这种替代方法基于信息论，不采用传统的“假设检验”统计范式。因此，它不会生成P值，不会就“统计学显著性”得出结论，也不会“拒绝”任何模型。

该方法在综合考虑拟合优度（平方和）和模型参数数量的基础上，评估数据对各模型的支持程度。 结果以各模型正确的概率形式呈现，各概率之和为100%。如果某个模型正确的可能性远高于另一个（例如1% 対 99%），那么您应该选择该模型。 如果似然度的差异不大（例如 40% 与 60%），则说明两个模型都有可能正确，因此需要收集更多数据。

当然，这些概率仅在比较这两个模型的背景下才有意义。可能存在一个您未测试的第三种模型，其拟合效果更好，因此更可能正确。

Prism 会标注零假设和备择假设，并报告各自正确的可能性。它还会报告 AICc 值之间的差异（即简单模型的 AICc 减去复杂模型的 AICc）， 但这仅在您希望将 Prism 的结果与其他程序或手动计算结果进行比较时才有用。即使似然值的差异很小，Prism 也会选择并绘制更可能正确的模型。