我假设您想要的是某种诊断图，它根据拟合值检查残差。通常模型异常值是其拟合值与其观察值非常不同的观察值。换句话说，它们有异常大的残差。$\hat{y}$$y$$\epsilon = y - \hat{y}$

诀窍是多项式 logit 模型依赖于潜在的、未观察到而不是。因此，整个模型基于误差项具有独立且相同的极值分布的假设，该假设不会为“异常值”的概念留出空间。如果您认为您的数据不是 IID-EV，则应使用不同的模型。$y^*$$y$

另外，请记住，MNL 模型的最终输出是概率；仅仅因为你观察到某人“选择”一个没有最高概率的类别并不意味着你有一个“异常值”。

说了这么多，您仍然可以进行杠杆点分析，以确定某些观察结果是否独特到影响您的可能性估计的程度。