如何对拟合优度予以量化
根据在方法选项卡中选择的拟合方法，选择会有所不同。
如果已选择最小二乘回归
•调整后R2考虑到拟合数据的参数数量，因而具有比R2更低的值（除非仅拟合一项参数，在此类情况下R2和调整后R2 完全一致），非线性回归不常报告。
•平方和（或加权平方和），是Prism在拟合曲线时最小化的值仅当您想将Prism的结果与其他程序的结果进行比较，或欲手动进行额外计算时，汇报此值才有用。
•Sy.x与RMSE是量化残差标准偏差的可选方法。我们推荐Sy.x，亦称Se。
•AICc仅当您将相同的数据分别拟合三个或更多模型时才有用。随后，您可使用AICc在其间进行选择。但请注意，仅当您选择的模型作为唯一区别时，比较两种拟合之间的AICc才有意义。如果拟合之间的数据或权重不一致，则对AICc值的任何比较均无意义。
如果选择稳健回归
如果选择稳健回归，Prism可计算残差的稳健标准偏差（RSDR）。目的是计算稳健标准偏差，不受异常值的影响。在高斯分布中，68.27%的值在平均值的一个标准偏差内。因此，我们计算包含68.27%残差的范围。结果显示，该值稍微低估了SD，因此RSDR 通过将该经验值乘以n/（n-K）来计算，其中K为参数拟合数。
如果选择泊松回归
如果选择泊松回归，Prism提供三种方法对拟合优度进行量化：伪R2、色散指数以及模型偏差，伪R2可解读为非常像一个普通的R2，其他两个值仅得到深入研究泊松回归的人关注。
残差是否服从高斯分布？
最小二乘非线性回归假设残差的分布遵循高斯分布（稳健非线性回归不作此假设）。Prism可通过对残差进行正态性检验来检验该假设。Prism提供了四种正态性检验。我们推荐D'Agostino-Pearson检验。
如果选择稳健回归或泊松回归，则这些检验没有任何意义，也不可用。
残差是聚集性还是异方差性？
曲线是否与数据趋势一致？或者曲线是否系统地偏离了数据趋势？Prism提供了两种检验来回答这些问题。
如果您输入了重复的Y值，请选择重复值检验 ，找出数据点是否离曲线“太远”（与重复值中的分散相比）。如果P值很小，则可得出结论，曲线没有足够接近数据。
如果输入单个Y值（无重复）或选择仅拟合平均值而非单个重复值（方法选项卡），游程检验可用。“游程”是曲线同一侧的一系列连续点。如果游程次数过少，这意味着曲线未遵循数据趋势。如果一次拟合多条曲线，并与全局回归共享一个或多项参数（但不是所有参数），则Prism将报告每条曲线拟合的游程检验，但不包括全局拟合。先前版本的Prism通过汇总每条分曲线的游程报告了全局拟合的整体游程检验，但这不标准，Prism不再报告此情况。
非线性回归假设，平均而言，整条曲线上点到曲线的距离始终是相同的，或者您已通过选择适当的权重考虑了系统差异。Prism可使用检验来验证该假设，以获得适当权重。如果您选择了相等权重（默认值），这与同方差性检验相同。
残差图
如果选择残差图，Prism会创建新图表。Prism提供了五种不同残差图表供选择，并且可针对一项分析，生成您想要数量的残差图表。可以选择查看残差图可帮助您评估残差在曲线上下的分布是否为随机。
这些参数是交织的，还是冗余的，还是有偏差的？
参数交织意味着什么？拟合模型后，更改一项参数的值，但不更改其他参数。曲线远离数据点。现在，尝试通过更改其他参数使曲线回到数据点附近。如果能使曲线更接近数据点，则参数 交织。如果可将曲线恢复到其原始位置，则参数 冗余。在此情况下，Prism将通过标记拟合来提醒您“模糊”。
我们建议您报告依赖度，不要理会协方差矩阵。开始进行曲线拟合时，可不选中这两个选项。
尽管非线性回归，顾名思义，是为拟合非线性模型而设计的，但有些推论实际上假设模型的某些方面接近线性，因此每项参数的分布是对称的。这意味着，如果分析从同一系统抽样的许多数据集，参数的最佳拟合值将对称且呈高斯分布。
如果参数的分布高度倾斜，则报告的该参数的SE和CI将不是评估精确度的非常有用的方法。Hougaard偏斜度度量可以量化每个参数的倾斜度。
