上面的两张图表均显示了剂量反应曲线，每个反应曲线中的反应均以10个重复值测量。在左图中，这些重复的标准偏差是一致的。整个曲线上的标准偏差均大致相同。在右图中，重复值标准偏差与y值有关。随着曲线上升，重复值之间标准偏差的差异有所增加。

这些数据是模拟数据。在这两种情况下，重复值之间的散布是根据高斯分布取样的。在左侧图表中，对于所有剂量，高斯分布下的SD均相同。在右侧，SD是平均Y值的常数。一个反应是另一个反应的两倍高时，重复值之间的标准偏差也是另一个反应的两倍。换言之，变异系数（CV）是恒定的。

如果您在右侧的数据中拟合一个模型，而没有考虑到散度随着Y的增加而增加的事实，会发生什么？考虑两种剂量，其反应不同，相差两倍。对于更高的反应，重复值到真实曲线的平均距离将是两倍。由于回归使这些距离的平方和最小化，这些点对平方和的贡献预计是具有较小平均Y值的点的四倍。换言之，平均Y值是另一组的两倍的一组重复值将被赋予四倍的权重。这意味着，本质上，曲线拟合过程将更加努力地使曲线靠近这些点，且相对地忽略具有较低Y值的点。您需在较低的集合中有四倍的重复，以使平方和的贡献相等。

加权的目的是使曲线上的任何点对平方和的贡献相等。当然，随机因素会使某些点比其他点更分散。但加权的目的是使这些差异完全是随机的，与Y值无关。术语“权重”有点误导，因为目的是从Y值高的点中去除额外的权重。目的实际上是不加权。

Prism在非线性回归的“方法”选项卡上提供了六种选择，并允许您检验加权是否适当。