Что тут зависимо, а что независимо - это вопрос выбора системы координат и философии.
Это всего лишь попытка выдать желаемое за действительное. Независимая переменная управляема, и это именно концентрация, а не спектр. Концентрацию Вы задаёте произвольно, а спектр лишь зависит от этой концентрации. Произвольный спектр Вы задать не можете. Концентрация причина - спектр - следствие, и это не какие то то абстрактные умозаключения а неоспоримый факт.
Да, действительно, независимая переменная, в силу её свойств не содержит никаких ошибок. И именно это, в конечном счёте предполагает классическая МНК регрессия. На самом деле, ошибка есть всегда, и в концентрациях в том числе. Но это лишь потому, что вместо истинных концентраций используются их оценки, полученные с помощью какого то другого вида лабораторного анализа, только и всего. Точность методики не может превышать точности эталонов, по котором она калибруется. Лучше пренебречь ошибкой эталона, чем ошибкой спектра, так как первая всегда меньше. Кроме того - практическая сторона вопроса: для одного и того же эталона вы можете выполнить несколько измерений и увеличить тем самым объём выборки, который у Вас очень мал (кажется так Вы и поступаете). Для одного и того же спектра практически невозможно найти множество эталонов с разными концентрациями. Так, что выбор независимых переменных это не просто вопрос личных предпочтений.
И да, на практике, если вопреки всему, вместо независимых переменных использовать явно случайные факторы, всегда удаётся добиться лучшей подгонки модели к обучающей выборке, получить меньшие значения дисперсии остатков (в книге, на которую Вы дали ссылку - это понимается как повышения качества моделирования). Но это лишь иллюзия качества. Сама по себе, точность подгонки под калибровочные данные не важна. Важна лишь прогностическая способность модели. В классической регрессии МНК точность прогноза оценивается довольно просто, и Вы с этими формулами знакомы. Но в случае случайных регрессоров эти оценки будут не верны. Реальная ошибка апргноза, в этом случае, может оказаться неприемлемо большой и даже правильно оценить её значение оказывается весьма затруднительно. Можно много об этом рассуждать, но из теории МНК прямо следует, что если независимые и зависимые переменные поменять местами, то прогностическая способность модели ухудшится, и её невозможно будет даже оценить.
А на счёт формулы Вальда Вы не совсем правы. Есть ситуации, где она вполне корректна. По крайней мере, исходные данные всегда можно преобразовать к такому виду. Есть так же регрессия с ошибками в переменных, решающая проблему эндогенности разными способами, но к ней прибегают очень редко из за сложности математического аппарата. В общем, поступить можно по разному. Но использовать МНК, попросту игнорируя его фундаментальные предпосылки - это не самый лучший вариант. Результаты могут быть просто непредсказуемы. Странно было бы ждать заявленных свойств МНК в условиях, для которых он явно не предназначен. А ведь как раз этого многие и ожидают, и это очень распространённое заблуждение.
И ещё один момент. Обратите внимание, что в вашем случае присутствует несколько как зависимых так и независимых переменных (несколько спектров и несколько концентраций). Именно поэтому становится возможной эта путаница с выбором независимых переменных. Обычно же, зависимая переменная только одна и таких вопросов даже не возникает.
Так вот. Как бы Вы не выбирали переменные, у Вас всё равно имеется возможность построить 29 регрессионных уравнений, хотя и интересуют Вас только некоторые из них. Это называется система одновременных уравнений. Дело в том, что уравнения этой системы взаимосвязаны и если рассматривать их вместе, а не по отдельности, то можно существенно повысить качество модели. Посмотрите трёхшаговый метод наименьших квадратов. К стати, там в уравнения входят и эндогенные и экзогенные переменные. Как раз Ваш случай.
Но первым делом, необходимо решить проблему независимости ошибок. Как я понял, Вы настроены на использование взвешенного МНК. Но я бы посоветовал использовать нелинейную трансформацию. Вместо концентраций попробуйте использовать их логарифмы. Для уравнений в логарифмах, мультипликативная ошибка, нормируемая относительной погрешностью станет аддитивной, и требование независимости ошибок станет выполненным. Если в эталонах нет строго нулевых концентраций, то это, пожалуй самый рациональный путь.
Если только пенсионный возраст ещё на 5 лет не поднимут. Читаю немножко, но не так быстро, как хотелось бы. Приходится на форумах спрашивать.
операций будет 
. Однако арифметика у нас "машинная", с конечной точностью, и в ходе вычислений ошибка нарастает. Оказывается, что польза от центрирования не только и не столько в экономии операций, сколько в повышении точности расчётов. Центрирование - это ортогонализация к этой "дополнительной переменной", делаемая заранее и в наилучших для вычисления условиях. Отказ от центрирования пользы не принесёт "окромя вреда".
математика даёт при чувствительности 0,001 г/л и диапазона градуировочных образцов 0,1 - 10 г/л доверительный интервал с P=0,95 для раствора 
(40%), а межлабораторные сличения с другими методами анализа, не основанными на градуировке, дают для этого же раствора цифру 
(10%) или меньше, начинаешь искать ошибку в логике использования исходной формулы - где и что учтено и построено не так, почему формула даёт такой широкий интервал и не подтверждается практикой и что в этом виновато. Я тут уклонился от темы, но по существу согласен, что у меня недостаточно знаний для полноценного описания явления и ошибка часто кроется в неправильном выборе образцов. К сожалению, приходится работать с тем, что есть.
спектров должна быть описана порядка 29 ГК. Полагаю, что часть элементов в матрице из 64 образцов остались скоррелированы и ГК для полного описания может быть меньше, но это маловероятно, так как образцы я отбирал в течении 5 лет с разным соотношением линий и периодически встречающейся всякой элементной экзотики. По факту получилось, что после 17 компоненты вклад остальных в описание матрицы перестаёт давать какое-то значимое улучшение градуировки и ими можно пренебречь. RMSEP=0,042%. RMSEC=0,056%. Дальше ошибка предсказания растёт. Набор для проверки не очень большой и не так хорошо подобран как для калибровки, из-за чего проверочные данные имели ошибку меньше чем калибровочные, но свою функцию по поиску количества ГК он более-менее выполняет. На некоторых образцах 4 параллельно снятых спектра имеют большой разброс. Вероятно, нужно их проверить, мне пару раз встречалось, что химики ошиблись в определении аттестованных концентраций. Странно, что спектр чистой воды, в котором ничего не должно было быть кроме фоновой линии (водород и кислород мой метод спектрального анализа не видит), показал 0,04% Pt - это много и мне это не нравится. Допустимая величина <0,01%. Полагаю, если найду критичный образец в наборе и выброшу его, "платины" в воде станет меньше. Но пока я программной реализации для градуировки в процессе перебора образцов не написал. Заодно задумался, почему на этих же самых образцах ММНК работает стабильнее и никакой платины в воде принципиально никогда не показывает. Думал из-за того, что положительным интенсивностям соответствуют положительные концентрации, а отрицательных интенсивностей впринципе не бывает, в отличие от разнонаправленных от спектрального центра счетов. ММНК принципиально не даст результат 
(c учетом коэффициента расширения), если константа в уравнении связи нулевая. Уравнение связи 
