有多种模型可用于对多项模型进行建模。

我推荐使用 Stata 的 Cameron & Trivedi Microeconometrics进行简单而出色的介绍，或者查看Imbens & Wooldridge Lecture Slide s 或此处可在线获取。

广泛使用的模型包括：

Stata中的多项逻辑回归或mlogit

多项条件 logit（不仅可以轻松包含特定于个人的预测变量，还可以包含特定于选择的预测变量）或Stata 中的asclogit

嵌套的 logit （通过以分层方式对选择进行分组/排名来放松与不相关替代假设 (IIA) 的独立性）或Stata 中的nlogit

混合 logit（通过假设例如正态分布参数来放松 IIA 假设）或Stata 中的mixlogit。

多项概率模型（可以进一步放宽 IIA 假设，但您应该有可用的特定于选择的预测器）混合 logit（放宽 IIA 假设假设例如正态分布参数），在 Stata 中使用asmprobit（mprobit 不允许使用特定于选择的预测器，但您应该使用它们来放松 IIA 假设）

如果您想要与逻辑回归完全不同的选项，您可以使用神经网络。例如，R 的nnet包有一个multinom功能。或者您可以使用随机森林（R 的randomForest包等）。还有其他几种机器学习替代方案，尽管像 SVM 这样的选项往往没有得到很好的校准，这使得它们的输出在我看来不如逻辑回归。

[实际上，神经网络中的神经元可能正在使用 logit。所以它是完全不同的，但同时又不是完全不同。]

此外，考虑到与检查 IIA 假设有关的这些测试的不可靠性，认为神经网络（具有 softmax 激活）、决策树（或随机森林）不需要满足 IIA 假设。因此，如果我们只关心预测，那么与多项式逻辑相比，这可能是一个优势。

或者，可以以第 K 个类别为参考，为 K-1 类别构建多个逻辑模型。与多项式相比，这也允许为每个方程插入不同的预测变量