多元回归的目的是将选择的模型拟合到输入的数据，以确定模型参数的值。为参数确定的值将使模型的预测尽可能接近实际（输入的）数据，Prism提供有三种形式的多元回归。

这三种形式中的第一种是多重线性回归。类似于简单线性回归，多重线性回归在模型中发现参数值（回归系数），其最小化实际Y值与预测Y值之间的差值平方和。换言之，多重线性回归是一种最小二乘法。这种方法的优点是可使用相当简单的计算来确定参数估计。不同于泊松回归、逻辑回归和非线性回归，多重线性回归无需一种迭代方法，因此无需参数的初始估计值。

Prism提供的另外两种形式的多元回归是泊松回归和逻辑回归。在这两种情况下，参数估计是通过最大化似然函数来确定。不同于多重线性回归，这无法简单地通过使用最小二乘法来实现。取而代之的是，使用迭代方法来确定参数估计，该参数估计最有可能随机创建给定模型的观察数据。但不同于非线性回归，您无需指定初始值（或查看建议值），也无需考虑报告的拟合值实际上是一个错误最小值的可能性。这是非线性回归的一个潜在问题，但不是多重泊松或逻辑回归。