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 提供了三种多元回归形式。

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值之间偏差的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回归方法。该方法的优势在于，可以通过相当简单的计算来确定参数估计值。与Poisson回归、逻辑回归和非线性回归不同，多元线性回归不需要采用迭代方法，因此也不需要参数的初始值。

Prism 提供的另外两种多重回归形式是 Poisson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，这无法仅通过最小二乘回归实现。相反，需要采用迭代方法来确定在给定模型条件下，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），也无需考虑所报告的拟合结果实际上可能是假极小值的可能性。这是非线性回归中可能存在的问题，但在多元Poisson回归或逻辑回归中则不存在。