X和Y之间的关联性是否可绘制成一条直线？

在许多实验中，X和Y之间的相关性呈弯曲状，从而使线性回归不适用。这很少有助于变换数据，从而迫使相关性呈线性。最好使用非线性曲线拟合。

直线周围的数据分散是否（至少近似）为高斯分布？

线性回归分析假设最佳拟合线周围的数据分散为高斯分布。换言之，该分析假设残差（点到最佳拟合线的垂直距离）是从高斯（正态）分布中抽样。

各处的变异性是否一样？

线性回归假设最佳拟合线周围的点散布在整个曲线上具有相同的标准差。如果具有高或低X值的点倾向于离最佳拟合线更远，则违反了该假设。标准差在各处均相同的这一假设称为同方差性。（如果散布随着Y的上升而上升，则您需要执行加权回归。Prism无法通过线性回归分析做到这一点。取而代之的是，使用非线性回归，但选择拟合直线模型。

是否已知知道精确的X值？

线性回归模型假设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，但可以充分假设，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？

一个点位于直线上方或下方都出于偶然，并不影响另一个点位于直线上方或下方。为正确解读结果，该假设对您的数据应正确。

请注意，Prism目前未提供处理重复测量设计（混合效果模型）的方法。例如，对四只不同动物进行单次测量的实验（在六个时间点测量每只动物）将产生24个总值。Prism会将该数据视为包含24个独立数据点，即使情况并非如此。在本例中，如果一只动物在所有时间点的测量值均更高，则Prism将不会解释这些重复测量，结果可能会产生误导。

X值和Y值是否交错在一起？

如果X值用于计算Y（或Y值用于计算X），则线性回归计算无效。一个示例是Scatchard图，其中根据X值部分计算Y值（限定/自由）。另一个示例是期中考试成绩（X）与课程总成绩（Y）图表。由于期中考试分数是课程总成绩的一部分，因此线性回归对这些数据无效。