一元線形迴歸模型：有變量x,y。假設有關係y=c+bx+e,其中c+bx 是y隨x變化的部分，e是隨機誤差。
可以很容易的用函數lm()求出迴歸參數b,c並作相應的假設檢驗，如：
x<-c(0.10, 0.11, 0.12, 0.13, 0.14, 0.15,0.16, 0.17, 0.18, 0.20, 0.21, 0.23)
y<-c(42.0, 43.5, 45.0, 45.5, 45.0, 47.5,49.0, 53.0, 50.0, 55.0, 55.0, 60.0)
lm.sol<-lm(y ~ 1+x)
summary(lm.sol)
僅列出部分返回結果：
Residuals:
Min 1Q Median 3Q Max
-2.0431 -0.7056 0.1694 0.6633 2.2653
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 28.493 1.580 18.04 5.88e-09 ***
x 130.835 9.683 13.51 9.50e-08 ***
在我們的輸入中，關鍵是lm.sol<-lm(y ~ 1+x)的調用，這裏可以看到，lm使用了參數y~1+x,即表示我們使用的是模型y=c+bx+e (1表示常數項)
然後我們使用summary查看了lm返回的結果。在Residuals:中，我們可以看到的是一些關於殘差的信息：最小最大值，4分位數等。Coefficients:中則是最爲關鍵的對c和b的相關估計。其中Estimate是與b,c值的估計，Std. Error 則是迴歸參數b和c的標準差：sd(b), sd(c)。剩下的兩個參數則是對迴歸參數的假設檢驗： t value是對b,c進行假設檢驗的t值，以及P-值(用來與顯著性水平比較決定是否接受該阿假設檢驗)Pr(>|t|)。最後我們還可以看到3個* 號，這表明x和y有非常顯著的線性關係(*可以有0—3個，越多則線性關係越顯著)。
多元線形迴歸的計算也是這樣，我們只要在加入一行數據x2，然後把lm的參數改爲y ~ 1+x+x2，就可以得到模型y=d+cx2+bx+e的計算結果。其中返回值的意義和上面基本一致。
至此，我們就可以用R建立起一個簡單的線形模型，接下來，我們就要用這個模型去對新的x進行預測，預測y的值與置信區間。
接着上面的程序，我們先建立要預測的數據集：
point<-data.frame(x=0.24)
然後用函數predict進行預測
predict(lm.sol,point,interval="prediction",level=0.95)
返回結果
fit lwr upr
1 59.89318 56.36215 63.42421
分別表示了y的預測值和上下界。
在函數predict中，參數lm.sol是之前建立的線形模型，point是要預測的點，參數interval="prediction"表示要求給出預測的區間(上下界)，level則是該區間的預測水平。
下面給出一個多元線形迴歸的完整程序：（不顯示結果）
y<-c(162,120,223,131,67,167,81,192,116,55,252,232,144,103,212)
x1<-c(274,180,375,205,86,265,98,330,195,53,430,372,236,157,370)
x2<-c(2450,3250,3802,2838,2347,3782,3008,2450,2137,2560,4020,4427,2660,2088,2605)
lm.sol<-lm(y~1+x1+x2)
ex<-data.frame(x1=200,x2=3000)
predict(lm.sol,ex,interval="prediction",level=0.95)