“模糊”拟合概念的替代方案

自Prism 8.2起，可用数据未完全定义所选模型时，我们提供了许多关于Prism应如何处理案例的选项。这些选项的目的是识别“模糊”拟合、识别“不稳定”参数或不识别这两者。在Prism 8.2之前，Prism始终会识别“模糊”拟合。我们发现识别“不稳定”参数的选项似乎效果更好，但我们提供所有这些选项作为选择，因此您可获得与先前版本相匹配的结果。该选择位于“非线性回归”对话框的“置信”选项卡中。

“模糊”是什么意思？

“模糊”是GraphPad创造的一个术语，用于描述一种未真正确定所有参数值的拟合。

更改任何参数值均会使曲线远离数据，并增加平方和。但拟合“模糊”时，更改其他参数可移动曲线，使其再次接近数据。换而言之，许多参数值组合均会得出能同样很好拟合的曲线。

如果选中“诊断”选项卡中的选项报告相关性，则所有“模糊”参数的值将大于0.9999（这就是我们定义“模糊”的方式；阈值具有任意性）。如果查看协方差矩阵，则一些值很有可能会非常接近1.0或-1.0

如果拟合“模糊”，则您确实无法解读某些参数的最佳拟合值。

Prism如何报告模糊结果？

Prism将单词“模糊”放在结果的顶行。对于“模糊”参数（可能有一个或若干个），Prism会在最佳拟合值和标准误差前加上“~”，并报告相应的置信区间“非常大”。

我们不再推荐这种方法，因为在Prism仍可计算有用置信限的案例中，一项参数值可能不稳定。

是否有影响？

如果您的目的是从一条标准曲线中插入未知数，则您不会在意参数值“模糊”。只要曲线通过这些点，且不会摆动过多，则插值就有用。

如果您的目的是通过检查参数值了解数据，则您将面临一个实际问题。至少有一项参数具有您不得依赖的最佳拟合值。

但R2 非常高...

在许多案例中，R2 非常高（可能是0.99）。这仅仅意味着曲线接近数据点。这并不意味着数据定义了所有参数。如果拟合“模糊”，则可使用不同参数值得到一条同样拟合良好的曲线。

模糊拟合的原因

未在足够大的X值范围内收集数据

上述数据显示一条剂量 - 反应曲线与一组并未定义一个顶部平稳段的数据的拟合。由于顶部平稳段并未限制为一个常数值，因此Prism报告该拟合模糊。

模型对于数据而言过于复杂

上述数据与一条标准剂量 - 反应曲线拟合良好。但如果您尝试将其拟合成一个双相剂量 - 反应曲线，则Prism会报告结果模糊。数据正好遵循标准剂量 - 反应模型，没有第二分量的证据。因此，使用两个EC50值来拟合双相模型会模糊。

模型具有冗余参数

最简单的示例就是拟合该模型：Y = A+B+C*X。该模型描述了一条斜率等于C、Y截距等于A和B之和的直线。但数据中没有任何一个数据可分别拟合A和B。有无数多对A和B的值得出相同和，因此Y截距相同。如果Prism尝试拟合该模型，则其将得出拟合模糊的结论。

Prism无法分清该案例和先前案例的区别。但这两种案例有所不同。本示例中的模型具有冗余参数。无论数据如何，或您收集了多少数据点，拟合该模型始终会得出“模糊”结果，因为其中两项参数错综复杂。在先前示例中，使用该示例数据集时拟合模糊，但使用其他数据集时不会模糊。

检查表

您能否将任何参数限制为一个常数值？

您能否在数据集之间共享一个或多项参数？

您能否收集更多数据点（或许是在更大的X值范围内）？

如果您的模型具有两个相位或分量，请考虑切换到一个相位或分量模型。