交织参数

当您的模型有两个或更多参数时（几乎总是这种情况），参数可能会交织在一起。

参数交织是什么意思？拟合模型后，改变一个参数的值，但不改变其他参数。这将使曲线远离点。现在改变其他参数，试图使曲线靠近数据点。如果能使曲线更接近数据点，则说明参数之间存在联系。如果能使曲线回到原来的位置，那么参数就完全多余了。

Prism 可以通过两种方式量化参数之间的关系。如果您有疑问，我们建议您关注依赖度值，而不必理会协方差矩阵。

依赖度

什么是依赖度，如何要求 Prism 计算依赖度？

依赖度是针对每个参数报告的，它量化了该参数与其他参数相互交织的程度。选中非线性回归 "诊断"选项卡上的复选框，即可查看每个参数的依赖度。

解读依赖度

依赖度的值范围总是从 0.0 到 1.0。

依赖度为 0.0 的理想情况是参数完全独立（数学家称之为正交）。在这种情况下，改变一个参数的值所引起的平方和的增加，根本无法通过同时改变其他参数的值来减少。这种情况非常罕见。

依赖度为 1.0 意味着参数是多余的。改变一个参数的值后，可以改变其他参数的值来重建完全相同的曲线。如果任何依赖度大于 0.9999，GraphPad 就会给拟合贴上"模糊拟合"的标签。

当然，对于实验数据，该值几乎总是介于这两个极端之间。显然，依赖度值越低越好。但多高才算高？显然，任何经验法则都是武断的。但依赖度值高达 0.90 甚至 0.95 的情况并不少见，这并不表明有什么问题。

依赖度大于 0.99 的值就非常高了，说明出了问题。这意味着，在您收集数据的 X 值范围内，您可以用多组参数值绘制出基本相同的曲线。您的数据根本无法定义模型中的所有参数。如果您的依赖度真的很高，请自问以下问题：

•能否拟合一个更简单的模型？

•在更大的 X 值范围内收集数据，或者在间隔更近的 X 值范围内收集数据，会有帮助吗？这取决于参数的依赖度。

•能否从两种实验中收集数据，并用全局拟合的方法将两个数据集拟合在一起？

•能否根据另一项实验的结果，将其中一个参数限制为恒定值？

如果依赖度很高，而您又不确定原因，请查看协方差矩阵（见下文）。依赖度是每个参数的单一成对值，而协方差矩阵报告的是每对参数的归一化协方差。如果依赖度很高，那么与至少一个其他参数的协方差也会很高。弄清是哪一个参数可能有助于你找出在哪里收集更多数据，或如何设置约束条件。

如何计算依赖度

本示例将帮助您了解 Prism 如何计算依赖度。