p值可以直接写成 <某个数，这在一些更复杂的模型中很常见
非要算的话
fs = reg$fstatistic
1 - pf(fs[1], fs[2], fs[3])
按lz样本和模型的结果就是0
这是因为太小了超出了软件内置的f检验表的范围，所以我才说提不出来
至于p.value，我用的3.0版的，没有这个属性
esrequre <- function(x){ #求标准差平方估计值sum <- 0
sum0 <- 0
for(i in 1:length(x)){
sum0 <- residu[i]^2
sum <- sum + sum0}
residusqure <- sum/(length(x)-2)
residusqure}
ester <- sqrt(esrequre(x))ester #标准差估计值(回归分析表给出的标准误差)
ZRE <- residu / esterZRE #标准化残差
满意请采纳。
R本身是一门统计语言，主要用于统计分析，前面的语法部分算是基础，接下来开始进入统计模型应用。首先从最常用的回归分析说起。有关线性回归分析模型的基本假定需要注意：1）关于随机干扰项的高斯-马尔科夫定理；2）关于自变量的：不存在共线性；3）关于模型的：模型设定正确。
用 glm 函数建立广义线性模型，用参数 family 指定分布类型，logistic模型指定为binomial
用 predict 函数进行预测， predict(model, data, type = 'response'
此外，还可以用 mlogit 包中的 mlogit 函数做多分类变量logistic回归， rms 包中的 lrm 函数做顺序变量logistic回归， glmnet 包中的 glmnet 函数做基于正则化的logistic回归
