多元回归的目标是将选定的模型拟合到输入的数据上，从而确定模型参数的值。所确定的参数值应使模型的预测结果尽可能接近实际（输入）数据。Prism 提供了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。与简单线性回归类似，多元线性回归旨在寻找模型中能使实际Y值与预测Y值之间偏差平方和最小化的参数值（即回归系数）。 换言之，多元线性回归是一种最小二乘法。该方法的优势在于，参数估计值可通过相对简单的计算确定。与泊松回归、逻辑回归和非线性回归不同，多元线性回归无需采用迭代方法，因此也不需要参数的初始估计值。

Prism 提供的另外两种多重回归形式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。与多重线性回归不同，这不能仅通过最小二乘法来实现。相反，需要采用迭代方法来确定在给定模型的情况下，最有可能随机生成观测数据的参数估计值。 但与非线性回归不同，您无需指定初始值（或审查建议值），也无需考虑报告的拟合结果实际上可能是假极小值的可能性。这是非线性回归中潜在的问题，但在多元泊松回归或逻辑回归中则不存在。