内置的mtcars数据框包含有关32辆汽车的信息，包括它们的重量，燃油效率（以每加仑英里为单位），速度等。（要了解有关数据集的更多信息，请使用help(mtcars)）。
如果我们对燃油效率（mpg）和重量（wt）之间的关系感兴趣，我们可以开始用以下公式绘制这些变量：
plot(mpg ~ wt, data = mtcars, col=2)
这些图显示了（线性）关系！然后，如果要执行线性回归以确定线性模型的系数，则可以使用以下lm函数：
fit <- lm(mpg ~ wt, data = mtcars)
在~这里的意思是“由解释”，所以公式mpg ~ wt意味着我们预测MPG如通过重量说明。查看输出最有用的方法是：
summary(fit)
给出输出：
Call: lm(formula = mpg ~ wt, data = mtcars) Residuals: Min 1Q Median 3Q Max -4.5432 -2.3647 -0.1252 1.4096 6.8727 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 37.2851 1.8776 19.858 < 2e-16 *** wt -5.3445 0.5591 -9.559 1.29e-10 *** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 3.046 on 30 degrees of freedom Multiple R-squared: 0.7528, Adjusted R-squared: 0.7446 F-statistic: 91.38 on 1 and 30 DF, p-value: 1.294e-10
这提供有关以下内容的信息：
每个系数（wt和y轴截距）的估计斜率，这表明mpg的最佳拟合预测为37.2851 + (-5.3445) * wt
每个系数的p值，表明截距和权重可能不是偶然的
配合如R ^ 2和调整R ^ 2的总体估计，其显示了如何变化的许多在mpg由模型解释
我们可以在第一张图中添加一条线以显示预测值mpg：
abline(fit,col=3,lwd=2)
也可以将方程式添加到该图。首先，使用获得系数coef。然后使用paste0折叠具有适当变量和的系数+/-以建立方程式。最后，我们使用mtext以下命令将其添加到绘图中：
bs <- round(coef(fit), 3)
lmlab <- paste0("mpg = ", bs[1],
ifelse(sign(bs[2])==1, " + ", " - "), abs(bs[2]), " wt ")
mtext(lmlab, 3, line=-2)结果是：