对于模型中的每项参数，Prism会对排除该参数的模型与包括该参数的模型进行比较。待检验的零假设，即参数的真实总体值为0.0。这意味着相应变量对结果变量根本没有任何影响，或者包含或排除该项的模型之间的差异为零。P值是该问题的答案：

如果零假设为真，则对随机选择的数据样本的分析，会导致一个比本分析报告的参数更远或更远的参数的可能性有多大？

对于每项参数，Prism报告：

•根据t比率和自由度数（等于数据行数减去数据列数）计算的P值。

•P值汇总，报告为“ns”或一个或多个星号。

请注意，这些P值检验各个项。对于连续变量（或连续变量的交互作用），此部分中报告的P值将与方差分析表中报告的P值相匹配，因为这些项仅需要一个自由度。

有两个以上级别的分类参数

对于有两个以上级别的分类变量，或需要多个自由度的交互作用项，此部分中报告的P值与方差分析表中报告的P值不同。为分类变量的每个级别（参考级别除外）计算参数估计，并为每项参数估计，计算P值。这些P值是通过将分类变量的特定级别与其参考级别进行比较的检验得出的。相比之下，在方差分析表中报告的P值比较有或没有整个分类变量的模型。

考虑有三个级别的分类变量：A、B和C。在方差分析表中，为分类变量对模型的整体效应给出一个P值（对有和无分类变量的模型均相同）。将在“参数估计”部分中报告两个P值。如果该分类变量的参考级别为A，则将为级别[B]的参数给出一个P值，为级别[C]的参数给出一个P值。[B]的P值表示参考级别[A]（包括在截距项中）的模型与特定级别[B]的模型之间的比较。同样，[C]的P值表示[A]与[C]之间的比较。无关于有[B]与[C]的模型之间的比较的信息！这只是为什么了解参考级别如何影响回归模型及其解读以及为什么您应仔细考虑将哪个级别用作参考级别非常重要的一个原因。