#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(, , , , , , , , , ,

       , , ),

  Y= c(, , , , , , , ,

       , , , , )

  )

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=,X2=)

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