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，不会得出关于“统计学显著性”的结论，也不会“拒绝”任何模型。

该方法通过综合考虑模型的拟合优度（平方和）和参数数量，来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，所有概率之和为100%。 如果一个模型比另一个模型正确得多的可能性大得多（例如，1% 对比 99%），您就会选择它。如果可能性的差异不大（例如，40% 对比 60%），您就会知道这两个模型中任何一个都可能是正确的，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 会标明零假设和备择假设，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），但这仅在您需要将 Prism 的结果与其他程序或手动计算结果进行比较时才有用。即使可能性的差异很小，Prism 也会选择并绘制出更可能正确的模型。