在R中，拟合线性模型最基本的函数就是lm()，格式为： myfit <- lm(formula, data) 其中，formula指要拟合的模型形式，data是一个数据框，包含了用于拟合模型的数据。结果 对象（本例中是myfit）存储在一个列表中，包含了所拟合模型的大量信息。表达式（formula） 形式如下： Y ~ X1 + X2 + ... + Xk ~左边为响应变量，右边为各个预测变量，预测变量之间用+符号分隔。表8-2中的符号可以用不 同方式修改这一表达式
在R中，拟合线性模型最基本的函数就是lm()，格式为： myfit <- lm(formula, data) 其中，formula指要拟合的模型形式，data是一个数据框，包含了用于拟合模型的数据。结果 对象（本例中是myfit）存储在一个列表中，包含了所拟合模型的大量信息。表达式（formula） 形式如下： Y ~ X1 + X2 + ... + Xk ~左边为响应变量，右边为各个预测变量，预测变量之间用+符号分隔。表8-2中的符号可以用不 同方式修改这一表达式
让我们通过一个回归示例来熟悉表8-3中的函数。基础安装中的数据集women提供了15个年 龄在30~39岁间女性的身高和体重信息，我们想通过身高来预测体重，获得一个等式可以帮助我 们分辨出那些过重或过轻的个体。代码清单8-1提供了分析过程，图8-1展示了结果图形。
> fit <- lm(weight ~ height, data=women)
> summary(fit)
Call:
lm(formula=weight ~ height, data=women)
Residuals:
Min 1Q Median 3Q Max
-1.733 -1.133 -0.383 0.742 3.117
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -87.5167 5.9369 -14.7 1.7e-09 ***
height 3.4500 0.0911 37.9 1.1e-14 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 '' 1
Residual standard error: 1.53 on 13 degrees of freedom
Multiple R-squared: 0.991, Adjusted R-squared: 0.99
F-statistic: 1.43e+03 on 1 and 13 DF, p-value: 1.09e-14
> women$weight
[1] 115 117 120 123 126 129 132 135 139 142 146 150 154 159 164
> fitted(fit)
1 2 3 4 5 6 7 8 9
112.58 116.03 119.48 122.93 126.38 129.83 133.28 136.73 140.18
10 11 12 13 14 15
143.63 147.08 150.53 153.98 157.43 160.88
> residuals(fit)
1 2 3 4 5 6 7 8 9 10 11
2.42 0.97 0.52 0.07 -0.38 -0.83 -1.28 -1.73 -1.18 -1.63 -1.08
12 13 14 15
-0.53 0.02 1.57 3.12
> plot(women$height,women$weight,
xlab="Height (in inches)",
ylab="Weight (in pounds)")
> abline(fit)
图8-1 用身高预测体重的散点图以及回归线