Durch die Nichtlineare Regression wird das Anwendungsspektrum der klassischen Regressionsanalyse erheblich erweitert. Es lassen sich nahezu beliebige Zusammenhänge (z. B. exponentielle, kubische, U-förmige) zwischen einer abhängigen und ein oder mehreren unabhängigen Variablen schätzen. Anwendungen hierzu finden sich z. B. im Rahmen der Werbewirkungsforschung (Abhängigkeit der Werbeerinnerung von der Zahl der Werbekontakte, Abhängigkeit der Absatzmenge von der Höhe des Werbebudgets oder in der Marktforschung bei der Untersuchung des Wachstums von neuen Produkten). Die Nichtlineare Regression ist allerdings mit einer Reihe von Problemen verbunden: Der Rechenaufwand ist um ein Vielfaches größer als bei der traditionellen Regressionsanalyse, da iterative Algorithmen für die Berechnung der Schätzwerte verwendet werden müssen. Ob diese Algorithmen konvergieren, hängt u. a. davon ab, welche Startwerte der Untersucher vorgibt. Es werden somit auch erhöhte Anforderungen an den Anwender gestellt. Ein weiterer Nachteil ist, dass die statistischen Tests, die bei der linearen Regressionsanalyse zur Prüfung der Güte des Modells oder der Signifikanz der Parameter verwendet werden, für die nichtlineare Regression nicht anwendbar sind. Die Vorgehensweise zur Nichtlinearen Regression wird zunächst anhand eines einfachen Anwendungsbeispiels verdeutlicht und anschließend für ein größeres Fallbeispiel mit Hilfe der Prozedur NLR in IBM SPSS gerechnet.