统计建模
非线性回归
在参数进入函数的方式已经弯曲时，用非线性最小二乘估计米氏饱和或指数衰减，并用迭代分箱查看求解器走了多远。
这篇能回答什么
非线性回归（工作台目录常写作「拟合工具箱」）问的是：浓度升高以后速率会不会饱和、存量会不会按指数掉下去——而不是「再加一分成绩，总分平均涨多少」。均值函数 f(x,θ) 对参数 θ 不能写成 Xβ，要用高斯-牛顿或莱文伯格-马夸尔特去最小化残差平方和。教学表不打印 Wald z，只把求解器记下的步数打进三个互斥迭代分箱。
适合：已知机理曲线。米氏（Michaelis–Menten）速率 v=V_{max}[S]/(K_m+[S])；指数 y=ae^{bx} 或一阶衰减 y=a(1-e^{-kx})。教学占用合计 265 步：早段 A 65（24.53%），中段 B 72（27.17%），近收敛 C 128（48.3%）。C 大只说明多数记录步已经走在平坦的 RSS 面上，不能写成「曲线已经对、K_m 可信」。
如何选择方法
先问弯曲发生在哪一层。函数形式对 θ 非线性 → 本页 NLS。对 θ 线性、只是 Y 的分布不是正态 → GLM。没有指定响应、只拆格子关联 → 对数线性。同一人多次随访、要总体平均并改工作相关 → 广义估计方程。把米氏式两边取倒数做成 Lineweaver–Burk 直线，会把误差结构拧歪，不能代替本页。
非线性回归：一条定量 X、一条定量 Y、预指定 f；输出拟合轨迹与迭代分箱。
线性回归（OLS）：Y≈Xβ，斜率对参数是平的。
广义线性模型：g(μ)=Xβ，弯的是连接，不是 θ 的进入方式。
对数线性模型：对格子期望取对数，对象是列联表而不是浓度–速率点。
输入、输出与限制
输入
自变量是浓度、时间或剂量，因变量是速率、存量或株高，都必须是定量。函数形式从米氏、指数、logistic 生长里选，或按教材写入。缺失按所用列成对删除。
自变量 X：最少 1 个，最多 1 个定量列。
因变量 Y：最少 1 个，最多 1 个定量列。
函数形式：米氏、指数或用户给出的 f(x,θ)。
输出
结果表项目列写「拟合工具箱」。类别 A/B/C 是早/中/晚迭代分箱的步数与占比，合计 265。没有系数、标准误或 Wald 列，不要把 48.3% 读成某个参数的显著性。图是自变量–因变量散点加一条拟合轨迹。
产品限制
占用合计是求解器记下的步，不必等于工作表行数（年报「annual」只有二十来期）。
初值离盆地太远时，莱文伯格阻尼会把步数堆进晚段分箱，看起来「C 很大」其实在原地踏。
标识列、纯日期序号不能当浓度。
散点图是配对视图；完整分箱人数以表的『取值』列为准。
案例
研究问题。 一条年度产值序列看起来往上弯，研究者想用指数或饱和生长去贴，而不是强行画一条过原点的直线；同时先看求解器的步是堆在早段还是已经挤在近收敛分箱。
教学示例下载时间序列表，练习曲线用「annual」工作表：年份对产值。占用合计 265 步，早段 65、中段 72、晚段 128，与二十期年报行数不必相等。若要练「两个定量列配对」，定量成绩表里的数学成绩对物理成绩通常更接近直线，只适合对照，不适合宣称米氏动力学。
在 StatsX 中操作
步骤 1 · 拖入年报或成绩表
打开工作台后放入 Excel / CSV / JSON。练指数或饱和生长选「annual」；对照直线可选定量成绩表。体积上限 20 MB。
步骤 2 · 核对数列而不是学号
画像里确认产值或成绩为定量、按时间或浓度升序。不要把学号、姓名拖进 X。仍在线性爬坡且机理就是直线时，应离开本页。
步骤 3 · 找到拟合工具箱
目录搜索「非线性」或「拟合工具箱」。它估计弯曲的 f(x,θ)，不是自动选阶的时序按钮。
步骤 4 · 指定 X、Y 与曲线
X 放年份或浓度，Y 放产值或速率。函数选指数或米氏，给一个说得通的初值（V_{max} 靠近最大观测速率），再运行。
步骤 5 · 先看分箱再看轨迹
早段是否很快降 RSS，晚段是否只是在阻尼里空转。轨迹与表不一致时引用表。
如何阅读输出
下表是迭代分箱，不是系数表。合计 265 步。A 早段 65（24.53%）对应 RSS 仍在大幅下降的步；B 中段 72（27.17%）对应步长已经缩短；C 晚段 128（48.3%）对应靠近驻点或被阻尼钉住的步。占比分母是记下的步数，不是年数，也不是学生人数。
| 项目 | 类别 | 统计量 | 取值 |
|---|---|---|---|
| 拟合工具箱 | 类别 A | 频数 | 65 |
| 拟合工具箱 | 类别 B | 频数 | 72 |
| 拟合工具箱 | 类别 C | 频数 | 128 |
| 拟合工具箱 | 合计 | 有效样本 N | 265 |
| 拟合工具箱 | 类别 A | 占比(%) | 24.53 |
| 拟合工具箱 | 类别 B | 占比(%) | 27.17 |
| 拟合工具箱 | 类别 C | 占比(%) | 48.3 |
左右滑动可查看完整表格
教学示例表在 StatsX 工作台中的计算结果口径。
C 独占约一半步（48.3%）很常见：求解器在盆地附近会连记许多小步。这不能翻译成「米氏已经拟合成功」。早段若几乎为空，多半是初值已经贴在终值上，或阻尼一开始就把更新压没了。反过来，早段很大而晚段几乎走不到，要怀疑函数选错或初值飞出定义域（K_m 被推成负数）。
阅读顺序：合计步数是否对得上这次运行 → 三箱占比是否畸形堆在一箱 → 散点有没有饱和或指数弯曲 → 只有在轨迹和机理一致时，才去讨论 V_{max}、K_m 或衰减常数。表头没有 Wald，就不要补一列「显著」。换初值或换指数/米氏，分箱占比可以整份改写。
理论与公式
非线性最小二乘寻找 \hatθ=arg min_θ S(θ)，其中
米氏与指数是本页最常用的 f。米氏在高浓度饱和；指数在半对数纸上接近直线，但误差仍在原始尺度上相加。
高斯-牛顿用雅可比 J=∂f/∂θ 做局部线性化；莱文伯格-马夸尔特在法矩阵对角加上阻尼 λ，λ 大时步子像梯度下降。教学分箱按「这一步 RSS 相对下降」切开：下降猛进早段，下降微弱进晚段。渐近协方差要在收敛以后用法矩阵的逆再乘残差方差另算，本页占用表不提供那一列。Lineweaver–Burk 把米氏改写成 1/v 对 1/s 的直线，低速率点会被放大，因此本页坚持在原始尺度上做 NLS。
注意事项
晚段分箱大 ≠ 收敛成功；看 RSS 是否还在降，以及参数有没有撞到边界。
初值决定你掉进哪一口井；V_{max} 请从最大观测速率附近起，不要从 0 起。
年份当 X 时，最好先平移到从 0 起，否则指数里的 b 会病态。
本页不管聚类；同一株作物反复量株高，应改 GEE 或混合模型。
图上的直线感不能反证「所以该用 OLS」——先看机理，再看分箱。
常见问题
参考文献
Bates, D. M., Watts, D. G. Nonlinear Regression Analysis and Its Applications. Wiley.
Seber, G. A. F., Wild, C. J. Nonlinear Regression. Wiley.
Michaelis, L., Menten, M. L. Die Kinetik der Invertinwirkung. Biochemische Zeitschrift, 1913.
何晓群, 刘文卿. 应用回归分析[M]. 中国人民大学出版社.