Residuals:

     Min       1Q   Median       3Q      Max

-0.83233 -0.26249  0.08314  0.34353  0.49790

理想情况下，回归残差将有一个完美的正态分布，这些统计量基于正态性分布识别可能出现的偏差。

回归系数

Coefficients:

             Estimate Std. Error t value Pr(>|t|)

(Intercept) 25.723456   1.043746   24.64 2.68e-12 ***

weight       0.287249   0.007588   37.85 1.09e-14 ***

---

Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’

标记为Estimate的列表示由普通最小二乘法计算出的估计回归系数。

理论上说，若一个系数为0，表示该变量对模型毫无影响。因而，从统计学角度要思考，这个系数真正为0的可能性有多大？这是t统计量和p值的目的。p值是一个概率，用来估计系数不显著的可能性。

残差标准误差

Residual standard error: 0.44 on 13 degrees of freedom

显示残差的标准偏差

标准差与标准误的意义、作用和使用范围均不同。标准差(亦称单数标准差)一般用s表示，是表示个体间变异大小的指标，反映了整个样本对样本平均数的离散程度，是数据精密度的衡量指标；而标准误一般用表示，反映样本平均数对总体平均数的变异程度，从而反映抽样误差的大小，是量度结果精密度的指标。

　　随着样本数(或测量次数)n的增大，标准差趋向某个稳定值，即样本标准差s越接近总体标准差σ，而标准误则随着样本数(或测量次数)n的增大逐渐减小，即样本平均数越接近总体平均数μ；故在实验中也经常采用适当增加样本数(或测量次数)n减小的方法来减小实验误差，但样本数太大意义也不大。标准差是最常用的统计量，一般用于表示一组样本变量的分散程度；标准误一般用于统计推断中，主要包括假设检验和参数估计，如样本平均数的假设检验、参数的区间估计与点估计等。

　　标准差与标准误既有明显区别，又密切相关：标准误是标准差的1／；二者都是衡量样本变量(观测值)随机性的指标，只是从不同角度来反映误差；二者在统计推断和误差分析中都有重要的应用。

R平方

Multiple R-squared:  0.991, Adjusted R-squared:  0.9903 

R平方用来衡量模型拟合质量的指标。实际问题中，建议使用调整的R平方来衡量模型拟合质量的指标，因为调整的R平方考虑了模型中变量的数目。

F统计量

F-statistic:  1433 on 1 and 13 DF,  p-value: 1.091e-14

F统计量告诉模型是否显著。

5、查看绘制的直线

plot(A)

6、预测信值

7、查看元数据估计值