非线性回归模型可以用于参数估计的常用方法有（）A. 修正高斯-牛顿法（Modified Gauss-Newton）B. 牛顿法（Newton）C. 最速下降法（Steepest-Descent）或梯度法（Gradient）D. 最小二乘法E. 麦夸特法（Marquardt）

本题考查非线性回归模型参数估计的常用方法。解题思路是需要对每个选项所涉及的方法进行分析，判断其是否可用于非线性回归模型的参数估计。

选项A

修正高斯 - 牛顿法（Modified Gauss - Newton）是一种用于求解非线性最小二乘问题的迭代算法，在非线性回归模型中，我们常常需要最小化残差平方和，修正高斯 - 牛顿法通过对非线性函数进行线性近似，逐步迭代来找到参数的最优估计值，所以它可以用于非线性回归模型的参数估计，该选项正确。

选项B

牛顿法（Newton）是一种在优化问题中广泛使用的迭代算法。对于非线性回归模型，牛顿法利用函数的二阶导数信息（海森矩阵）来更新参数估计值，通过不断迭代逼近函数的最小值点，从而得到参数的估计，因此它可用于非线性回归模型的参数估计，该选项正确。

选项C

最速下降法（Steepest - Descent）或梯度法（Gradient）是一种基本的优化算法。在非线性回归模型中，其基本思想是沿着目标函数的负梯度方向进行搜索，逐步更新参数，使得目标函数（如残差平方和）不断减小，最终得到参数的估计值，所以它可以用于非线性回归模型的参数估计，该选项正确。

选项D

最小二乘法通常指的是普通最小二乘法，它主要适用于线性回归模型。在线性回归中，参数的估计可以通过求解正规方程组得到解析解。但对于非线性回归模型，由于模型的非线性特性，无法直接使用普通最小二乘法得到参数的解析解，虽然有非线性最小二乘法，但它和普通最小二乘法概念不同，所以普通最小二乘法不能直接用于非线性回归模型的参数估计，该选项错误。

选项E

麦夸特法（Marquardt）是一种结合了高斯 - 牛顿法和最速下降法优点的算法。它在迭代过程中根据当前的情况自动调整搜索方向，既可以在接近最优解时具有较快的收敛速度（类似高斯 - 牛顿法），又可以在远离最优解时保持稳定性（类似最速下降法），因此可用于非线性回归模型的参数估计，该选项正确。