什么是假最小值？

非线性回归过程会通过微小步长调整变量，以改善拟合优度。如果 Prism 收敛到某个结果，您可以确信，稍微改变任何一个变量都会导致拟合效果变差。但从理论上讲，变量的较大调整可能会带来显著更好的拟合优度。因此，Prism 判定为“最佳”的曲线，实际上可能并非最佳。

试将纬度和经度视为 Prism 试图拟合的两个变量。现在将海拔视为平方和。 非线性回归通过迭代过程来减小平方和。这就像沿着山坡往下走，寻找山谷的底部。当非线性回归收敛时，改变任何变量都会增加平方和。当您处于山谷底部时，每个方向都意味着要爬坡。但山脊的另一侧可能存在一个您未曾察觉的更深的谷底。在非线性回归中，变量的较大变化可能会减小平方和。

这一问题（称为寻找局部最小值）是线性回归固有的，无论使用何种程序。如果数据离散度较小、在适当的 X 值范围内采集了数据，并且选择了合适的方程，那么您很少会遇到局部最小值。

检测假最小值

要检验是否存在虚假最小值：

1.记录首次拟合中各变量的数值及平方和。

2.大幅调整一个或多个参数的初始值，然后重新进行拟合。

3.重复步骤 2 数次。

理想情况下，无论初始值如何，Prism 报告的平方和及参数值应基本相同。若数值不同，则采用平方和最小的那组。