要检查多元回归是否适合这些数据的分析，请自问以下问题。

每个 X 变量和 Y 之间是线性关系吗？

在许多实验中，X 和 Y 之间是非线性关系，因此不适合进行多元回归。在某些情况下，您或许可以对一个或多个 X 变量进行变异性处理，从而建立线性关系。您也可以将数据限制在有限的 X 变异性范围内，在此范围内的关系接近线性。有些程序（但 GraphPad 软件公司目前还没有）可以对多个自变量进行非线性回归。

残差（实际值与预测 Y 值之间的差异）是高斯分布（至少近似）吗？

多元回归假设残差的分布是随机和高斯分布。

各处的变异性是否相同？

多元回归假设所有 X 值的数据与模型预测值的散差具有相同的标准偏差。如果 X 值较高（或较低）的点也倾向于远离拟合优度线，则违反了这一假设。各地标准偏差相同的假设称为同方差分析。Prism 提供不等权重，但假设加权残差平均在任何地方都是相同的。

您是否精确知道 X 值？

回归模型假设所有 X 值都完全正确，实验误差或生物变异性只影响 Y 值。这种情况很少发生，但假设测量 X 的任何不精确性与 Y 的变异性相比都非常小就足够了。

数据点是否独立？

一个数值高于或低于回归模型的预测值应该是随机的，不应该影响另一个点高于或低于回归线。

是否过度拟合？

和所有统计学一样，回归的目的是分析样本数据并对总体做出有效推断。使用多元回归技术并不总能实现这一目标。我们很容易得出适用于样本数据拟合的结论，但这些结论在总体中并不真实。当研究重复进行时，结论将无法再现。当您提出的问题多于数据所能回答的问题时，就会出现这种情况--与受试者人数相比，模型中的自变量太多。多少自变量才算多？对于多元回归，经验法则是每个自变量（Prism 中的列）至少要有 10-20 个受试者（案例；Prism 中的行）。因此，拟合一个包含五个自变量的模型需要大约 50 到 100 个受试者或病例。这只是一个经验法则，并不是一个严格的标准。

您真的过度拟合了吗？

如果您的病例数少于变异性，那么您的分析几乎肯定是毫无意义的。