多元回归是指模型中包含一个或多个独立变量（X）和一个因变量（Y）。为了对各种类型的因变量（Y）进行建模，Prism 提供了三种类型的多元回归：

•多元线性回归（适用于 Y 为连续型变量时）

•Poisson回归（适用于 Y 为计数型变量；0、1、2、...）

•逻辑回归（适用于 Y 为二元变量的情况；例如是/否、成功/失败、存在/不存在等）

所有这些方法都属于广义线性模型（GLM）家族。GLM 是一个统一的理论框架，在建模各种数据集时具有相当大的灵活性。它们的行为模式相似，因此一旦掌握其中一种，许多概念便可直接应用于其他回归类型。

多元回归在以下几种情境中非常有用：

•在控制其他变量后评估某个变量的影响。在控制了接受治疗的患者与接受安慰剂的患者之间的年龄差异后，某种治疗是否有效？在考虑了接触与未接触该风险因素的人群之间的其他差异后，某种环境暴露是否会增加患病风险？

•建立用于预测的方程。根据目前已知的数据，这位出现胸痛的男性发生心肌梗死（心脏病发作）的概率是多少？

•理解多个变量的变化如何共同解释感兴趣的结果。例如，高密度脂蛋白（HDL，好胆固醇）、低密度脂蛋白（LDL，坏胆固醇）、甘油三酯、C反应蛋白和同型半胱氨酸的浓度如何预测心脏病的风险？ 一个目标可能是建立一个能够预测个体患病风险的方程。另一个目标是了解每个风险因素的贡献，以便为公共卫生工作提供支持，并帮助确定研究项目的优先级。