多元回归的目的是将所选模型与输入数据拟合，以确定模型参数值。确定的参数值将使模型的预测尽可能接近实际（输入的）数据。Prism 提供三种形式的多元回归。

这三种形式中的第一种是多元线性回归。与简单线性回归一样，多元线性回归也是在模型中找到参数值（回归系数），使实际值和预测 Y 值之间的差异平方和最小。换句话说，多元线性回归是一种最小二乘方法。这种方法的优点是可以通过相当简单的计算来确定参数估计。与泊松回归、逻辑回归和非线性回归不同，多元线性回归不需要迭代法，因此不需要参数的初始估计值。

Prism 提供的其他两种形式的多元回归是泊松回归和逻辑回归。在这两种情况下，参数估计值都是通过最大化似然函数来确定的。与多元线性回归不同，不能简单地使用最小二乘法来实现。取而代之的是使用迭代法来确定参数估计值，而参数估计值最有可能根据模型随机生成观测数据。但与非线性回归不同的是，您不需要指定初始值（或审查建议值），也不需要考虑报告的拟合值实际上是假最小值的可能性。这是非线性回归可能出现的问题，但多重泊松回归或逻辑回归不会出现这种问题。