利用R语言如何计算出回归分析中的t值和P值

很多同学包括楼主喜欢R语言的原因就是因为它小巧简洁，不需要太多的代码就可以得到很好的结果。比如线性回归时利用lm()就是一个很好的例子，用简单的代码就可以得到回归表达式，以及各种系数检验等等，但是这些结果是怎么呈现到我们面前的呢，接下来就解释R语言lm()的输出结果。

 data(iris)
 fit<-lm(iris$Sepal.Width ~ iris$Petal.Width)
 summary(fit)

Call:
lm(formula = iris$Sepal.Width ~ iris$Petal.Width)

Residuals:
     Min       1Q   Median       3Q      Max 
-1.09907 -0.23626 -0.01064  0.23345  1.17532 

Coefficients:
                 Estimate Std. Error t value Pr(>|t|)    
(Intercept)       3.30843    0.06210  53.278  < 2e-16 
iris$Petal.Width -0.20936    0.04374  -4.786 4.07e-06 
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.407 on 148 degrees of freedom
Multiple R-squared:  0.134, Adjusted R-squared:  0.1282 
F-statistic: 22.91 on 1 and 148 DF,  p-value: 4.073e-06

很简单的代码就得到一个线性回归方程，很多书上都已经介绍了线性回归方程的原理和各种解释变量的意义。故仅在此处贴出利用R如何计算出t值

(tstats <- coef(fit) / sqrt(diag(vcov(fit))))

(Intercept) Petal.Width 
  53.277950   -4.786461 

利用R如何计算出P值

 2 * pt(abs(tstats), df = df.residual(fit), lower.tail = FALSE)

 (Intercept)         Petal.Width 
1.835999e-98     4.073229e-06