对数据点进行差异化加权通常很有用。了解原因。

Prism 在多元回归的“权重”选项卡中提供了四种选择：

不加权。回归分析通常是通过最小化数据点到直线或曲线的垂直距离的平方和来进行的。 距离曲线越远的数据点，对平方和的贡献越大；距离曲线越近的数据点，贡献则越小。当您预期曲线各部分的实验散点平均值相同时，这种做法是合理的。

按 1/Y² 加权。在许多实验情境中，当 Y 值较高时，数据点到曲线的平均距离（或更准确地说，距离的平均绝对值）通常会更大。散布较大的数据点将产生更大的平方和，从而在计算中占据主导地位。 若预期相对距离（残差除以曲线高度）保持一致，则应采用 1/Y² 作为权重。

按 1/Y 加权。当散布服从泊松分布时（即 Y 代表定义空间内的对象数量或定义区间内的事件数量），有时会使用这种加权方式。由于 Prism 提供了 Poisson回归（“模型”选项卡中的选项），因此 1/Y 加权几乎没有用武之地。

按 1/YK 加权。也称为“通用加权”。了解更多。