SPSS

Par défaut, la régression logistique multinomiale dans SPSS utilise la valeur la plus codée de la variable dépendante comme niveau de référence. Par exemple, étant donné la variable dépendante multinomiale «niveau d'intérêt» correspondant à niveaux 0 = faible intérêt, 1 = intérêt moyen et 2 = intérêt élevé, 2 = intérêt sera la catégorie de référence par défaut. Pour chaque variable indépendante, la régression  logistique multinomiale montrera des estimations pour (1) la comparaison de faible intérêt avec intérêt élevé, et (2) la comparaison de l'intérêt moyen avec un intérêt élevé. C'est-à-dire que le niveau le plus élevé est le niveau de référence et tous les autres niveaux sont comparés par défaut. Cependant, dans SPSS, il existe un bouton "Catégorie de référence" dans la boîte de dialogue de régression multinomiale et il peut être utilisé pour sélectionner une catégorie de référence différente, comme illustré ci-dessous.

Une autre alternative, dans la fenêtre de syntaxe dans SPSS, définissez la catégorie de référence dans la régression multinomiale simplement en entrant un paramètre de base après le dépendant dans la liste des variables, comme dans le segment de code ci-dessous:
NOMREG depvar (base=2) WITH indvar1 indvar2 indvar3 /

PRINT = PARAMETER SUMMARY.

SAS

La régression logistique multinomiale est plus facilement implémentée dans SAS sous la commande PROC CATMOD en conjonction avec une instruction "RESPONSE LOGITS", bien qu'elle puisse aussi être implémentée sous PROC LOGISTIC.
S'il est implémenté dans PROC LOGISTIC, le niveau de référence dans la régression multinomiale est parallèle à celui de la régression logistique binaire. Par défaut, le niveau le plus codé de la variable dépendante multinomiale est le niveau de référence et tous les niveaux inférieurs sont des niveaux prédits. Cela peut être modifié dans l'instruction MODEL avec l'une des spécifications suivantes:
• EVENT =: Peut être utilisé pour la régression binaire mais n'a aucun effet lorsqu'il y a plus de deux niveaux de réponse.
• REF =: Le terme suivant le mot de commande MODEL est la variable dépendante multinomiale. La spécification REF  peut définir le niveau de référence. Par exemple, MODEL y (REF = '0') définira le niveau '0' de la variable dépendante multinomiale y comme niveau de référence.
• DESCENDING: fait basculer la commande, faisant de la valeur la plus basse codée le niveau de référence.
• ORDER =: peut être du type FORMATTED, INTERNAL, DATA ou FREQ. FORMATTED est la valeur par défaut, suivant l'ordre spécifié par une procédure PROC FORMAT antérieure. S'il n'y a pas de telle procédure, FORMATTED par défaut pour trier par ordre interne. INTERNAL est la valeur non formatée utilisée par SPSS et Stata. DATA est l'ordre d'apparition dans l'ensemble de données. FREQ est l'ordre par nombre de fréquence décroissant.
S'il est implémenté dans PROC CATMOD, le niveau de référence dans la régression multinomiale par défaut est le niveau de réponse le plus élevé, comme dans la régression multinomiale SPSS. PROC CATMOD calcule les contrastes du log de chaque niveau de réponse avec le log de la probabilité de la catégorie de réponse la plus élevée. PROC CATMOD ne prend pas en charge l'option DESCENDING pour retourner la commande. La solution consiste à utiliser PROC SORT pour trier la variable dépendante dans l'ordre décroissant, puis utilisez la clause ORDER = DATA dans la commande PROC CATMOD, en forçant les niveaux à suivre l'ordre dans les données:
PROC SORT DATA = <insert dataset>;

BY DESCENDING <insert depvar>;

RUN;

PROC CATMOD ORDER = DATA DATA = <insert dataset>;

Stata
La régression logistique multinomial est implémentée dans Stata avec la commande mlogit. Contrairement à SPSS ou SAS, la catégorie de référence par défaut pour la régression multinomiale dans Stata est la catégorie avec la fréquence la plus élevée. Cependant, ceci peut être réinitialisé en ajoutant la spécification baseoutcome (#). Le format syntaxique ci-dessous, par exemple, définirait le niveau 4 comme le niveau de référence pour depvar, la variable dépendante multinomiale:
mlogit depvar indepvars, baseoutcome(4)