当Prism同时拟合斜率和截距时，如何解读P值
Prism 报告的 P 值用于检验“总体斜率为零”这一零假设。该 P 值回答了以下问题：
如果 X 与 Y 之间总体上不存在线性关系，那么随机选取的点所形成的回归线与水平线的偏离程度，会达到（或超过）您所观察到的程度，其概率是多少？
等价地：
如果 X 与 Y 之间总体上不存在线性关系，那么随机选取的数据点得出的 R² 值与观察值一样高（或更高）的概率是多少？
P值是通过F检验计算得出的，Prism还会报告F值及其自由度。若将斜率除以其标准误差，所得的t比值计算出的P值将与上述结果完全一致。
当 Prism 仅拟合斜率时如何解读 P 值
当强制直线经过原点或其他某一点时，需警惕线性回归所得的P值，因为它很容易被误解。下图展示了这一问题：
数据点几乎形成了一条水平线。
采用常规线性回归拟合（同时拟合斜率和截距；绿色线）时，斜率的控制数据为 0.00。P 值回答了以下问题：如果真实斜率为零，仅因随机抽样导致斜率距离零的距离比观察值更远，这种概率有多大？ 由于观测到的斜率为零，因此获得一个比观察值更远离零的斜率的概率几乎为100%！所以P值大于0.99，达到了P值所能达到的最高值。 有些人会感到困惑，认为P值应该很小，仅仅是因为数据点呈现某种模式。事实并非如此。在传统的线性回归拟合中（同时拟合斜率和截距），只有当数据点形成非水平的线性模式时，P值才会很小。
若在进行线性回归拟合时附加“直线必须经过原点”的约束条件（蓝色线），结果将大不相同。为了使直线既经过原点又接近数据点，最佳拟合直线的斜率将远离零。 由于直线远离水平线，P值便非常小。在“直线必须经过原点（X=0, Y=0；图的左下角）”这一约束条件下，数据充分表明最佳拟合直线远离水平线，因此P值很小也是合乎逻辑的。
在某些情况下，将直线限定为经过原点（或其他某一点）非常有用。通常，此选项用于拟合用于插值的校准曲线，在这种情况下，P值就没有参考价值了。 若强制直线通过原点，在解读 P 值时需格外谨慎。该值通常毫无参考价值，且极易被误解。
