当我们想研究不同sample的某个变量A之间的差异时，往往会因为其它一些变量B对该变量的固有影响，而影响不同sample变量A的比较，这个时候需要对sample变量A进行标准化之后才能进行比较。标准化的方法是对sample 的 A变量和B变量进行loess回归，拟合变量A关于变量B的函数 f(b)，f(b)则表示在B的影响下A的理论取值，A-f(B)（A对f(b）残差）就可以去掉B变量对A变量的影响,此时残差值就可以作为标准化的A值在不同sample之间进行比较。
Loess局部加权多项式回归 LOWESS最初由Cleveland 提出,后又被Cleveland&Devlin及其他许多人发展。在R中loess 函数是以lowess函数为基础的更复杂功能更强大的函数。主要思想为:在数据集合的每一点用低维多项式拟合数据点的一个子集,并估计该点附近自变量数据点所对应的因变量值,该多项式是用加权最小二乘法来拟合;离该点越远,权重越小,该点的回归函数值就是这个局部多项式来得到,而用于加权最小二乘回归的数据子集是由最近邻方法确定。
最大优点:不需要事先设定一个函数来对所有数据拟合一个模型。并且可以对同一数据进行多次不同的拟合，先对某个变量进行拟合，再对另一变量进行拟合，以探索数据中可能存在的某种关系，这是普通的回归拟合无法做到的。
1. 以x0为中心确定一个区间，区间的宽度可以灵活掌握。具体来说，区间的宽度取决于q=fn。其中q是参与局部回归观察值的个数，f是参加局部回归观察值的个数占观察值个数的比例,n是观察值的个数。在实际应用中，往往先选定f值，再根据f和n确定q的取值，一般情况下f的取值在1/3到2/3之间。q与f的取值一般没有确定的准则。增大q值或f值，会导致平滑值平滑程度增加，对于数据中前在的细微变化模式则分辨率低，但噪声小，而对数据中大的变化模式的表现则比较好；小的q值或f值，曲线粗糙，分辨率高，但噪声大。没有一个标准的f值，比较明智的做法是不断的调试比较。
2. 定义区间内所有点的权数，权数由权数函数来确定，比如立方加权函数weight = (1 - (dist/maxdist)^3)^3),dist为距离x的距离，maxdist为区间内距离x的最大距离。任一点(x0,y0)的权数是权数函数曲线的高度。权数函数应包括以下三个方面特性：(1)加权函数上的点(x0,y0)具有最大权数。(2)当x离开x0(时，权数逐渐减少。(3)加权函数以x0为中心对称。
3. 对区间内的散点拟合一条曲线y=f(x)。拟合的直线反映直线关系，接近x0的点在直线的拟合中起到主要的作用，区间外的点它们的权数为零。
4. x0的平滑点就是x0在拟合出来的直线上的拟合点(y0,f( x0))。
5. 对所有的点求出平滑点，将平滑点连接就得到Loess回归曲线。
formula是公式，比如y~x,可以输入1到4个变量;
data是放着变量的数据框，如果data为空，则在环境中寻找;
na.action指定对NA数据的处理，默认是getOption("na.action");
model是否返回模型框；
span是alpha参数，可以控制平滑度,相当于上面所述的f，对于alpha小于1的时候，区间包含alpha的点，加权函数为立方加权，大于1时，使用所有的点，最大距离为alpha^(1/p)，p 为解释变量;
anp.target，定义span的备选方法；
normalize，对多变量normalize到同一scale；
family，如果是gaussian则使用最小二乘法，如果是symmetric则使用双权函数进行再下降的M估计；
method，是适应模型或者仅仅提取模型框架；
control进一步更高级的控制，使用loess.control的参数；
其它参数请自己参见manual并且查找资料
surface，拟合表面是从kd数进行插值还是进行精确计算；
statistics,统计数据是精确计算还是近似，精确计算很慢
trace.hat,要跟踪的平滑的矩阵精确计算或近似？建议使用超过1000个数据点逼近，
cell,如果通过kd树最大的点进行插值的近似。大于cell floor(nspancell)的点被细分。
robust fitting使用的迭代次数。