以R中lm函数自带例子来说明

require(graphics)

## Annette Dobson (1990) "An Introduction to Generalized Linear Models".
## Page 9: Plant Weight Data.
ctl <- c(4.17,5.58,5.18,6.11,4.50,4.61,5.17,4.53,5.33,5.14)
trt <- c(4.81,4.17,4.41,3.59,5.87,3.83,6.03,4.89,4.32,4.69)
group <- gl(2,10,20, labels=c("Ctl","Trt"))
weight <- c(ctl, trt)
lm.D9 <- lm(weight ~ group)
lm.D90 <- lm(weight ~ group - 1) # omitting intercept
summary(lm.D9)

The results as follows

Call:
lm(formula = weight ~ group)

Residuals:
    Min      1Q  Median      3Q     Max
-1.0710 -0.4938  0.0685  0.2462  1.3690

Coefficients:
            Estimate Std. Error t value Pr(>|t|)   
(Intercept)   5.0320     0.2202  22.850 9.55e-15 ***
groupTrt     -0.3710     0.3114  -1.191    0.249   
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.6964 on 18 degrees of freedom
Multiple R-squared: 0.07308,    Adjusted R-squared: 0.02158
F-statistic: 1.419 on 1 and 18 DF,  p-value: 0.249

其实不要太迷恋R2，很多时候没有意义的

首先感谢你的详细回复。但是你的输出结果只显示了一元回归中Group这个变量对因变量的解释程度。我想知道在该一元回归模型的基础上，再加入一个新的变量，那么这个新的变量对整个模型解释程度的增量是多少？且该增量是否显著（这在SPSS中很容易实现）ps不错，R square确实没有多大说服力，但是一般情况下，论文的结果中都会报告该指标。

你的意思是两次回归所得R2相减吗？

对。但是R-square增量的显著性如何得知？