评估非线性回归的方法依赖于您的目标。

在许多情况下，您的目标是利用控制数据进行学习。如果这是您的目标，请查看另一份核查清单。

如果您的目标是建立一条用于插值未知值的标准曲线，那么您的方法依赖于该检测是全新的还是已有的。

成熟的检测方法

如果检测方法已成熟，那么您就知道自己拟合的是正确的模型，也知道会得到什么样的结果。在这种情况下，评估拟合度相当容易。

曲线是否紧贴数据点？

与该检测方法以往的运行结果相比，R²值是否“过低”？

如果是这样，请查找异常值，或使用 Prism 的自动异常值检测功能。

置信带是否过宽？

置信带能让您了解插值的准确性，因此，如果您的目标是根据曲线进行插值，我们建议始终绘制预测带。如果您正在运行一个成熟的检测方法，您就知道预期预测带的宽度应该是多少。

新检测

对于新检测，您还需思考是否选择了合适的模型。

曲线是否靠近数据点？

观察图表。曲线是否看起来紧贴数据点？

预测带是否过宽？

多宽才算太宽？预测带反映了插值的精度。在曲线上某处画一条水平线，观察该线与预测带的两个交点。这就是插值的置信区间。

数据点在最佳拟合曲线周围的分布是否服从高斯分布？

最小二乘回归基于一个假设：曲线周围数据点的分布服从高斯分布。Prism 提供了三种正态性检验（位于“诊断”选项卡中），可用于检验这一假设（我们推荐 D'Agostino 检验）。如果正态性检验的 P 值较低，则可得出结论：数据分布不呈高斯分布。

异常值是否会影响您的结果？

非线性回归基于以下假设：数据点在理想曲线周围的分布服从高斯分布。这一假设导致了最小化曲线与数据点距离平方和的目标。一个或几个异常值（距离曲线远超其他数据点的点）的存在可能会干扰最小二乘回归计算，并导致误导性的结果。

通过查看图表可以发现异常值（前提是绘制的是单个重复数据点，而非均值和误差线）。但异常值也可以自动检测。GraphPad开发了一种新的异常值识别方法，我们称之为ROUT法。在“诊断”选项卡中勾选该选项可统计异常值，但将其保留在计算中；或者在“拟合”选项卡中勾选该选项，将异常值排除在计算之外。

曲线是否系统性地偏离了数据？

如果游程检验或重复检验得出的 P 值较低，则可推断该曲线未能很好地描述数据。这可能意味着您选择了错误的模型。