举个例子：
一般人在身高相等的情况下，血压收缩压Y与体重X1和年龄X2有关，抽取13组成年人数据（如下图），构建Y与X1、X2的线性回归关系。
1.先创建一个数据框blood：
blood<-data.frame(
X1=c(76,91.5,85.5,82.5,79,80.5,74.5,79,85,76.5,82,95,92.5),
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)
)
2.拟合线性回归：
lm.sol<-lm(Y~X1+X2,data=blood)
提取模型计算结果
summary(lm.sol)
这里说一下含义：
1、在计算结果的第一部分（call）列出了相应的回归模型公式；
2、第二部分（Residuals）列出了残差的最小值点、1/4分位点、3/4分位点、最大值点；
3、第三方部分（Coefficients）Estimate表示回归方程参数的估计，std.Error表示回归参数的标准差，t value 为t值，Pr（>|t|）表示p值
说明一下：***表示极为显著，**表示高度显著，*表示显著，.表示不太显著，没有记号表示不显著
4、第四部分（Residual standard error）表示残差的标准差，（F-statistic）表示F的统计量
通过上面的结果可以看出回归模型：Y=2.13656X1+0.40022X2-62.96336
我们根据得出的回归模型进行预测
例如：预测体重X1=100，年龄X2=40的血压值Y
newdata<-data.frame(X1=100,X2=40)
pre<-predict(lm.sol,newdata,interval="prediction",level=0.95)
pre
从结果可以预测值Y166.7011和预测值Y的区间[157.2417,176,1605]
那个最佳答案说的跟这个问题没有关系。我在学习r语言的线性回归的时候遇到了这个问题。这个图是用来判断你对回归模型的线性假设是否成立的。看法如下：按照书上所说就是：“
若图形存在非线性，则说明你可能对预测变量的函数形式建模不够充分，
那么就需要添加一些曲线成分，比如多项式项，或对一个或多个变量进行变换(如用log(X)代
替X)，或用其他回归变体形式而不是线性回归。
”
按照别人的说法就是：看图中的两条线，红色虚线和绿色实线是否接近。接近了就说明模型是线性的（这是在RStudio中做出的成分残差图）。
