评估非线性回归的方法取决于您的目标。

在许多情况下，您的目标是从拟合优度值中学习。如果这是您的目标，请查看不同的核对表。

如果您的目标是创建标准曲线，并从中插入未知值，那么您的方法取决于这是一种新的化验方法还是成熟的化验方法。

成熟的检测方法

如果检测方法已经非常成熟，那么您就知道自己拟合的模型是正确的，也知道应该得到什么样的结果。在这种情况下，评估拟合结果非常容易。

曲线是否靠近点？

与之前的化验结果相比，R2 是否 "太低"？

如果是，请查找异常值，或使用 Prism 的异常值自动检测功能。

置信带是否过宽？

置信带可让您了解插入值的准确度，因此我们建议您在根据曲线进行插值时一定要绘制预测带。如果您运行的是成熟的检测方法，您就知道预测带的宽度。

新测定

对于新的检测方法，您还必须考虑是否选择了合适的模型。

曲线是否靠近点？

看看图表。曲线是否靠近点？

预测带是否太宽？

多宽才算宽？预测带可以显示插入值的精确程度。在曲线的某处画一条水平线，然后观察这条线与预测带截距的两个地方。这就是插入值的置信区间。

拟合优度曲线周围各点的散布是否服从高斯分布？

最小二乘回归基于曲线周围点的散布服从高斯分布这一假设。Prism 提供了三种正态性检验（在诊断选项卡中），可以检验这一假设（我们推荐使用达戈斯蒂诺检验）。如果正态性检验的 P 值较低，则可以断定散点分布不是高斯分布。

异常值是否会影响您的结果？

非线性回归基于这样一个假设，即理想曲线周围的数据散点服从高斯分布。这一假设导致了将曲线与各点距离的平方和最小化的目标。如果存在一个或几个异常值（离曲线比其他点远很多的点），就会影响最小二乘计算，导致结果误导。

您可以通过检查图表来发现异常值（只要您绘制的是单个重复点，而不是平均值和误差条）。但异常值也可以自动检测出来。GraphPad 开发了一种识别异常值的新方法，我们称之为 ROUT 法。选中诊断选项卡上的选项，计算异常值，但将其留在计算中。或者选中 "拟合"选项卡上的选项，将异常值排除在计算之外。

曲线是否系统地偏离数据？

如果游程检验或重复检验的 P 值都很低，那么可以断定曲线并不能很好地描述数据。您可能选错了模型。