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。假如(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。先减空白所引如不确定度为：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，因为标准曲线接近空白的不确定度是非常的大。