标准曲线法与加权最小二乘拟合方法
在分析化学的定量分析领域，标准曲线法是确定未知样品浓度的最常用且基础的方法。其核心原理基于朗伯 - 比尔定律，即在一定浓度范围内，吸光度（或荧光强度、电化学信号等）与待测组分的浓度呈线性关系。通过配制一系列已知浓度的标准溶液，测定其响应值并绘制曲线，即可利用该曲线推算未知样品的浓度。然而，在实际实验数据中，高浓度点的测量误差往往显著大于低浓度点，若直接采用普通最小二乘法进行线性回归，会导致低浓度区域的拟合精度下降，甚至出现截距偏离真实值的情况。此时，引入加权最小二乘拟合方法成为优化模型的关键步骤。
数据误差的非均匀性与加权原理
普通最小二乘法（OLS）假设所有数据点的误差方差是恒定的（同方差性），即每个数据点对拟合结果的贡献权重相等。但在分析化学实践中，仪器的噪声水平通常随信号强度的增加而增大。例如，在紫外 - 可见分光光度法中，吸光度在 0.2 至 0.8 之间时信噪比最高，而吸光度过低或过高时，相对误差会显著增加。这种异方差性（Heteroscedasticity）意味着高浓度点的测量不确定性更大，低浓度点的测量更精确。
加权最小二乘法（WLS）正是为了解决这一问题而设计的。该方法的核心思想是根据每个数据点的测量精度赋予不同的权重。精度越高（方差越小），权重越大；精度越低（方差越大），权重越小。在数学上，若第 $i$ 个数据点的标准偏差为 $\sigma_i$，则其权重 $w_i$ 通常设为标准偏差的倒数，即 $w_i = 1/\sigma_i^2$。通过这种方式，拟合算法会更多地关注高置信度的数据点，从而得到一条既符合高浓度趋势又能准确通过低浓度区域的回归直线。
权重系数的确定与实验设计
在实际操作中，权重系数 $w_i$ 的获取往往依赖于实验数据的统计特性。一种常见且实用的方法是基于残差分析来确定权重。首先，使用普通最小二乘法进行初步拟合，得到回归方程 $y = a + bx$。接着，计算每个数据点的残差 $e_i = y_i - (a + bx_i)$，并计算相对残差 $r_i = e_i / y_i$。
对于大多数分析仪器而言，相对误差与浓度的平方根成正比，即 $\sigma_i \propto \sqrt{C_i}$。因此，权重 $w_i$ 可设定为浓度 $C_i$ 的倒数，即 $w_i = 1/C_i$。若相对误差与浓度的平方成正比，则权重可设为 $w_i = 1/C_i^2$。
具体实施时，建议采用以下策略：
- 预实验评估：在正式拟合前，先进行一次简单的 OLS 拟合，观察残差图。若残差随浓度增加而呈系统性扩大，则表明存在异方差性，需引入加权。
- 权重计算：根据预实验数据计算各点的权重，通常使用 $w_i = 1/x_i$ 或 $w_i = 1/x_i^2$。
- 迭代拟合：使用加权最小二乘算法重新计算斜率 $b$ 和截距 $a$，直至残差分布均匀。
加权最小二乘法的数学实现与示例
加权最小二乘法的线性回归方程求解公式与普通最小二乘法类似，但引入了权重矩阵。对于一元线性回归 $y = a + bx$，加权后的斜率 $b$ 和截距 $a$ 计算公式如下：
$$
b = \frac{\sum w_i (x_i - \bar{x}_w)(y_i - \bar{y}_w)}{\sum w_i (x_i - \bar{x}_w)^2}
$$
$$
a = \bar{y}_w - b \bar{x}_w
$$
其中，$\bar{x}_w$ 和 $\bar{y}_w$ 分别为加权均值，计算公式为：
$$
\bar{x}_w = \frac{\sum w_i x_i}{\sum w_i}, \quad \bar{y}_w = \frac{\sum w_i y_i}{\sum w_i}
$$
示例场景：
假设我们测定了 5 个不同浓度的标准溶液，其浓度 $x$（mg/L）和吸光度 $y$ 数据如下：
(0.1, 0.05), (0.2, 0.10), (0.5, 0.25), (1.0, 0.52), (2.0, 1.05)。
若采用普通最小二乘法，由于高浓度点（如 2.0 mg/L）的绝对误差可能较大，拟合直线可能会略微向上倾斜，导致低浓度区（如 0.1 mg/L）的预测值偏低。
若采用加权最小二乘法，并设定权重 $w_i = 1/x_i$，则低浓度点（0.1, 0.2）的权重分别为 10, 5, 2, 1, 0.5。算法在计算斜率时，会给予前两个点更高的“话语权”，强制回归线更紧密地贴合低浓度区域的真实趋势，从而提高了整个线性范围内的预测准确度，特别是对于痕量分析中低浓度样品的定量至关重要。
结论与最佳实践建议
标准曲线法是分析化学定量分析的基石，而加权最小二乘拟合则是提升该法精度的重要技术手段。面对异方差性的实验数据，盲目使用普通最小二乘法可能导致系统误差，影响最终结果的可靠性。通过合理评估数据误差分布，科学地设定权重系数，并采用加权最小二乘算法进行回归，可以显著改善拟合效果，确保低浓度和高浓度区域的测定结果均具有高度的准确性和一致性。在实际工作中，建议结合仪器特性与实验数据分布特征，灵活选择加权策略，以构建最优的分析模型。