Tus variables independientes, los atributos, constituyen 10 variables binarias con valores 1 (seleccionado, importante) y 0 (no seleccionado, no importante). Por lo tanto, recodifica tu 'conjunto de respuestas múltiples categóricas' (3 columnas con códigos de atributos) en ese 'conjunto de respuestas múltiples dicotómicas', y continúa.
Con respecto a la elección de la regresión. Si te atreves a tomar la variable dependiente de Likert como una variable intervalo utiliza la regresión lineal. Si la tomas como una variable ordinal utiliza la regresión ordinal. También puedes utilizar la regresión categórica (CATREG) que transforma datos categóricos en intervalo no linealmente (llamado "escalado óptimo") para maximizar la predicción mediante un modelo lineal y después realiza esa regresión lineal.
Las respuestas posibles a tu último párrafo dependen de si la calificación de un atributo "importante" es la importancia nuevamente o es una característica diferente.
Actualización para lo último: Dado que en tu comentario indicas que la calificación es la importancia, entonces es simple - porque la calificación es el mismo proceso que seleccionar como importante/no importante. Asigna un valor de importancia=0 al atributo "no seleccionado", el punto de calificación más bajo (digamos, en una escala de calificación de 1-5): obtendrás una escala de calificación de 0-5. Esta acción deja claramente la escala como ordinal y no como intervalo - porque no sabes si la diferencia entre las calificaciones 0 y 1 es la misma que entre 1 y 2. Esto naturalmente te lleva a utilizar la regresión categórica, como la regresión que puede utilizar predictores ordinales convirtiéndolos "óptimamente" en intervalo. (Ten en cuenta que CATREG no permite el valor 0; por lo tanto, suma 1 a todos los valores para que el código más bajo sea 1.)
Otra estrategia para incorporar predictores ordinales en regresión es investigarlos como efectos polinomiales (por ejemplo, agregar una copia al cuadrado de cada predictor al modelo de regresión).
