在用线性回归分析数据前，停下来问问自己，用非线性回归拟合数据是否更为合理。如果您已变换非线性数据，以便创建线性关系，则使用非线性回归来拟合原始数据几乎可以肯定会更好。

在非线性回归可随时获得前，分析非线性数据最好的方法是变换数据，以便创建线性图，然后用线性回归分析变换数据。示例包括酶动力学数据的Lineweaver-Burk图、结合数据的Scatchard图和动力学数据的对数图。

上述方法已过时，不应用于分析数据

这些方法的问题是变换会扭曲实验误差。线性回归假设线条周围的点散布遵循高斯分布，且每个X值处的标准差均相同。这些假设在变换数据后很少是正确的。此外，有些变换改变了X与Y之间的关系。例如，在Scatchard图中，使用X（束缚）值来计算Y（束缚/自由），这违反了线性回归的假设，即所有不确定性均在Y中，而X已清楚地知道。如果在X和Y两个方向上出现相同的实验误差，则最小化点与线之间的垂直距离的平方和是不合理的。

由于违反线性回归的假设，因此从回归线的斜率和截距导出的值不能最准确地确定模型中的变量。考虑到您在收集数据方面投入的所有时间和精力，您想要使用最好的技术来分析数据。非线性回归产生最准确的结果。

下图显示了变换数据的问题。左半部分显示了遵循直角双曲线（结合等温线）的数据。右半部分是相同数据的Scatchard图。左侧实线曲线由非线性回归确定。右侧实线显示了同一条曲线经过Scatchard变换后的外观。虚线表示变换数据的线性回归拟合。Scatchard图可用于确定受体数量（Bmax，确定为线性回归线的X截距）和离解常数（Kd，确定为斜率的负倒数）。由于Scatchard变换放大并扭曲了散布，因此线性回归拟合不能产生最准确的Bmax和Kd值。

不得仅仅为避免使用非线性回归而使用线性回归。用非线性回归拟合曲线并不难。

虽然通常不适合分析变换数据，但通常有助于在线性变换后显示数据。许多人发现直观地解读变换数据更加容易。由于人类的眼睛和大脑进化到可以检测边缘（线），而非检测直角双曲线或指数衰减曲线，因此该做法合理。即使您使用非线性回归来分析数据，显示线性变换的结果也是合理的。