以生物化学实验中常见的线性标准曲线的建模为例，展示利用R语言进行一元线性回归分析，并进行预测计算。在使用4-甲基伞形酮衍生物荧光法测量样品中磷酸酶活性时，需要建立4-甲基伞形酮的标准曲线，我们通过实验测量不同浓度（μM）4-甲基伞形酮标准品的荧光数据，根据测量数据我们可以进行建模预测分析，得到回归模型，具体分析如下。
导入数据
那么浓度与荧光值两变量之间的线性关系强度到底如何呢？我们可以利用相关系数r（也叫pearson相关系数，-1＜=r＜=1）判断。r＞0为正相关，r＜0为负相关，如果|r|=1为完全线性关系，在一条直线上。计算r代码如下：
相关系数的检验，用t分布检验。我们提出假设：原假设为两个变量的线性关系不显著，备择假设为两个变量的线性关系显著。通过R中的cor.test函数可以快速进行相关性检验，检验结果中统计量P值小于0.05，拒绝原假设，得出两个变量的线性关系显著。
用lm（）函数来实现一元线性回归的建模过程，得到截距（Intercept）a和回归系数b。
上述结果汇总解释如下：
●Residuals列出残差分布。(www.xing528.com)
●Coefficients表示参数估计的计算结果，Estimate为参数估计列。Intercept行表示常数参数a的估计值，x行表示自变量x的参数b的估计值。Std.Error为参数的标准差，sd（a），sd（b）。
●t value为t值，t检验的值Pr（＞|t|），表示P-value值，用于t检验判定，匹配显著性标记。显著性标记：***为非常显著，**为高度显著，*为显著，·为不太显著，没有记号为不显著。
●Residual standard error表示残差的标准差，自由度为n-2。
●Multiple R-squared为相关系数R2的检验，越接近1则越显著。
●Adjusted R-squared为相关系数的修正系数，解决多元回归自变量越多，判定系数R2越大的问题。
●F-statistic表示F统计量，自由度为（1，n-2），p-value：用于F检验判定，匹配显著性标记。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
