对于模型中的每个参数，Prism 会将排除该参数的模型与包含该参数的模型进行比较。 正在检验的零假设是：该参数的真实总体值为 0.0。这意味着相应的变量对因变量没有任何影响，或者说包含该项与排除该项的模型之间的差异为零。P 值回答了以下问题：

如果该零假设成立，那么对随机抽取的数据样本进行分析时，所得参数值与零的距离不小于（或大于）本次分析报告的距离，这种结果出现的概率是多少？

对于每个参数，Prism 会报告：

•根据 t 比值和自由度（等于数据行数减去数据列数）计算得出的 P 值。

•P 值摘要，表示为“ns”或一个或多个星号。

请注意，这些 P 值用于检验单个项。对于连续变量（或连续变量的交互作用），本节中报告的 P 值将与方差分析（ANOVA）表中报告的 P 值一致，因为这些项仅需一个自由度。

具有超过两个水平的分类参数

对于具有超过两个水平的分类变量，或需要多个自由度的交互作用项，本节中报告的 P 值与 ANOVA 表中报告的 P 值不同。系统会针对分类变量的每个水平（参考水平除外）计算参数估计值，并针对每个参数估计值计算一个 P 值。 这些 P 值来源于将分类变量的特异性水平与其参考水平进行比较的检验。相比之下，方差分析表中报告的 P 值则是将包含整个分类变量的模型与不包含该变量的模型进行比较所得。

假设有一个包含三个水平（A、B 和 C）的分类变量。在方差分析表中，会给出一个 P 值，用于表示该分类变量对模型的总体效应（即包含该分类变量的模型与不包含该分类变量的模型是否相同）。 在参数估计部分，将报告两个 P 值。如果该分类变量的参考水平为 A，则会为水平 [B] 的参数提供一个 P 值，为水平 [C] 的参数提供另一个 P 值。 [B] 的 P 值代表参考水平 [A]（包含在截距项中）的模型与特异性水平 [B] 的模型之间的比较。同样，[C] 的 P 值代表 [A] 与 [C] 之间的比较。 这里没有关于包含[B]和[C]的模型之间比较的信息！这正是为什么理解参考水平如何影响回归模型及其解读非常重要，以及为什么应仔细考虑将哪个水平用作参考水平的原因之一。