评估非线性回归的方法取决于您的目标。

在许多情况下，您的目的是从最佳拟合值中学习。如果那是您的目的，查看不同的检查表。

如果您的目的是创建一个标准曲线，从中插入未知值，则方法取决于这是新分析还是既定分析。

既定分析

如果已确定分析，就会知道您正在拟合正确的模型，且知道预期的结果类型。在此情况下，非常容易评估拟合度。

该曲线是否靠近这些点？

R² 与之前的运行分析相比，是否过低？

如果是，寻找异常值，或使用Prism自动异常值检测功能。

置信区间是否过宽？

置信带可让您查看插值的精确程度，因此目的是从曲线插值时，我们建议您保持绘制预测带。如果您正在运行一个既定分析，则是否知道期望的预测带宽度范围。

新测定

采用新测定时，还必须考虑所选模型是否合适。

该曲线是否靠近这些点？

查看图表。曲线看起来是否靠近点？

置信区间是否过宽？

多宽才会过宽？预测带向您显示插值的精确程度。沿曲线某处画一条水平线，看这条线与置信带相交的两个位置，这将是插值的置信区间。

最佳拟合曲线周围散布的点是否遵循高斯分布？

最小二乘回归是基于曲线周围散布的点遵循高斯分布的假设。Prism提供了三种正态性检验（在“诊断”标签中），可检验该假设（我们推荐D'Agostino检验）。如果正态性检验的P值很低，即可得出散射不遵循高斯分布的结论。

异常值是否会影响结果？

非线性回归基于这样一种假设，即理想曲线周围的数据分散遵循高斯分布。这种假设导致了最小化曲线到点的距离的平方和一个或几个异常值的存在（比其他点离曲线更远的点）会否定最小二乘法的计算，并导致误导性的结果。

可通过检查图表来发现异常值（只要您绘制的是单个副本，而非平均值和误差线）。但也可自动检测异常值。GraphPad开发了一种识别异常值的新方法，我们称之为ROUT方法。您可要求Prism简单识别异常值或予以消除。这些选项与“插入标准曲线”对话框相邻，但其位于“非线性回归”对话框中的单独选项卡中。计算异常值的选项位于“诊断”选项卡中，排除异常值的选项位于“拟合”选项卡中。

曲线是否系统偏离数据？

如果游程检验或重复检验产生低P值，则可得出结论，曲线并不能很好描述数据，可能选错了模型。