"模糊"概念的替代方案

从 Prism 8.2 开始，我们就 Prism 如何处理所选模型不完全由可用数据定义的情况提供了多种选择。这些选项包括识别 "模糊"拟合、识别 "不稳定"参数或两者都不识别。在 Prism 8.2 之前，Prism 总是识别 "模糊"拟合。我们发现识别 "不稳定"参数的选项似乎效果更好，但我们提供了所有这些选项作为选择，因此您可以得到与以前版本一致的结果。您可以在非线性回归对话框的 "置信度"选项卡中进行选择。

"模糊"是什么意思？

"模糊拟合"是 GraphPad 创造的一个术语，用来描述没有真正确定所有参数值的拟合。

改变任何参数的值都会使曲线偏离数据更远，并增加平方和。但当拟合结果 "模糊拟合"时，改变其他参数可以移动曲线，使其再次接近数据。换句话说，许多参数值的组合都会导致拟合效果相同的曲线。

如果在诊断选项卡中选中报告依赖度的选项，那么所有 "模糊"参数的值都将>0.9999（我们就是这样定义 "模糊"的；阈值是任意设定的）。如果查看协方差矩阵，很可能有些值会非常接近 1.0 或-1.0。

如果拟合是 "模糊"，你就真的无法解读某些参数的拟合优度值了。

Prism 如何报告模糊结果？

Prism 会在结果的第一行标注 "模糊"字样。对于 "模糊"的参数（可能有一个或多个），Prism 会在拟合优度值和标准误差前加上"~"，并报告相应置信区间为 "非常宽"。

我们不再推荐这种方法，因为事实证明，在 Prism 仍有可能计算出有用置信区间的情况下，参数值可能不稳定。

这重要吗？

如果您的目标是从标准曲线插入未知数，那么您不会在意参数值是否 "模糊"。只要曲线经过这些点，并且没有太大摆动，插入值就会有用。

如果你的目标是通过检查参数值来了解数据，那么你就遇到了真正的问题。至少有一个参数的拟合值是你不应该依赖的。

但R2真的很高...

在很多情况下，R2会非常高，可能达到 0.99。这只是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"，您可以用一组不同的参数值得到一条同样拟合良好的曲线。

拟合模糊的原因

没有在足够宽的 X 值范围内收集数据

上面的数据显示了剂量反应曲线与一组没有定义顶峰的数据集的拟合。由于顶部高原没有限制为一个恒定值，因此 Prism 报告拟合模糊。

数据模型过于复杂

上述数据与标准剂量反应曲线拟合良好。但如果尝试将其拟合为双相剂量反应曲线，Prism 会报告结果模糊拟合。数据完全符合标准剂量反应模型，没有证据表明存在第二个成分。因此，拟合双相模型--有两个 EC50 值--是模糊拟合。

模型有多余参数

最简单的示例是拟合本示例模型：y= a + b + c*x。这个模型描述了一条直线，其斜率等于 C，Y 截距等于 A 和 B 之和，但数据中没有任何东西可以单独拟合 A 和 B。有无数对 A 和 B 的成对值会导致相同的总和，因此会导致相同的 Y 截距。如果 Prism 试图拟合这个模型，它会得出拟合模糊的结论。

Prism 无法区分这种情况和前一种情况。但这两种情况是不同的。本示例中的模型有冗余参数。不管数据是什么样子，也不管你收集了多少数据点，拟合这个模型总是会得到 "模糊拟合"的结果，因为其中两个参数是交织在一起的。在前面的示例中，本示例数据集的拟合结果是模糊的，但其他数据集的拟合结果就不会模糊。

检查表

能否将任何参数限制为恒定值？

能否在数据集之间共享一个或多个参数？

能否收集更多的数据点，或许在更大的 X 值范围内？

如果您的模型有两个阶段或组件，请考虑改用单阶段或组件模型。