在使用线性回归分析数据之前，请先停下来问问自己：使用非线性回归拟合数据是否更合理。如果您曾对非线性数据进行过变换以建立线性关系，那么几乎可以肯定，直接使用非线性回归拟合原始数据会得到更好的结果。

在非线性回归尚未普及之前，分析非线性数据的最佳方法是将数据进行转换以生成线性图，然后使用线性回归对转换后的数据进行分析。例如：酶动力学数据的莱恩韦弗-伯克图、结合数据的斯卡查德图，以及动力学数据的对数图。

这些方法已经过时，不应用于数据分析

这些方法的问题在于，变换会扭曲实验误差。线性回归假设散点在直线周围的分布服从高斯分布，且在每个 X 值处标准偏差均相同。在数据变换后，这些假设很少成立。 此外，某些变换会改变 X 与 Y 之间的关系。例如，在 Scatchard 图中，X 的值（结合量）被用于计算 Y（结合量/游离量），这违反了线性回归的假设——即所有不确定性都存在于 Y 中，而 X 值是精确已知的。 如果相同的实验误差同时出现在X和Y两个方向上，那么最小化各点到直线的垂直距离的平方和就没有意义。

由于线性回归的假设被违反，从回归直线的斜率和截距推导出的数值并非模型中变量的最精确估计值。考虑到您在数据收集上投入了大量时间和精力，您自然希望采用最佳技术来分析数据。非线性回归能产生最精确的结果。

下图展示了数据转换的问题。左侧图表显示的数据遵循直角双曲线（结合等温线）。右侧图表是同一数据的斯卡查德图。左侧的实线曲线是由非线性回归确定的。右侧的实线显示了经过斯卡查德变换后，同一条曲线的外观。 虚线显示了经转换数据经线性回归拟合后的结果。斯凯查德图可用于确定受体数（Bmax，由线性回归线的X截距确定）和解离常数（Kd，由斜率的负倒数确定）。 由于斯卡查德变换放大了数据散点并导致其失真，因此线性回归拟合所得的 Bmax 和 Kd 值并非最准确。

不要仅仅为了避免使用非线性回归而使用线性回归。用非线性回归拟合曲线并不困难。

尽管分析转换后的数据通常并不恰当，但将数据经过线性转换后进行展示往往很有帮助。 许多人认为，对转换后的数据进行视觉解读更为容易。这合乎情理，因为人眼和大脑在进化过程中适应于识别边缘（直线）——而非识别直角双曲线或指数衰减曲线。即使您使用线性和非线性回归分析数据，展示线性转换后的结果也可能是合理的。