正如“多元回归原理”一节中所讨论的，多元线性回归、多元逻辑回归和Poisson回归都是相关的建模技术。在这三种情况下，您可能有一个或多个独立变量（X）（也称为预测变量），并且有一个因变量（Y）（也称为响应变量或结果变量）。 尽管这三种方法相似，但选择使用哪种回归方法却很简单；这取决于您要建模的因变量（Y）的类型。

•当Y为连续型变量时，使用多元线性回归

•当Y为计数型数据（0,1,2, ...）时，使用Poisson回归。在Prism中，这是多元线性回归分析中的一个选项。

•当 Y 为二分类（是/否、存在/不存在等）时，请使用多元逻辑回归

这些建模类型之间存在自然的复杂度层次关系。如果您是回归建模的新手，建议先学习简单线性回归。简单线性回归有一些直观的扩展：非线性回归和多元线性回归就是其中两种。而多元线性回归在Prism中又有两种扩展：多元逻辑回归和Poisson回归。 最后，如上所述，多元逻辑回归涉及对一组多个独立变量进行模型拟合。然而，若您仅有一个独立变量，该方法可简化为简单逻辑回归（类似于简单线性回归与多元线性回归之间的关系）。由此，简单逻辑回归也可视为简单线性回归的一种扩展。

如果这些内容听起来有些令人不知所措，也没关系。您可以在本指南的“回归原理”部分进一步了解每种多元回归方法，或者点击下方的任意链接，深入了解如何在 Prism 中操作每种方法。