多项式拟合可提取数据趋势线并量化拟合质量：一、用lm与poly函数拟合并提取r²；二、手动计算r²验证拟合；三、用polynom包符号化拟合与可视化；四、用ggplot2+stat_poly_eq一键绘图标注。
如果您有一组杂乱的观测数据点，希望从中提取出潜在的趋势线并量化拟合质量，则多项式拟合是一种常用手段。polyfit函数（或其等效实现）可生成最优多项式系数，而R²值则用于衡量该多项式对原始数据的解释能力。以下是实现该目标的具体方法：
一、使用R语言内置lm与poly函数进行拟合并提取R²
该方法基于线性模型框架，将多项式项视为多个独立变量，利用最小二乘法求解系数，并直接从模型摘要中提取决定系数R²。它稳定、高效，且兼容标准统计诊断流程。
1、准备数据：创建包含自变量x和因变量y的数据框，确保二者长度一致。
2、设定多项式阶数：例如设degree ← 2表示二次拟合，可根据散点图粗略趋势选择。
3、调用lm函数：使用formula = y ~ poly(x, degree, raw = TRUE)构建模型，raw = TRUE确保返回的是标准幂次形式而非正交多项式。
4、提取R²：通过summary(model)$r.squared直接获取未调整的决定系数。
5、提取趋势线方程：使用coef(model)获得截距与各阶系数，按降幂排列组合为多项式表达式。
二、手动计算R²值以验证拟合质量
手动计算R²可绕过模型封装，明确展示其数学定义——即已解释变异占总变异的比例。该方式有助于理解R²本质，适用于需复现公式或调试异常值影响的场景。
1、拟合多项式并获取预测值：使用predict(model)得到每个x对应的拟合y值。
2、计算总平方和（SST）：sum((y - mean(y))^2)，反映原始数据离散程度。
3、计算残差平方和（SSE）：sum((y - fitted_values)^2)，反映模型未解释部分。
4、代入公式：R² = 1 - SSE/SST，结果应与summary(model)$r.squared一致。
5、验证数值稳定性：若SST接近零（所有y值几乎相同），此时R²无意义，应避免计算。
三、使用ploynom包进行符号化多项式拟合与可视化
ploynom包提供符号运算能力，可直接生成可读性强的多项式表达式，并支持导数、积分等操作。适用于需输出解析式、教学演示或进一步代数处理的情形。
1、安装并加载包：install.packages("polynom"); library(polynom)。
2、构造多项式对象：poly.calc(x, y)自动执行最小二乘拟合并返回符号多项式。
3、转换为函数：as.function()将符号多项式转为R可调用函数，用于插值或绘图。
4、计算R²：仍需手动计算SST与SSE，因ploynom不内置统计摘要；必须同步保留原始x、y向量以供后续误差计算。
5、绘制趋势线：使用curve(as.function(poly_result), add = TRUE)叠加至散点图。
四、采用ggplot2 + stat_poly_eq实现一键拟合与标注
该方法面向图形报告需求，在绘图同时自动完成拟合、R²与p值标注，适合快速生成高质量分析图表。stat_poly_eq支持LaTeX格式公式渲染，提升专业呈现效果。
1、构建基础散点图：ggplot(data, aes(x = x, y = y)) + geom_point()。
2、添加拟合曲线：geom_smooth(method = "lm", formula = y ~ poly(x, n))，n为指定阶数。
3、叠加统计标签：stat_poly_eq(aes(label = paste(..eq.label.., ..rr.label.., sep = "*plain(\",\")~")), parse = TRUE)。
4、设置标注位置：label.x与label.y取值范围为0–1，表示相对于坐标轴的比例位置。
5、注意兼容性：formula中必须使用poly(x,n)而非I(x^n)，否则stat_poly_eq无法识别高阶项。
