R语言：summary()函数解读

        summary()：获取描述性统计量，可以提供最小值、最大值、四分位数和数值型变量的均值，以及因子向量和逻辑型向量的频数统计等。结果解读如下：

1. 调用：Call

2. 残差统计量：Residuals

3. 系数：Coefficients

4. Multiple R-squared和Adjusted R-squared

5. F-statistic

---

1. 调用：Call

      lm(formula = DstValue ~ Month + RecentVal1 + RecentVal4 + RecentVal6 + RecentVal8 + RecentVal12, data = trainData)

      当创建模型时，以上代码表明lm是如何被调用的。

2. 残差统计量：Residuals

             Min           1Q        Median         3Q         Max 
          -4806.5    -1549.1     -171.8      1368.7     6763.3 

     残差第一四分位数（1Q）和第三分位数（Q3）有大约相同的幅度，意味着有较对称的钟形分布。

3. 系数：Coefficients

                                Estimate     Std. Error       t value     Pr(>|t|)    
       (Intercept)      1.345e+06    5.659e+05     2.377     0.01879 *  

       Month             8.941e+02    2.072e+02    4.316     3.00e-05 ***

       分别表示：         估值         标准误差         T值          P值

       Intercept：表示截距

       Month：影响因子/特征

• Estimate的列：包含由普通最小二乘法计算出来的估计回归系数。
• Std. Error的列：估计的回归系数的标准误差。
• P值估计系数不显著的可能性，有较大P值的变量是可以从模型中移除的候选变量。
• t 统计量和P值：从理论上说，如果一个变量的系数是0，那么该变量是无意义的，它对模型毫无贡献。然而，这里显示的系数只是估计，它们不会正好为0。因此，我们不禁会问：从统计的角度而言，真正的系数为0的可能性有多大？这是t统计量和P值的目的，在汇总中被标记为t value和Pr(>|t|)。

       其 中，我们可以直接通过P值与我们预设的0.05进行比较，来判定对应的解释变量的显著性，我们检验的原假设是：该系数显著为0；若P<0.05，则拒绝原假设，即对应的变量显著不为0。可以看到Month、RecentVal4、RecentVal8都可以认为是在P为0.05的水平下显著不为0，通过显著性检验；Intercept的P值为0.26714，不显著。

4. Multiple R-squared和Adjusted R-squared

       这两个值，即，常称之为“拟合优度”和“修正的拟合优度”，指回归方程对样本的拟合程度几何，这里我们可以看到，修正的拟合优 度=0.8416，表示拟合程度良好，这个值当然是越高越好。当然，提升拟合优度的方法很多，当达到某个程度，我们也就认为差不多了。具体还有很复杂的判定内容，有兴趣的可以看看：http://baike.baidu.com/view/657906.htm

5. F-statistic

       F-statistic，是我们常说的F统计量，也成为F检验，常常用于判断方程整体的显著性检验，其值越大越显著；其P值为p-value: < 2.2e-16，显然是<0.05的，可以认为方程在P=0.05的水平上还是通过显著性检验的。

简单总结：

•    T检验：检验解释变量的显著性；
•    R-squared：查看方程拟合程度；
•    F检验：是检验方程整体显著性。

     如果是一元线性回归方程，T检验的值和F检验的检验效果是一样的，对应的值也是相同的。