Trong hồi quy tuyến tính, chúng ta đánh giá mức độ phù hợp của mô hình qua hệ số xác định R2 (R square). Một mô hình hồi quy tuyến tính càng phù hợp khi R2 càng lớn và phần dư ε càng nhỏ. Tương tự vậy đặc điểm của phần dư ε, với hồi quy Binary Logistic, chúng ta có giá trị log-likelihood. Log-likelihood đại diện cho phần thông tin không được giải thích bởi mô hình hồi quy Binary Logistic, nếu chỉ số này càng lớn, mô hình càng không phù hợp (Andy Field, 2009).
Công thức tính của log-likelihood không thuận tiện cho việc đọc kết quả bởi nó mang giá trị âm. Chính vì vậy, các nhà nghiên cứu đã sử dụng phép chuyển đổi toán học để đưa hệ số này về dạng -2 log-likelihood (-2LL), giá trị này cũng sẽ được thể hiện trong kết quả hồi quy Binary Logistic trên SPSS thay vì giá trị log-likelihood.
Chúng ta sẽ không cần quan tâm quá trình chuyển đổi này thế nào bởi nó cực kỳ phức tạp, chỉ cần nhớ rằng, -2LL cũng như log-likelihood có tính chất tương tự phần dư ε trong hồi quy tuyến tính, chỉ số này càng nhỏ mô hình càng phù hợp.
(Giá trị -2 Log-Likelihood trong mô hình Null)
(Giá trị -2 Log-Likelihood trong mô hình Proposed)
Trị số -2LL có giá trị nhỏ nhất là 0 và không có giá trị lớn nhất. -2LL thường ứng dụng để so sánh giữa mô hình hồi quy trống (Null Model) và mô hình hồi quy được đề xuất (Proposed Model), nếu mô hình đề xuất có -2LL thấp hơn mô hình trống thì kết quả hồi quy là tốt (Hair và cộng sự, 2014). Mô hình hồi quy trống nghĩa là không có biến độc lập nào được đưa vào mô hình. Mô hình hồi quy đề xuất là mô hình có sự xuất hiện của các biến độc lập. Tùy vào phép đưa biến (Enter hay Stepwise) mà sẽ có một hay nhiều mô hình hồi quy đề xuất, nhưng thường chúng ta xét đến mô hình hồi quy đề xuất cuối cùng.
Trong ví dụ bên trên, giá trị -2LL với mô hình trống là 412.027, trong khi đó -2LL ở mô hình đề xuất cuối cùng là 144.696. Điều này cho thấy các biến độc lập đưa vào mô hình đã làm giảm đáng kể -2LL so với mô hình trống. Do đó, mô hình hồi quy là phù hợp.
