非线性回归迭代工作。在每次迭代的情况下，其均会更改参数值，以降低平方和。

在整体拟合的情况下，Prism不会单独拟合每个数据集，然后取其平均数。相反，其立刻将所有数据拟合到整体模型中。在每次迭代的情况下，其最小化平方和（在数据点上）的总和（在数据集上）。在任何特定的方程中的任何特定参数方面没有什么特别之处。其不知道EC50或稳定段或速率常数，仅使用非线性回归算法逐步提高平方和的总和。

详情如下：

假设我们有四个数据集和具有三项参数的方程。一种表示方法是使用方程y=f（X，A，B，C），或者，换言之，您的模型“y”是一个由X和三个变量（A、B和C）定义的函数。在此情况下，假设A在您的四个数据集之间共享，而B和C是分别为每个数据集计算得到。

上述是对实验设计的用户友好描述（或通过安装引擎解决的问题）。从数学角度来看，Prism实际上将以下函数拟合到所有数据（来自所有数据集）。

F（X，A，B1，B2，B3，B4，C1，C2，C3，C4）=

{ 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“共同”参数，而参数B和C（未共享）分别在“单个”参数B1、B2、B3、B4和C1、C2、C3、C4上拆分。

以下是编写该函数的另一种方式：

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)

在方程的该版本中，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

方程的这两种形式（等式）均将使用参数的当前值为数据中的每个X值计算每条曲线的Y值。然后，Prism可以计算实际Y值（针对每个点的每个数据集）与预测Y值之差。计算所有这些点的平方和，得到非线性回归最小化的平方和。因此非线性回归照常工作。其只是有一个更复杂的模型，说明哪些参数对所有数据集均有一个值，以及哪些参数对所有数据集均有一个值（共享）。