这种替代方法基于信息论，并不使用传统的“假设检验”统计范式。因此，它不产生P值，不会得出关于“统计显著性”的结论，也不“拒绝”任何模型。

该方法考虑拟合优度（平方和）和模型中参数的数量，确定数据对每个模型的支持程度。结果表示为每个模型正确的概率，概率总和为100%。如果一个模型比另一个模型更有可能正确（比如说，1%与99%），您会想要选择正确率更高的模型。如果可能性的差异不是很大（例如，40%与60%），您就会知道这两种模型都可能是正确的，因此您会想要收集更多数据。

当然，这些概率仅在比较这两个模型时才有意义。未检验的第三个模型可能具有更好的拟合度，因此正确的可能性更高。

Prism命名了零假设和替代假设，并报告了每个假设正确的可能性。此外，其还报告了AICc值之间的差异（简单模型的AICc减去更复杂模型的AICc），但仅当想要将Prism的结果与其他程序或手工计算的结果进行比较时，这才有用。Prism选择并绘制更有可能正确的模型，即使可能性的差异很小。