转自http://www.dataguru.cn/thread-476888-1-1.html
对于glm模型summary()输出的汇总结果，如何解读是非常重要的，它直接影响得出的结论。
例如下面这样一个输出结果，该如何理解呢？
Call:
glm(formula = bl ~ I, family = gaussian,data = anaData)
Deviance Residuals:
Min 1Q Median 3Q Max
-62.364 -14.278 -0.462 14.293 51.475
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 67.067 5.766 11.632 < 2e-16 ***
I 10.368 3.647 2.843 0.00521 **
根据课程所学并查阅有关参考书箱，理解如下：
一、调用
Call:
glm(formula = bl ~ I, family = gaussian,data = anaData)
当创建模型时，以上代码表明glm是如何被调用。
二、残差统计量
Deviance Residuals:
Min 1Q Median 3Q Max
-62.364 -14.278 -0.462 14.293 51.475
残差第一四分位数（1Q）和第三分位数（Q3）有大约相同的幅度，意味着有较对称的钟形分布。
三、系数
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 67.067 5.766 11.632 < 2e-16 ***
I 10.368 3.647 2.843 0.00521 **
标记为Estimate的列包含由普通最小二乘法计算出来的估计回归系数。
标记为Std. Error的列是估计的回归系数的标准误差。
从理论上说，如果一个变量的系数是0，那么该变量是无意义的，它对模型毫无贡献。然而，这里显示的系数只是估计，它们不会正好为0。因此，我们不禁会问：从统计的角度而言，真正的系数为0的可能性有多大？这是t统计量和P值的目的，在汇总中被标记为t value和Pr(>|t|)。
P值估计系数不显著的可能性，有较大P值的变量是可以从模型中移除的候选变量。
来源：CSDN
作者：songhao22
链接：https://blog.csdn.net/songhao22/article/details/79369652