求老铁用R来个数据建模

一家保险公司十分关心其公司营业部加班的程度，决定认真调查一下现状。经过10周时间，收集了每周加班时间的数据和签发的新保单数目，x为每周签发的新保单数目，y为每周加班时间，数据如图
        周序号   1           2           3          4          5         6          7           8         9          10
       x            825     215     1070      550       480     920     1350      325     670      1215
       y             3.5       1.0        4.0       2.0       1.0      3.0       4.5        1.5      3.0        5.0

x=c(825,215,1070, 550,480,920,1350, 325,670, 1215)
y=c(3.5,1.0, 4.0,2.0,1.0, 3.0,4.5, 1.5, 3.0, 5.0)
#线性回归
fit=lm(y~x)
summary(fit)
# Call:
#   lm(formula = y ~ x)
#
# Residuals:
#   Min       1Q   Median       3Q      Max
# -0.83899 -0.33483  0.07842  0.37228  0.52594
#
# Coefficients:
#   Estimate Std. Error t value Pr(>|t|)   
# (Intercept) 0.1181291  0.3551477   0.333    0.748   
# x           0.0035851  0.0004214   8.509 2.79e-05 ***
#   ---
#   Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
#
# Residual standard error: 0.48 on 8 degrees of freedom
# Multiple R-squared:  0.9005,        Adjusted R-squared:  0.8881
# F-statistic:  72.4 on 1 and 8 DF,  p-value: 2.795e-05

#画图
plot(x,y,pch=16,cex=0.5)
abline(lm(y~x),col='red')


# 相关性
cor(x,y)
#[1] 0.9489428


结论：签发的新保单数目和加班时间成正比，加班时间越多，签单数越多，两者的相关性大。

你的数据格式没有看懂，另外也不知道你需要解决什么问题

你的数据格式没有看懂，另外也不知道你需要解决什么问题

x=c(825,215,1070, 550,480,920,1350, 325,670, 1215)
y=c(3.5,1.0, 4.0,2.0,1.0, 3.0,4.5, 1.5, 3.0, 5.0)
#线性回归
fit=lm(y~x)
summary(fit)
# Call:
#   lm(formula = y ~ x)
#
# Residuals:
#   Min       1Q   Median       3Q      Max
# -0.83899 -0.33483  0.07842  0.37228  0.52594
#
# Coefficients:
#   Estimate Std. Error t value Pr(>|t|)   
# (Intercept) 0.1181291  0.3551477   0.333    0.748   
# x           0.0035851  0.0004214   8.509 2.79e-05 ***
#   ---
#   Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
#
# Residual standard error: 0.48 on 8 degrees of freedom
# Multiple R-squared:  0.9005,        Adjusted R-squared:  0.8881
# F-statistic:  72.4 on 1 and 8 DF,  p-value: 2.795e-05

#画图
plot(x,y,pch=16,cex=1)
abline(lm(y~x),col='red')

#相关性
cor(x,y)
#[1] 0.9489428
结论：
签发的新保单数目和加班时间成正相关，加班时间越长，签单数越多，两者相关性非常大。

楼主题目不是很清楚

x=c(825,215,1070, 550,480,920,1350, 325,670, 1215)
y=c(3.5,1.0, 4.0,2.0,1.0, 3.0,4.5, 1.5, 3.0, 5.0)
#线性回归
fit=lm(y~x)
summary(fit)
# Call:
#   lm(formula = y ~ x)
#
# Residuals:
#   Min       1Q   Median       3Q      Max
# -0.83899 -0.33483  0.07842  0.37228  0.52594
#
# Coefficients:
#   Estimate Std. Error t value Pr(>|t|)   
# (Intercept) 0.1181291  0.3551477   0.333    0.748   
# x           0.0035851  0.0004214   8.509 2.79e-05 ***
#   ---
#   Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
#
# Residual standard error: 0.48 on 8 degrees of freedom
# Multiple R-squared:  0.9005,        Adjusted R-squared:  0.8881
# F-statistic:  72.4 on 1 and 8 DF,  p-value: 2.795e-05

#画图
plot(x,y,pch=16,cex=1)
abline(lm(y~x),col='red')

#相关性
cor(x,y)
#[1] 0.9489428
结论：
签发的新保单数目和加班时间成正相关，加班时间越长，签单数越多，两者相关性非常大。

楼上回复的非常不错