对于模型中的每个参数，Prism 都会对排除该参数的模型和包含该参数的模型进行比较。检验的零假设是该参数的真实群体值为 0.0。这意味着相应的变量对结果变量根本没有影响，或者说包含或排除该项的模型之间的差异为零。P 值回答了一个问题：

如果零假设成立，那么对随机抽样的数据进行分析，得出的参数与本次分析报告的参数一样远离或更远离零的概率是多少？

Prism 会报告每个参数的

•根据 t 比率和自由度（等于数据行数减去数据列数）计算出的 P 值。

•P 值摘要，如 ns 或一个或多个星号。

请注意，这些 P 值检验的是单个项。对于连续变量（或连续变量的交互作用），本节中报告的 P 值将与方差分析表中报告的 P 值一致，因为这些项只需要一个自由度。

具有两个以上水平的分类参数

对于具有两个以上水平的分类变量或需要多个自由度的交互作用项，本节中报告的 P 值与方差分析表中报告的 P 值不同。对分类变量的每个水平（参考水平除外）计算参数估计，并对每个参数估计计算 P 值。这些 P 值是将分类变量的特异性水平与其参考水平进行比较检验的结果。与此相反，方差分析表中报告的 P 值比较的是包含和不包含整个分类变量的模型。

考虑一个有三个水平的分类变量：A、B 和 C：在方差分析表中，只给出了分类变量对模型整体影响的一个 P 值（有分类变量和没有分类变量的模型是否相同）。在参数估计部分，将报告两个 P 值。如果该分类变量的参考水平为 A，则将给出一个用于水平 [B] 的参数的 P 值和一个用于水平 [C] 的参数的 P 值。B] 的 P 值表示参考水平 [A] 模型（包含在截距项中）与特异性水平 [B] 模型之间的比较。同样，[C] 的 P 值代表[A]和[C]之间的比较。没有关于[B]和[C]模型之间比较的信息！这就是为什么了解参考水平对回归模型及其解读的影响非常重要，以及为什么您应该仔细考虑哪个水平被用作参考水平的原因之一。