在对常限制型了解之后，咱们使用本色的数据集来拟合此模子。征询者进行一项微型历练欧美av，在四种浓度下各近似测量三次。在历练经过中，他们探究在 500 只跳蚤中被杀死的跳蚤数目。关于「无增强剂」组的数据，第二浓度组的数据被破损了，是以如下方图 2 咱们只得回三行数据。
图 2 新建数据表
图 3 数据表-输入数据
通过该历练数据绘图出的图 4 披露，跟着剂量增多，反应也会增多。因此采用刺激模子比扼制模子更为顺应。
图 4 自动生成的图表
因为本色的浓度相配小，取对数可以让咱们在一个更合理的鸿沟上探究浓度。调遣这些X值不会改变参数的最好拟合值或它们的尺度舛误或置信区间。
图 5 将浓度调遣为对数披露
图 6 数据表-对数调遣成果
图 7 四对数数据表的图表披露
咱们可以从该运转数据集进行分析，操作如下：【Analyze > XY analyses > Nonlinear regression (curve fit) > Dose-response -Stimulation > log (agonist) vs. response -- Variable slope (four parameters)】【分析> XY 分析>非线性总结（弧线拟合）>剂量反应-刺激>对数（欢叫剂）与反应-可变斜率（四个参数）】
图 8 Analyze 操作关节
在成果表（图 9）中，可以看到「有增强剂」模子有一组竣工的参数计算和置信区间，但另一边「无增强剂」模子被标志为「不解确的」，这示意其披露的数据成果是不成信的。
图 9 成果页
自 8.2 版块起，Prism 可以搜检是哪些参数会导致不解确的拟合。这些被称为不稳健参数，可以在分析时通过从置信度选项卡（Confidence tab）中采用「识别不稳健参数（Identify unstable parameters）」来设置，大约在器具栏的 Analyze 右侧的
按钮来修改参数。
图 10 设置「识别不稳健参数」
可以看到在「无增强剂」模子中，Top 参数是不稳健的（如图11）。在这个模子中存在一个不稳健参数并不奇怪，因为四参数 logistic 模子需要 4 个或更多X浓度数据，而「无增强剂」数据蚁集独一 3 个浓度的值。
图 11 成果页-分析成果更新欧美av
当咱们遭受不解确的模子时，可以试着通过将一个或多个参数设置为常数（constant）来减少模子中的参数数目。这需要咱们了解反应（response）的活动口头。在这个历练中，征询者服气在相配低的浓度下其反应应该是零，现在的数据也确认了这小数，是以咱们将通过输入 0 动作 Bottom 参数的管理来减少每个模子的参数数目，从 4 个减少到 3 个。这将两个模子的参数总和从 8 个减少到 6 个。一般来说，你计算的参数越少，模子管理（converge）的可能性就越大。操作如下：【Analyze > XY analyses > Nonlinear regression (curve fit) > Dose-response -Stimulation > log (agonist) vs. response -- Variable slope (four parameters)】【分析> XY分析>非线性总结（弧线拟合）>剂量反应-刺激>对数（欢叫剂）与反应-可变斜率（四个参数）】
图 12 设置 Bottom 参数管理
如下图 13，将 Bottom 设置为 0，但「无增强剂」模子中仍然有不稳健的参数。
图 13 成果页分析成果更新
再次减少需要估算的参数数目。征询者觉得这两种模子应该具有疏导的弧线坡度（Hill Slope）。通过分享坡度（Hill Slope）参数，参数数目将从 6 个减少到 5 个。操作如下：【Analyze > XY analyses > Nonlinear regression (curve fit) > Dose-response -Stimulation > log (agonist) vs. response -- Variable slope (four parameters)】【分析> XY 分析>非线性总结（弧线拟合）>剂量反应-刺激>对数（欢叫剂）与反应-可变斜率（四个参数）】
图 14 设置 Hill Slope 参数的管理
这么一来两个模子齐管理了，可以看到关于总共参数咱们齐有相应的计算和置信区间（如图 15）。
图 15 成果页分析成果更新
征询者但愿这两条弧线的 Maximal response 齐在 400 阁下，而这些模子的弧线图齐莫得呈现出接近这个值的趋势。
图 16 图表
为了更好地计算 Top 参数，征询者决定在 -6.5 的对数浓度（log concentration）下辘集更多的数据（见图 17），并确保它们具有疏导的 maximal response。通过 Prism 8 中的管理选项卡（the Constrain tab）来分享 Top 参数，只保留 LogEC50 参数不受管理（见图 18）。操作如下：【Analyze > XY analyses > Nonlinear regression (curve fit) > Dose-response -Stimulation > log (agonist) vs. response -- Variable slope (four parameters)】【分析> XY 分析>非线性总结（弧线拟合）>剂量反应-刺激>对数（欢叫剂）与反应-可变斜率（四个参数）】
图 17 五数据表更新
图 18 设置 Top 参数管理
这个更正可以，两组模子中的 Top 参数齐接近 400 了（如图 19）。
图 19 成果页分析成果更新 – Top
但可能会缅想「无增强剂」模子中 EC50 值的计算，可以看到该模子中对数值是 -5.84（如下图 20）。
图 20 成果页分析成果更新 – LogEC50
底下图 21 是荣达成的图表，在对数刻度上莫得任何 -5.84 的数据，是因为咱们对 EC50 的计算是基于外推法，意味着咱们是在数据鸿沟除外作念展望。
图 21 图表
为了幸免这种外推（extrapolation），征询者决定辘集零星的数据来捕捉「无增强剂」的剂量反应弧线的中间和右侧。
图 22 数据表更新
在辘集这些数据之后，莫得通过外推法去计算，而是如更窄的置信区间所示，咱们很好地计算了各项参数。
图 23 成果页分析成果更新
如下图（图 24）所示，咱们按预期拟合了数据。
图 24 图表
然则通盘分析到这里还莫得适度。由于到现在为止咱们所看到的图披露的是均值而非原始数据，因此搜检残差图以检验颠倒值黑白常迫切的。下方的 QQ residual plot 图（QQ 残差图）（图 26）披露存在一个颠倒值（outlier）。
图 25 设置披露「QQ Plot」
图 26 残差图
将这个颠倒值映射回数据集，可以看到它是在「无增强剂」组的高剂量情况下发生的（如下图 27）。 这个值输入诞妄，应为 345。
图 27 数据表更新
郑重，这小数也可以通过在 Method 选项卡中采用「检测和摈斥颠倒值（Detect and eliminate outliers）」来识别和删除。操作如下：【Analyze > XY analyses > Nonlinear regression (curve fit) > Dose-response -Stimulation > log (agonist) vs. response -- Variable slope (four parameters)】【分析> XY 分析>非线性总结（弧线拟合）>剂量反应-刺激>对数（欢叫剂）与反应-可变斜率（四个参数）】
图 28 设置监测和摈斥颠倒值
图 29 成果表-颠倒值教导
进行更正后，可以看到最终图形披清楚更好的拟合度。
图 30 最终图表欧美av