1 OLS回归（最小二乘法回归）
1.1 用lm()拟合回归模型
在R中，拟合线性模型最基本的函数是lm()，格式为：myfit<-lm(formula,data)
1.2 简单线性回归
dat<-women
fit<-lm(weight~height,data=dat)
summarize(fit)
结果分析：回归方程weight = 3.45 height - 87.51667，这两个估计值是否可靠呢，需要看Pr(>|t|)值，p值小于0.05，我们就认为它在95%的置信区间上是不为0的，它的统计是显著的，简单一点，只要有星星，结果就可以认为是可靠的，看拟合优度Adjusted R-squared：0.9903，结果是非常好的，p-value是对整个方程的估计， p-value: 1.091e-14<0.05可以认为结果是可靠的
plot(dat$height,dat$weight) #查看height和weight的散点图（实际散点图）
abline(fit) #画回归线，查看拟合结果（估计出来的线）
结果分析：散点图是实际的数据，回归线基本在散点图附近，说明拟合效果比较好
1.3 多项式回归（身高和体重的平方）
fit1<-lm(weight~height+I(height^2),data=dat)
解释：为了防止错误识别^，加了一个I()函数，指出^是一个常规得符号
> summary(fit1)
结果分析：回归方程weight = -7.34832height + 0.08306height^2 + 261.87818，这两个估计值是否可靠，需要看Pr(>|t|)值，p值小于0.05，我们就认为它在95%的置信区间上是不为0的，它的统计是显著的，简单一点，只要有星星，结果就可以认为是可靠的，看拟合优度Adjusted R-squared：0.9994，结果是非常好的，p-value是对整个方程的估计， p-value: 2.2e-16<0.05可以认为结果是可靠的，对比上一个可以看出这个拟合优度更高
plot(dat$height,dat$weight) #画散点图
lines(dat$height,fitted(fit1))
解释：使用函数lines()画线，abline()只适用于一元，要给出横坐标dat$height，纵坐标fitted(fit1)
1.4 多元线性回归（预测变量不止一个）
states<-as.data.frame(state.x77[,c("Murder",
"Population","Illiteracy","Income","Frost")])
cor(states) #列出是所有列变量两两之间的相关系数
画出全部两两变量之间的关系：
library(car)
scatterplotMatrix(states,spead=F,smooth.args=list(lty=2)
结果分析：对角线是单变量自己的分布情况，其他情况虽然点很复杂，但上面清晰的描述了一条实线，大致说明了变量之间的关系
fit2<-lm(Murder~Population+Illiteracy+Income+Frost,data=states) #回归分析
解释：Murder是预测变量，Population+Illiteracy+Income+Frost是解释变量
summary(fit2)