所有回归方法都是通过将模型拟合到数据上，来确定使模型拟合效果最佳的参数值。

简单回归与多元回归

简单线性回归适用于仅含一个自变量（X）的模型。多元回归适用于含多个独立变量的模型。Prism 支持多元线性回归。在狭义上，它还可以进行包含两个独立变量的多元非线性回归。请参阅本示例，了解其工作原理。

线性和非线性回归

请参阅“线性”和“非线性”的定义。

多项式回归

多项式模型在数学上属于线性模型，但在 Prism 中，需使用非线性回归分析来拟合多项式模型。

Poisson回归

线性和非线性回归通常基于以下假设进行：残差（数据点到最佳拟合直线或曲线的垂直距离）服从高斯分布。如果因变量是计数型（对象或事件的数量），通常更适合假设残差服从泊松分布。 Prism 8 在多重回归和非线性回归中均引入了Poisson回归选项。

逻辑回归

当结果（即因变量 Y）只有两种可能值时，应使用逻辑回归模型。例如：某人是否患病？学生是否毕业？独立变量可以是一个或多个。这些独立变量可以是年龄或血压等连续变量，也可以是离散变量，用于编码每个受试者接受的治疗方案。

Prism 8.3是首个支持逻辑回归的版本。

比例风险回归

当结果为某次性事件（通常为死亡）是否发生时，应使用比例风险模型。其中一个独立变量是时间，其他独立变量可用于解释治疗方案或其他变量。

GraphPad Prism 不支持比例风险回归。