这是提取p值最简单的方法:

coef(summary(modelname))[, "Pr(>|t|)"]

x = cumsum(c(0, runif(100, -1, +1)))
y = cumsum(c(0, runif(100, -1, +1)))
fit = lm(y ~ x)
> names(summary(fit))
[1] "call"          "terms"        
 [3] "residuals"     "coefficients" 
 [5] "aliased"       "sigma"        
 [7] "df"            "r.squared"    
 [9] "adj.r.squared" "fstatistic"   
[11] "cov.unscaled" 
    summary(fit)$r.squared

通过调用str(summary(fit))可以看到summary()返回的对象的结构。每个片段都可以使用$访问。F统计量的p值更容易从方差分析返回的对象中得到。

简单地说，你可以这样做:

rSquared <- summary(fit)$r.squared
pVal <- anova(fit)$'Pr(>F)'[1]

使用:

(summary(fit))$coefficients[***num***,4]

其中num是一个数字，表示系数矩阵的行。这取决于你的模型中有多少特征，以及你想为哪一个提取p值。例如，如果你只有一个变量，那么截距的p值将是[1,4]，下一个是你的实际变量的p值将是[2,4]。所以你的num是2。

r-squared:您可以直接从摘要对象summary(fit)$r.squared返回r-squared值。有关可以直接提取的所有项的列表，请参阅名称(summary(fit))。

模型p值:如果要得到整体回归模型的p值， 这篇博文概述了一个返回p值的函数:

lmp <- function (modelobject) {
    if (class(modelobject) != "lm") stop("Not an object of class 'lm' ")
    f <- summary(modelobject)$fstatistic
    p <- pf(f[1],f[2],f[3],lower.tail=F)
    attributes(p) <- NULL
    return(p)
}

> lmp(fit)
[1] 1.622665e-05

在只有一个预测因子的简单回归的情况下，模型p值和系数p值将是相同的。

系数p值:如果你有一个以上的预测器，那么上面将返回模型p值，系数p值可以使用以下方法提取:

summary(fit)$coefficients[,4]  

或者，您可以以类似于上面的摘要对象的方式从方差分析(fit)对象中获取系数的p值。

虽然上面的两个答案都很好，但提取对象部分的过程更一般。

在许多情况下，函数返回列表，并且可以使用str()访问各个组件，str()将打印组件及其名称。然后您可以使用$操作符访问它们，即myobject$componentname。

在lm对象的情况下，有许多预定义的方法可以使用，如coef()、remainder()、summary()等，但你不会总是那么幸运。