这种替代方法以信息论为基础，不使用传统的 "假设检验"统计范式。因此，它不会产生 P 值，不会得出 "统计学显著性"的结论，也不会 "拒绝"任何模型。

该方法在考虑拟合优度（平方和）和模型参数数量的基础上，确定数据对每个模型的支持程度。结果以每个模型正确的概率表示，概率总和为 100%。如果一个模型比另一个模型正确的可能性大得多（比如，1% 对 99%），你就会想选择它。如果可能性相差不大（比如，40% 对 60%），你就会知道任何一个模型都有可能是正确的，因此就会想要收集更多的数据。

当然，这些概率只有在比较这两个模型时才有意义。有可能你没有测试的第三个模型拟合得更好，因此更有可能是正确的。

Prism 还会报告 AICc 值之间的差异（简单模型的 AICc 减去复杂模型的 AICc），但这只有在您想将 Prism 的结果与其他程序或手工计算的结果进行比较时才有用。Prism 会选择并绘制更有可能正确的模型，即使两者的可能性相差很小。