对于summary()末尾显示的最终p值，该函数使用pf()从summary(fit)$fstatistic值中计算。

fstat <- summary(fit)$fstatistic
pf(fstat[1], fstat[2], fstat[3], lower.tail=FALSE)

来源:[1]，[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。

@Vincent回答的延伸:

对于lm()生成的模型:

summary(fit)$coefficients[,4]   ##P-values 
summary(fit)$r.squared          ##R squared values

对于gls()生成的模型:

summary(fit)$tTable[,4]         ##P-values
##R-squared values are not generated b/c gls uses max-likelihood not Sums of Squares

为了隔离单独的p值本身，你需要在代码中添加一个行号:

例如，要访问两个模型摘要中截距的p值:

summary(fit)$coefficients[1,4]
summary(fit)$tTable[1,4]  

注意，你可以在上面的每个实例中用列名替换列号: 总结(适合)$系数[1,“公关(> | t |)“# # lm 总结(适合)$ tTable[1,“假定值 "] ## gl

如果你仍然不确定如何从汇总表中访问一个值，使用str()来找出汇总表的结构:

str(summary(fit))

我在探索类似问题的建议解决方案时遇到了这个问题;我认为，为了将来的参考，它可能是值得更新可用的答案列表与解决方案利用扫帚包。

示例代码

x = cumsum(c(0, runif(100, -1, +1)))
y = cumsum(c(0, runif(100, -1, +1)))
fit = lm(y ~ x)
require(broom)
glance(fit)

结果

>> glance(fit)
  r.squared adj.r.squared    sigma statistic    p.value df    logLik      AIC      BIC deviance df.residual
1 0.5442762     0.5396729 1.502943  118.2368 1.3719e-18  2 -183.4527 372.9055 380.7508 223.6251          99

一边笔记

我发现glance函数很有用，因为它简洁地总结了关键值。结果被存储为data.frame，这使得进一步的操作很容易:

>> class(glance(fit))
[1] "data.frame"

另一个选择是使用cor.test函数，而不是lm:

> x <- c(44.4, 45.9, 41.9, 53.3, 44.7, 44.1, 50.7, 45.2, 60.1)
> y <- c( 2.6,  3.1,  2.5,  5.0,  3.6,  4.0,  5.2,  2.8,  3.8)

> mycor = cor.test(x,y)
> mylm = lm(x~y)

# r and rsquared:
> cor.test(x,y)$estimate ** 2
      cor 
0.3262484 
> summary(lm(x~y))$r.squared
[1] 0.3262484

# P.value 

> lmp(lm(x~y))  # Using the lmp function defined in Chase's answer
[1] 0.1081731
> cor.test(x,y)$p.value
[1] 0.1081731