如需检查多元回归是否属于适于您的这些数据的适当分析，请自问以下几个问题。

每个X变量和Y变量之间的关系是否为线性关系？

在许多实验中，X和Y之间的相关性呈非线性，从而使多远回归不适用。在某些情况下，也许可以变换一个或多个X变量来创建线性关系，也可将数据限制在有限的X变量范围内，其关系接近线性。一些程序（但目前没有一个来自GraphPad软件）可用多个自变量执行非线性回归。

残差（实际值与预测值之间的差异）是否高斯分布（至少是近似的）？

多元回归假设残差是随机分布与高斯分布。

各处的变异性是否一样？

多元回归假设模型预测的数据分散对于所有X值具有相同的标准偏差。如果具有较高（或较低）X值的点也倾向于远离最佳拟合线，则将违反该假设。标准偏差在各处均相同的这一假设称为同方差性。Prism提供了不等加权，但假设加权残差平均起来在任何地方均相同。

是否已知知道精确的X值？

回归模型假设所有X值完全正确，实验误差或生物可变性只影响Y值。这种情况很少发生，但可充分假设，与y值可变性相比，任何X测量值的精确度均较高。

数据点是否独立？

一个值比回归模型预测的值高或者比其低应该具有随机性，不应对另一个点是在线的上方还是下方造成影响。

是否过度拟合？

与所有统计学一样，回归的目的是分析样本中的数据，并对总体作出有效推断。使用多元回归技术并不总能达到该目标。很容易得出适用于样本数据拟合的结论，但在总体中并不真实。重复研究时，结论将无法重现。该问题叫做 过度拟合.问的问题比数据所能回答的更多时，就会发生这种情况-您在模型中有过多的自变量，而受试者数量却很少。有多少个自变量就会过多？对于多元回归，经验法则是每个自变量（Prism中的列）至少有10-20位受试者（病例；Prism中的行）。因此，用五个自变量拟合一个模型需要约50-100名受试者或病例，这是经验法则，不是严格的标准。

您 是否确实过度拟合？

如果病例较变量少则分析几乎没有意义。