我们大多数人都知道什么是线。你可以找到很多定义，但大多数都包含一条直线是直线的说法；它没有曲线。所以当我们谈论线性模型时，我们想回到直线的定义。线性模型没有曲线，对吧？错误的！
统计学家会告诉你线性模型是线性的在参数中. 不知何故，这似乎无济于事。那么，让我们来看看一些线性模型。
一个简单的线性模型统计数据类似于我们在代数中学到的那条线，可以写成：
但下图中显示的模型也是线性模型：
这些不是直线的线性模型具有如下公式：
在这些模型中，beta 是参数，X 是自变量。因此，也许看待这一点的方式是，在线性模型中，模型的每一项中只有一个参数，并且每个参数都是该项的自变量的乘法常数。
相比之下，非线性模型没有这种简单的形式。非线性模型的例子有：
当您绘制它们时，这些模型可能看起来与线性模型没有太大区别：
然而，在数学上它们是非常不同的，因为这些模型关于任何参数的导数取决于这个或其他参数。这些非线性模型需要迭代估计过程，这与使用公式获得线性模型的最小二乘估计有很大不同。
因此，在拟合非线性模型时，分析人员必须指定要拟合的模型、要估计的参数以及这些参数的起始值。这可以在JMP使用拟合曲线平台。或者，您可以将非线性平台与模型库中的模型或自定义列公式一起使用。这些选项将在后续帖子中讨论。寻找下一个，这将展示在 JMP 中非线性建模是多么容易。
编者按：查看全文四部分系列.
非常感谢您提供有关非线性建模的讨论。我相信这组非线性分析工具对于医药产品开发和制造中的许多主题都至关重要。我期待即将到来的分期付款。
