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 和 Y 之间总体上不存在线性关系，那么随机选取的数据点会形成一条与水平线距离不小于（或大于）您所观察到的距离的回归线，这种概率是多少？
等价地：
如果 X 和 Y 之间总体上不存在线性关系，那么随机选取的数据点会产生与观察值一样高（或更高）的 R² 值的概率是多少？
P 值是根据 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，得到的 t 比值所对应的 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
当强制直线通过原点或其他特定点时，需警惕线性回归所得的P值，因其极易被误解。下图展示了这一问题：
数据点几乎形成一条水平线。
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 值回答了这样一个问题：如果真实斜率为零，仅因随机抽样导致斜率偏离零的程度超过观测斜率的概率是多少。由于观测斜率为零，获得一个比观测值更远离零的斜率的概率几乎为 100%！ 因此，P值大于0.99，达到了P值可能达到的最高水平。有些人对此感到困惑，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。在常规线性回归中，当数据点形成非水平的线性模式时，P值才会变小。
若在拟合线性回归时附加“直线必须经过原点”的约束条件（蓝色线），结果将大不相同。 为了使直线既通过原点又接近数据点，最佳拟合直线的斜率必然远离零。由于该直线远离水平线，因此 P 值极小。在直线必须通过原点（X=0, Y=0；图表左下角）的约束条件下，数据充分表明最佳拟合直线远离水平线，因此 P 值极小是合乎逻辑的。
在某些情况下，强制直线通过原点（或其他点）非常有用。通常，此选项用于拟合用于插值的校准曲线，此时 P 值没有参考价值。若强制直线通过原点，在解读 P 值时需格外谨慎。该值通常无实际意义，且极易被误解。
