Trước khi tiến hành hồi quy với mô hình Binary logistic, tác giả sẽ tiến hành kiểm tra hiện tượng đa cộng tuyến để xem xét sự tương quan của các biến độc lập. Nếu hệ số phóng đại phương sai VIF (variance inflation factor) > 2 thì có dấu hiệu đa cộng tuyến, đây là điều không mong muốn. Nếu VIF > 10 thì chắc chắn có đa cộng tuyến. Nếu VIF < 2: không bị đa cộng tuyến.
Để đảm bảo mô hình không có các khuyết tật như hiện tượng tự tương quan và hiện tượng phương sai thay đổi, tác giả lần lượt thực hiện các kiểm định có liên quan như: kiểm định tự tương quan bậc 1 (Breusch-Godfrey Serial Correlation LM Test) và kiểm định phương sai sai số thay đổi (Heteroskedasticity Test: White). Như vậy, trường hợp mô hình nghiên cứu không còn các tồn tại nêu trên, việc ước lượng sẽ không bị chệch và hiệu quả.
Kiểm định ý nghĩa thống kê của các hệ số hồi quy: Nếu các hệ số hồi quy đều
bằng 0 (kể cả hệ số tự do) thì tỷ lệ chênh lệch giữa các xác suất sẽ bằng 1, tức xác suất để sự kiện xảy ra hay không xảy ra như nhau, lúc đó mô hình hồi quy vô dụng trong việc dự báo. Đại lượng Wald Chi-Square được sử dụng để kiểm định ý nghĩa thống kê của hệ số hồi quy tổng thể. Wald Chi-Square được tính bằng cách lấy ước
lượng của hệ số hồi quy của biến độc lập trong mô hình (hệ số hồi quy mẫu) chia cho sai số chuẩn của hệ số hồi quy này, sau đó bình phương lên theo công thức sau:
Cách thức sử dụng mức ý nghĩa (Sig) cho kiểm định Wald cũng theo quy tắc thông thường, tức nếu Sig nhỏ hơn 0.05 thì bác bỏ H0 (Bk = 0), tức hệ số có ý nghĩa thống kê.
Đánh giá độ phù hợp của mô hình hồi quy:
Tổ hợp liên hệ tuyến tính của toàn bộ các hệ số trong mô hình (trừ hệ số tự do) cũng được kiểm định xem có thực sự có ý nghĩa trong việc giải thích cho biến phụ thuộc không. Kiểm định Chi-Square được sử dụng và căn cứ vào mức ý nghĩa (Sig) trong bảng kiểm định Omnibus (trong SPSS) để quyết định bác bỏ hay không bác bỏ giả thuyết H0 (các hệ số hồi quy đều bằng 0: B1 = B2 =…= Bk = 0). Nếu Sig nhỏ hơn 0.05 thì bác bỏ H0, tức mô hình có độ phù hợp tốt.
Độ phù hợp tổng quát cũng có thể được đánh giá dựa trên chỉ tiêu -2LL (viết tắt của -2 Log Likelihood), giá trị -2LL càng nhỏ càng thể hiện độ phù hợp cao. Giá trị nhỏ nhất của -2LL là 0 (tức là không có sai số) khi đó mô hình có một độ phù hợp hoàn hảo.
Ngoài ra, có thể đánh giá mô hình dự báo tốt đến đâu thông qua bảng phân loại dự báo (clasification table), bảng này sẽ so sánh giá trị thực và giá trị dự báo cho từng biểu hiện và tính tỷ lệ dự báo đúng sự kiện.