非线性回归是迭代式的。每次迭代都会改变参数值，以降低平方和。

使用全局拟合时，Prism 不会单独拟合每个数据集，然后再将它们平均到一起。相反，它会一次性将所有数据拟合到全局模型中。每次迭代时，它都会最小化（数据集）平方和（数据点）之和。任何特定方程中的任何特定参数都没有什么特别之处。它不知道 EC50 或高原或速率常数。它只是使用非线性回归算法，一步一步地改进平方和之和。

具体细节如下：

假设我们有四个数据集和三个参数的方程。一种表示方法是方程 y=f(X,A,B,C)，或者换句话说，你的模型 "y "是由 X 和三个变量 A、B 和 C 定义的函数。在这种情况下，我们假设 A 在你的四个数据集中共享，而 B 和 C 则分别计算。

以上就是实验设计（或拟合引擎要解决的问题）的用户友好型描述。 从数学角度来看，Prism 实际上是对所有数据（来自所有数据集）拟合以下函数。

f(x, a, b1, b2, b3, b4, c1, c2, c3, c4) = { IF (X from Data Set 1) 

{ IF (X from Data set 1) THEN f(X, A, B1, C1) { IF (X from Data set 2) 

THEN f(X, A, B2, C2) { IF (X from Data set 3) 

THEN f(X, A, B3, C3) { IF (X from Data set 4) THEN f(X, A, B4, C4)

请注意，参数 A（共享）看起来像 "共用 "参数，而参数 B 和 C（非共享）则分别拆分为 "单独 "参数 B1、B2、B3、B4 和 C1、C2、C3、C4。

下面是这个函数的另一种写法：

F（X，A，B1，B2，B3，C1，C2，C3）= f（X，A，B1*DummyB_1 + B2* DummyB_2 + B3* DummyB_3 

+ B4* DummyB_4, C1* DummyC_1 + C2* DummyC_2 + C3* DummyC_3 + C4* DummyC_4) 

在这个版本的等式中，如果 X 属于第 i 个数据集，则 DummyB_i = DummyC_i = 1 如果 X 不属于第 i 个数据集，则 DummyB_i = DummyC_i = 0

方程的两种形式（等价）都将使用当前参数值为数据中的每个 X 值计算每条曲线的 Y 值。然后，Prism 可以计算实际 Y 值（针对每个数据集的每个点）与预测 Y 值之间的差值。将所有这些点的平方和相加，得到非线性回归最小化的平方和。因此，非线性回归与往常一样工作。它只是有一个更高级的模型，可以说明哪些参数对所有数据集都有一个值，哪些参数对所有数据集都有一个值（共享）。