data = read.csv('Advertising.csv', header = TRUE, stringsAsFactors = FALSE)
plot (data$TV, data$sales)#以电视广告投入和销售量为坐标轴绘制散点图
abline(a = 0, b = 0.095, col = 'red')#插入估计的回归
model1 = lm(sales~TV, data = data)#对电视投入和销售量两个数据进行回归分析
summary (model1)#生成回归分析报告
abline (model1, col = 'green')#绘制新的回归曲线
plot (model1, 1)#线性假设，对于任意自变量的值来说，残差的期望应该是0（红线应与0基本一致）
同方差假设：残差的值应该均匀落在x轴两侧；解决方法：数据变换
plot (model1, 2)#正态分布假设：因变量与残差应该服从正太分布，生成Q-Q PLOT
点应该大致落在直线上
生成的回归分析报告：
三大假设保证模型的合理性，在三大假设成立的基础上，我们才能确保估计值服从我们希望的随机分布形式(t正太分布,F分布),才能进行统计推断
利用线性回归模型做预测：
确定范围：95%或者99%，例如预测TV = 100时的sales，代码如下：
new = data[1,]
new[2]=100
predict (model1, new, interval = 'prediction', se.fit=TRUE, level = 0.95)
predict用法：
predict(object, newdata, se.fit = FALSE, scale = NULL, df = Inf, interval = c(“none”, “confidence”, “prediction”), level = 0.95, type = c(“response”, “terms”), terms = NULL, na.action = na.paspred.var = res.var/weights, weights = 1, …)
newdata参数：An optional data frame in which to look for variables with which to predict. If omitted, the fitted values are used.
se.fit参数：A switch indicating if standard errors are required.是否采取标准误
interval参数：区间计算的类型
level：置信度
运行结果：
预测值 下界 上界
