X 和 Y 之间的关系可以画成直线吗？

在许多实验中，X 和 Y 之间的关系是弯曲的，因此线性回归并不合适。将数据转换成线性关系很少有帮助。最好使用非线性曲线拟合。

直线周围的数据散度是高斯分布（至少近似）吗？

线性回归分析假定拟合优度线周围的数据散度是高斯的。换句话说，它假定残差（点与拟合优度线的垂直距离）是从高斯（正态）分布中采样的。

各处的变异性是否相同？

线性回归假设拟合优度线周围各点的散点在整个曲线上具有相同的标准偏差。如果 X 值高或低的点往往离拟合优度线更远，则违反了这一假设。各处标准偏差相同的假设称为同方差分析。(如果散点随 Y 值的增加而增加，则需要进行加权回归。Prism 无法通过线性回归分析实现这一点。相反，可以使用非线性回归，但选择拟合直线模型。

您是否精确知道 X 值？

线性回归模型假设 X 值完全正确，实验误差或生物变异性只影响 Y 值。这种情况很少发生，但假设测量 X 的任何不精确性与 Y 的变异性相比都非常小就足够了。

数据点是否独立？

一个点是在折线之上还是之下是偶然的，不会影响另一个点是在折线之上还是之下。为了正确解读结果，您的数据应符合这一假设。

请注意，Prism 目前没有提供处理重复测量设计（混合效应模型）的方法。本示例举例说明，在一项实验中，对四只不同的动物进行了单次测量，每只动物在六个时间点进行了单次测量，将产生 24 个总值。Prism 会将这些数据视为包含 24 个独立数据点，尽管实际情况并非如此。在本示例中，如果一只动物在所有时间点的测量值都较高，则 Prism 不会考虑这些重复测量值，结果可能会产生误导。

X 值和 Y 值是否相互交织？

如果 X 值被用来计算 Y 值（或 Y 值被用来计算 X 值），那么线性回归计算就无效。本示例之一是 Scatchard 图，其中 Y 值（边界/自由）是根据 X 值计算得出的。另一个本示例图表是期中考试成绩（X）与课程总成绩（Y）的对比图。由于期中考试成绩是课程总成绩的一部分，因此线性回归对这些数据无效。