Prism如何实现加权

Prism5和后一曲线的Y值加权。Prism 4及早期版本采用数据的Y值进行加权。这种区别很微妙，几乎没有重大影响，但我们的模拟显示，权重基于曲线值而非数据时，结果有时会更准确。

情况有点棘手，旨在调整参数值以最小化加权平方和。但权重的值取决于这些参数的值。Prism如何解决该问题：

1.在没有任何权重的情况下执行第一次迭代。如果初始参数值不是非常精确，加权回归会在第一次迭代时产生问题。这一步于Prism5.02和5.0b中引入没有它，一些与糟糕初始值的拟合就不会收敛。

2.基于非线性回归的第一次迭代生成的曲线，计算所有X值的Y曲线，并利用这些值计算每个点的权重。

3.保持这些权重不变，使用非线性回归最小化加权平方和。

4.根据曲线拟合的结果重新计算Y曲线，并生成一组新的权重。

5.保持这些新权重不变，使用非线性回归最小化加权平方和。

6.重复步骤4和5，直至加权平方和不再改变。

 

如果输入数据作为平均值、n和SD或SEM，即使是不等加权，Prism也会获得与您输入原始数据相同的结果。本文件解释了为什么。唯一例外是稳定回归，其只“看到”平均值，而忽略您输入的n和SD或SEM。

使用稳定回归或自动剔除异常值进行加权

正如我们在参考文献1中所解释的，使用不相权重执行稳定回归是没有意义的。问题在于异常值可能会得到过多的权重。

因此，如果您同时选择不等加权和稳定拟合，Prism会假设权重相等来进行拟合。但在创建残差表和计算异常值数量时，它会使用您的权重选择（您可在优先选项卡中进行选择）。

如果同时选择不等加权和自动剔除异常值，Prism首先使用稳定回归进行拟合（忽略您的权重选择），然后使用加权因子来识别异常值，如参考文献1所述。

参考文献

1.Motulsky HM和Brown RE，在用非线性回归拟合数据时检测异常值 - 一种以鲁棒非线性回归和错误发现率为基础的新方法，《BMC生物信息学》（2016），7：123。下载为pdf。