解读 Prism 同时拟合斜率和截距时的 P 值
Prism 报告了检验总体斜率为零这一零假设的 P 值。P 值回答了这个问题：
如果 X 和 Y 之间总体上不存在线性关系，那么随机选取的点导致回归线与水平线相差（或更远）的概率是多少？
同理：
如果 X 和 Y 之间总体上没有线性关系，那么随机选取的点导致R2值与您观察值一样高（或更远）的概率是多少？
P 值由 F 检验值计算得出，Prism 还会报告 F 值及其自由度。通过斜率除以标准误差计算出的 t 比值也能得到精确的 P 值。
解读 Prism 只拟合斜率时的 P 值
当您强迫直线通过原点或其他点时，要小心线性回归的 P 值。这很容易造成误解。下图说明了这个问题：
数据点几乎形成一条水平线。
用线性回归的通常方法拟合时（同时拟合斜率和截距；绿线），斜率的最佳拟合值为 0.00。P 值回答了问题：如果真实斜率为零，那么仅由于随机抽样，斜率比观察到的斜率离零更远的概率是多少。由于观察到的斜率为零，因此获得比观察到的斜率离零更远的斜率的几率几乎为 100%！因此，P 值大于 0.99，这是 P 值所能达到的最高值。有些人感到困惑，他们认为 P 值应该很小，纯粹是因为这些点有规律可循。其实不然。从传统的线性回归拟合斜率和截距来看，只有当点形成非水平的线性模式时，P 值才会小。
如果线性回归拟合的约束条件是直线必须通过原点（蓝线），那么结果就会截然不同。为了使直线既通过原点，又靠近点，拟合优度线的斜率远离零。由于直线远离水平线，所以 P 值很小。考虑到直线必须经过原点（X=0，Y=0；图的左下方）这一约束条件，拟合优度线远离水平线的数据很有说服力，因此 P 值很小也就在情理之中了。
限制直线通过原点（或其他点）在某些情况下非常有用。通常这个选项用于拟合用于插值的校准曲线，在这种情况下 P 值就没有什么用处了。如果强制直线通过原点，那么在解读 P 值时要非常小心。它很少有用，而且容易误解。
