多元非线性回归分析是一种多元非线性回归模型。

传统的求解多元非线性回归模型的方法仍然是将其转化为标准的线性多元回归模型。

一些非线性回归模型通过适当的数学变换可以得到线性化的表达式，而对于其他非线性回归模型，仅仅通过变量变换是没有帮助的。

属于前者的非线性回归模型通常称为内在线性回归，而后者称为内在非线性回归。

补充资料：线性回归
线性回归是利用数理统计中的回归分析来确定两个或多个变量之间的定量关系的一种统计分析方法。

表达式形式为y=w'x+e，e为误差的正态分布，平均值为0。

在回归分析中，只包含一个自变量和一个因变量，二者之间的关系可用直线近似。

这种回归分析称为单变量线性回归分析。

如果回归分析包含两个或两个以上的自变量，且因变量与自变量之间是线性关系，则称为多元线性回归分析。

在统计学中，线性回归是一种回归分析，它使用称为线性回归方程的最小二乘函数来建模一个或多个自变量和因变量之间的关系。

这个函数是一个或多个模型参数的线性组合，称
为回归系数。

只有一个自变量的情况称为简单回归，有多个自变量的情况称为多元回归。

（这应该再次通过由多个因变量而不是单个标量变量预测的多元线性回归来区分。

）在线性回归中，数据由线性预测函数建模，未知模型参数由数据估计。

这些模型称为线性模型。

最常用的线性回归模型是仿射函数，其中给定值x的条件平均值为x。

在不太常见的情况下，线性回归模型可以是Y或其他分位数条件分布的中值。

与所有形式的回归分析一样，线性回归侧重于给定x值的Y的条件概率分布，而不是x和Y的联合概率分布（在多元分析领域）。

线性回归是第一个经过严格研究并在实际应用中得到广泛应用的回归分析方法。

这是因为与未知参数线性相关的模型比与位置参数非线性相关的模型更容易拟合，并且更容易确定结果估计值的统计特性。

线性回归模型通常采用最小二乘法进行拟合，但也可以采用其他方法进行拟合，如最小化其他规范中的“拟合缺陷”（如最小绝对误差回归）或最小化桥梁回归的惩罚函数最小二
乘法，最小二乘法可用于拟合这些非线性模型。

因此，虽然“最小二乘法”和“线性模型”是紧密相连的，但它们不可能是相等的。