相较原来的正文，新增的特性包括且不限于：
这两天正苦于RStudio的快捷键不好用。本想去跟个楼催一下官方填坑，挖出来一个、一看是2015年的老坟，算了……
昨晚正好看见关于Spacemacs中如何使用ESS的帖子，跟网友 oracleyue 讨论后，决定深入 学(zhe)习(teng) 一下，做一记录：
不多说，Vim党可以自行退散了……
我使用了melpa的安装方式，具体可参考 melpa ，在包列表里添加 ess 。想同时使用 polymode 的话，须同时添加 poly-markdown poly-R 。
Doom和Spacemacs的安装方式同时有效：
为例，在 init.el 中去掉ess行的注释，
或在 packages.el 文件中
即可。
的配置，在 dotspacemacs-configuration-layers 里加上：
就能用ESS的layer了。
这就可以开始使用了，我也是偶然发现 <C-return>可以像RStudio一样运行当前行，在ESS中script与console也是可以交互的（之前鄙了，严重低估了ESS，仅当作高亮插件用）；如果没启动 inferior-ess-r ，可以在选择询问的默认路径后自动启动。
列几个常用的快捷键：
设置参数：
但是此时（在Doom中）按 M-- 是出不了 <- 符号的，可以绑定宏或安装 ess-smart-underscore 包并绑定函数，不过这个包有点老我没有仔细折腾；我安装了 ess-smart-equals 。
这是作者推荐的配置：
但是似乎按啥都出不了管道命令，我查了源码发现有这个符号，原来需要按不同次数才能输出不同的运算符，我试了几个：
按完一轮，从头开始循环。想像RStudio一样用 C-S-m 输入 %>% 的话，可以自行开发用法，我只能用这样的笨办法，一个宏达到连输5次的效果：
啥？ M-- 还是不出 <- ？按一下 = 试试？这不比组合键方便，还要啥自行车？
实在想要就自己绑定函数(宏)吧。
在Global Environment里显示 obs. 和 variables. 的数目应该是ESS替代不了RStudio的功能了，不过感谢 shuguang79 提示可以用 ess-rdired 勉强应付，能同时显示4列信息，分别是name、class、length、size，只是不能实时刷新。默认的快捷键是 C-c C-. o 。
回归平方和：ESS，残差平方和：RSS，总体平方和：TSS。
1、回归平方和，是反映自变量与因变量之间的相关程度的偏差平方和。用回归方程或回归线来描述变量之间的统计关系时，实验值yi与按回归线预测的值Yi并不一定完全一致。
2、残差平方和是在线性模型中衡量模型拟合程度的一个量，用连续曲线近似地刻画或比拟平面上离散点组，以表示坐标之间函数关系的一种数据处理方法。
3、总体平方和是被解释变量Y的观测值与其平均值的离差平方和（总平方和）(说明 Y 的总变动程度）
扩展资料：
RSS(Residual Sum of Squares)=∑(u)2称为残差平方和，ESS (Explained Sum of Squares)=∑(ŷ-ȳ)2称为回归平方和。残差平方和越小，自变量与因变量之间的相关性越好。
解释变量与残差平方和
残差平方和RSS具有以下性质：
1、性质1 只有常数项没有其他解释变量的回归方程的RSS和TSS相等，其决定系数为0。
2、性质2 增加解释变量必然导致RSS减小。因此，如果想降低RSS，只要在回归方程中尽可能地加入解释变量就能达到目的。
3、性质3 包含常数项全部解释变量的个数K等于样本数n时，RSS为0，决定系数为1。
F检验和t检验之间的关系
在一些场合t检验不仅可以进行双侧检验，也可以进行单侧检验。而F检验没有单侧和双侧的区别。当进行双侧检验的时候两种检验的P值相同。
参考资料来源：百度百科-回归平方和
参考资料来源：百度百科-残差平方和
R²是指拟合优度，是回归直线对观测值的拟合程度。
表达式：R2=SSR/SST=1-SSE/SST
其中：SST=SSR+SSE，SST(total sum of squares)为总平方和，SSR(regression sum of squares)为回归平方和，SSE(error sum of squares) 为残差平方和。
回归平方和：SSR(Sum of Squares forregression) = ESS (explained sum of squares)
残差平方和：SSE（Sum of Squares for Error） = RSS(residual sum of squares)
总离差平方和：SST(Sum of Squares fortotal) = TSS(total sum of squares)
SSE+SSR=SST RSS+ESS=TSS
r方的统计学在统计学中对变量进行线行回归分析，采用最小二乘法进行参数估计时，R平方为回归平方和与总离差平方和的比值，表示总离差平方和中可以由回归平方和解释的比例，这一比例越大越好。
模型越精确，回归效果越显著。R平方介于0~1之间，越接近1，回归拟合效果越好，一般认为超过0.8的模型拟合优度比较高。
