任何科学实践必须有科学理论的支撑。在这个意义上讲，经验有时候是一种误导。在寻求某个困扰自己的问题答案的时候，我提倡用理论支撑的观点来表达自己和说服自己。任何的盲从和权威都是不可取的。标准曲线的做法问题也是如此。
1、标准曲线的本质。标准曲线是标准物质的物理/化学属性跟仪器响应之间的函数关系。建立标准曲线的目的是推导待测物质的理化属性。如果有不需要标准曲线的方法，比如绝对校正，我想大家都会高兴。
2、标准曲线的适用性。这是做标准曲线的重要前提，这个问题实际很简单，就是这样一个问题：我的样品的仪器响应能否用我们所建立的标准曲线来推导其理化属性？答案建立在仪器响应的特异性和标准系列和样品的匹配性上面。一方面我们总是力求仪器的响应对于标准和样品是一视同仁；同时我们也要求我的样本跟标准基体匹配。所以最好的标准是基体匹配标准，最好的标准曲线是工作曲线。这样，我们也很好理解为什么大多数分析要求标准曲线和样品同批测定（除非经过实验，标准曲线的变化不大），同样的道理也可以理解为什么我们在做大批量检测的时候要插入QC检验样本，以考察仪器的稳定性。即使在任何信息未知的情况下，我们还是要做我们的分析测试的（要不，我们都失业了），因为大家都是用同样的方法做，要错大家一起错；同时也因为我们相信伴随科学的进步，我们所测试的结果的准确性就越接近真理。
3、简单的标准曲线----单点校正。对于分析成本高的测试，单点校正是不得以的选择。现在应用最多的是色谱分析，很多国家标准或国际标准都采用单点校正，实际是建立在色谱分析的高选择性上面：我们的空白一般都很小，我们的线性一般都很好。在有这么多验前概率的支撑下，色谱分析中大量的单点校正不失为一个合理的选择。但单点校正要丢失很多的信息量，这个信息量就是不确定度。
4、标准曲线的点的分布。从不确定度理论推算样本的不确定度时，有二个重要的结论：一、标准曲线的重心点处，所查出来的样品不确定度最小。二、标准的点数越多，样品的不确定度越小。基于这两个结论的标准曲线的做法应该是：在样品浓度的附近尽量的多布标准点。点做多做少，点分布如何，影响的是标准曲线所查出来的样品的理化属性的不确定度。好的测量应该是不确定度小的测量，这在判断样品的结果是否超标或符合限值的时候至关重要。
5、实际的标准曲线。现有方法趋向于标准曲线适用于较宽的样品浓度范围。在较宽的浓度跨度和有限的标准点的情况下，均匀的分布浓度点是最佳选择，这样对该标准曲线覆盖的浓度范围内，对于所有的浓度所提供的信息量都是相同的。奇数点的设置来源于我们的信息，我们总是先知道浓度的范围，在该浓度范围先确定中间点，然后在中间点左右分布对称的标准曲线点，所以出来的总是奇数个点。正如前面强调的是，点多点少，最后影响的是标准曲线所查出样品理化属性的不确定度，到底多大的不确定度是符合要求呢，这就是你在判断样品的结果是否超标或符合限值的时候有重要意义了。
6、标准曲线的评价。一般认为标准曲线用相关系数来评价好坏，其实最科学的方法是检验直线方程剩余残差的随机性，统计学上采用F检验。英国的RSC下AMC专委对此有专门的TN.参见www.rsc.org/amc/因为上课的原因，经常会有学生问到标准曲线的问题，现把对直 线方程的几个重要需要问题的理解总结如下，供参考：
1、回归方程的应用前提。不是任何情况都去回归，从最小二乘的定义上只考虑了响应的误差，使该直线到参与回归点的垂直距离的和最小，换句话说就是只考虑了响应（Y轴）上的误差，并假定该误差是服从正态分布的，才有不确定度计算中那个经典的直线回归的不确定度计算公式。从另外的角度讲，譬如分段拟合，最小一乘拟合就不能用我们不确定度的公式了。如果考虑浓度(X轴)的误差应该采用最小似然比的方法。
2、关于标准曲线的个数的问题。这个问题实际上是对于不确定度的把握。做几个点就对应多大的不确定度，单从公式上分析，点数增加不确定度就减少。点数增加可以是浓度点的增加，也可以是同一浓度的测定次数的增加。这个意义上讲，一个浓度多测几次，用平均值算出来的方程和完全按单独点计算的方程是一致的，但不确定度不一样。
3、标准曲线应该是每个点重复1-3次，随机安排标准点的实验顺序。重复是降低不确定度，随机可以避免仪器测定的系统误差。
4、加不加(0,0)点的问题。一般的仪器是默认加入(0,0)，如果你做了空白的就应该用(0,0)管调整仪器的基线。加入(0,0)点不代表该回归曲线一定过(0,0)点，有时我们会采用强制过(0,0)点的回归方法，这时的直线就是Y=bX，同样采用最小二乘的方法。这样回归与普通的回归有不同的不确定度。
5、先减空白的响应带入回归方程，还是先算出空白浓度再用样品浓度减空白浓度。有时两种计算的结果差别非常的大。先减空白的响应比先用空白响应带入直线的方法要引入少一步的不确定度。先减空白所引入的不确定度为：空白不确定度+样品不确定度+带入直线方程的不确定度，而先算出空白的浓度的话：空白不确定度+空白带入直线的不确定度+样品不确定度+样品带入直线方程的不确定度，并且标准曲线接近空白的不确定度非常的大。
任何科学实践必须有科学理论的支撑。在这个意义上讲，经验有时候是一种误导。在寻求某个困扰自己的问题答案的时候，我提倡用理论支撑的观点来表达自己和说服自己。任何的盲从和权威都是不可取的。标准曲线的做法问题也是如此。
1、标准曲线的本质。标准曲线是标准物质的物理/化学属性跟仪器响应之间的函数关系。建立标准曲线的目的是推导待测物质的理化属性。如果有不需要标准曲线的方法，比如绝对校正，我想大家都会高兴。
2、标准曲线的适用性。这是做标准曲线的重要前提，这个问题实际很简单，就是这样一个问题：我的样品的仪器响应能否用我们所建立的标准曲线来推导其理化属性？答案建立在仪器响应的特异性和标准系列和样品的匹配性上面。一方面我们总是力求仪器的响应对于标准和样品是一视同仁；同时我们也要求我的样本跟标准基体匹配。所以最好的标准是基体匹配标准，最好的标准曲线是工作曲线。这样，我们也很好理解为什么大多数分析要求标准曲线和样品同批测定（除非经过实验，标准曲线的变化不大），同样的道理也可以理解为什么我们在做大批量检测的时候要插入QC检验样本，以考察仪器的稳定性。即使在任何信息未知的情况下，我们还是要做我们的分析测试的（要不，我们都失业了），因为大家都是用同样的方法做，要错大家一起错；同时也因为我们相信伴随科学的进步，我们所测试的结果的准确性就越接近真理。
3、简单的标准曲线----单点校正。对于分析成本高的测试，单点校正是不得以的选择。现在应用最多的是色谱分析，很多国家标准或国际标准都采用单点校正，实际是建立在色谱分析的高选择性上面：我们的空白一般都很小，我们的线性一般都很好。在有这么多验前概率的支撑下，色谱分析中大量的单点校正不失为一个合理的选择。但单点校正要丢失很多的信息量，这个信息量就是不确定度。
4、标准曲线的点的分布。从不确定度理论推算样本的不确定度时，有二个重要的结论：一、标准曲线的重心点处，所查出来的样品不确定度最小。二、标准的点数越多，样品的不确定度越小。基于这两个结论的标准曲线的做法应该是：在样品浓度的附近尽量的多布标准点。点做多做少，点分布如何，影响的是标准曲线所查出来的样品的理化属性的不确定度。好的测量应该是不确定度小的测量，这在判断样品的结果是否超标或符合限值的时候至关重要。
5、实际的标准曲线。现有方法趋向于标准曲线适用于较宽的样品浓度范围。在较宽的浓度跨度和有限的标准点的情况下，均匀的分布浓度点是最佳选择，这样对该标准曲线覆盖的浓度范围内，对于所有的浓度所提供的信息量都是相同的。奇数点的设置来源于我们的信息，我们总是先知道浓度的范围，在该浓度范围先确定中间点，然后在中间点左右分布对称的标准曲线点，所以出来的总是奇数个点。正如前面强调的是，点多点少，最后影响的是标准曲线所查出样品理化属性的不确定度，到底多大的不确定度是符合要求呢，这就是你在判断样品的结果是否超标或符合限值的时候有重要意义了。
6、标准曲线的评价。一般认为标准曲线用相关系数来评价好坏，其实最科学的方法是检验直线方程剩余残差的随机性，统计学上采用F检验。英国的RSC下AMC专委对此有专门的TN.参见www.rsc.org/amc/因为上课的原因，经常会有学生问到标准曲线的问题，现把对直 线方程的几个重要需要问题的理解总结如下，供参考：
1、回归方程的应用前提。不是任何情况都去回归，从最小二乘的定义上只考虑了响应的误差，使该直线到参与回归点的垂直距离的和最小，换句话说就是只考虑了响应（Y轴）上的误差，并假定该误差是服从正态分布的，才有不确定度计算中那个经典的直线回归的不确定度计算公式。从另外的角度讲，譬如分段拟合，最小一乘拟合就不能用我们不确定度的公式了。如果考虑浓度(X轴)的误差应该采用最小似然比的方法。
2、关于标准曲线的个数的问题。这个问题实际上是对于不确定度的把握。做几个点就对应多大的不确定度，单从公式上分析，点数增加不确定度就减少。点数增加可以是浓度点的增加，也可以是同一浓度的测定次数的增加。这个意义上讲，一个浓度多测几次，用平均值算出来的方程和完全按单独点计算的方程是一致的，但不确定度不一样。
3、标准曲线应该是每个点重复1-3次，随机安排标准点的实验顺序。重复是降低不确定度，随机可以避免仪器测定的系统误差。
4、加不加(0,0)点的问题。一般的仪器是默认加入(0,0)，如果你做了空白的就应该用(0,0)管调整仪器的基线。加入(0,0)点不代表该回归曲线一定过(0,0)点，有时我们会采用强制过(0,0)点的回归方法，这时的直线就是Y=bX，同样采用最小二乘的方法。这样回归与普通的回归有不同的不确定度。
5、先减空白的响应带入回归方程，还是先算出空白浓度再用样品浓度减空白浓度。有时两种计算的结果差别非常的大。先减空白的响应比先用空白响应带入直线的方法要引入少一步的不确定度。先减空白所引入的不确定度为：空白不确定度+样品不确定度+带入直线方程的不确定度，而先算出空白的浓度的话：空白不确定度+空白带入直线的不确定度+样品不确定度+样品带入直线方程的不确定度，并且标准曲线接近空白的不确定度非常的大。