#线性模型中有关函数

#基本函数 a<-lm(模型公式，数据源)

#anova(a)计算方差分析表

#coef(a)提取模型系数

#devinace(a)计算残差平方和

#formula(a)提取模型公式

#plot(a)绘制模型诊断图

#predict(a)用作预测

#print(a)显示

#residuals()计算残差

#setp()逐步回归分析

#summary()提取模型资料

#多元线性回归分析

#回归系数的估计

#显著性检验：

1回归系数的显著性检验 t检验 就是检验某个变量系数是否为0 

2回归方程的显著性检验 F检验 就是检验该数组数据是否能适用于线性方程做回归

#1.载入数据 求回归系数 并作显著性检验

mltest<-data.frame(  X1=c(76.0, 91.5, 85.5, 82.5, 79.0, 80.5, 74.5,       79.0, 85.0, 76.5, 82.0, 95.0, 92.5),  X2=c(50, 20, 20, 30, 30, 50, 60, 50, 40, 55,       40, 40, 20),  Y= c(120, 141, 124, 126, 117, 125, 123, 125,       132, 123, 132, 155, 147)  )ML<-lm(Y~X1+X2,data=mltest)summary(ML)coef(ML)

#2.参数区间估计

#3.预测

#求X=(80,40)时相应Y的概率为0.95的预测区间

newdata<-data.frame(X1=80,X2=40)lmpred<-predict(ML,newdata,interval="prediction",level=0.95)lmpred

 

#4.修正拟合模型

#根据实际问题的背景 对模型进行适当的修正

#增加新的自变量 对响应变量取对数或者开方运算

update()函数