores, e rimuovere valori inferiori a -3.29 o maggiori di 3,29.

3. Non ci dovrebbero essere interrelazioni elevate (multicollinearità) tra i predittori. Questo può essere valutato da una matrice di correlazione tra i predittori. Tabachnick e Fidell (2012) suggeriscono che finché i coefficienti di correlazione tra le variabili indipendenti sono inferiori a 0,90 l’ipotesi è soddisfatta.

Inoltre, ci dovrebbe essere una relazione lineare tra l’odds ratio, oEXP(B), e ogni variabile indipendente. La linearità con una variabile indipendente ordinale o a intervalli e l’odds ratio può essere controllata creando una nuova variabile che divide la variabile indipendente esistente in categorie di intervalli uguali ed eseguendo la stessa regressione su queste nuove versioni categorizzate come variabili categoriali. La linearità è dimostrata se i coefficienti beta aumentano o diminuiscono a passi lineari (Garson, 2009).

Si raccomanda un campione più grande nell’adattamento con il metodo della massima verosimiglianza; l’uso di variabili discrete richiede che ci siano abbastanza risposte in ogni categoria.