正如多元回归原理部分所述，多元线性回归、多元逻辑回归和泊松回归都是相关的建模技术。在这三种情况下，你可能都会有一个或多个自变量（X）变量（也称为预测因子变量），而你会有一个因变量（Y）变量（也称为响应变量或结果变量）。尽管这三种方法有相似之处，但选择使用哪种回归方法并不难；这要根据您要建模的因变量（Y）的类型来决定。

•当 Y 是连续数据时，使用多元线性回归

•当 Y 为计数数据（0,1,2, ...）时，使用泊松回归。在 Prism 中，这是多元线性回归分析中的一个选项。

•当 Y 为二元数据（是/否、存在/不存在等）时，使用多元逻辑回归

这些建模类型的复杂程度自然有高低之分。如果您是回归建模的新手，建议您先学习简单线性回归。简单线性回归有一些直观的扩展：非线性回归和多元线性回归就是其中的两种。多元线性回归在 Prism 中又有两个扩展：多元逻辑回归和泊松回归。最后，如上所述，多重逻辑回归涉及将一个模型拟合到一组多个自变量。不过，如果只有一个自变量，这种方法可以简化为简单逻辑回归（类似于简单线性回归和多元线性回归的关系）。这样，简单逻辑回归也可以看作是简单线性回归的延伸。

如果这一切听起来有点令人不知所措，没关系。您可以在本指南的 "回归原理"部分阅读有关每种多元回归方法的更多信息，也可以继续阅读下面的链接，了解每种方法在 Prism 中是如何执行的。