这问题我之前处理动态数据流的时候也碰到过，核心就是每次自动取数据集最后10个点来计算，不用手动调整索引。下面给你几种实用的实现方式，从简单到高效都有：

方法1：用tail()快速子集数据（最省心） #

tail()函数天生就是用来取数据集末尾N行的，不管你的数据集追加了多少新数据，它都能自动拿到最新的10个点，代码写起来特别简洁：

# 假设你的动态数据集是d，新数据不断追加到末尾
latest_10 <- tail(d, 10)
# 用子集数据拟合线性模型
linreg <- lm(y ~ x, data = latest_10)
# 直接提取斜率（不用summary，节省计算资源）
beta1 <- coef(linreg)[2]

这个方法的好处是：当数据集还不足10个点时，tail()会返回全部现有数据，不会报错，兼容性很强。

方法2：手动计算索引（灵活可控） #

如果你想更直观地控制索引范围，可以用nrow()获取当前数据集的行数，然后计算起始索引：

n <- nrow(d)
# 确保起始索引不会小于1（比如数据只有5个点时，从第1行开始）
start_idx <- max(1, n - 9)
# 用索引子集拟合模型
linreg <- lm(y[start_idx:n] ~ x[start_idx:n], data = d)
beta1 <- coef(linreg)[2]

这里max(1, n-9)是关键，避免了当数据量小于10时出现负索引的问题，逻辑清晰，适合需要自定义索引规则的场景。

方法3：直接计算斜率（性能最优） #

如果你的需求只需要斜率，不需要线性模型的其他统计量（比如截距、残差、R²），那完全不用调用lm()——因为lm()会做很多额外计算，高频更新时会有点浪费资源。我们可以用斜率的数学公式直接计算，速度会快很多：

# 自定义函数：计算最新n个点的斜率
get_latest_slope <- function(data, n_points = 10) {
  # 取最新n个点
  latest <- tail(data, n_points)
  x <- latest$x
  y <- latest$y
  
  # 计算斜率的核心公式：β₁ = Cov(x,y)/Var(x)
  x_mean <- mean(x)
  y_mean <- mean(y)
  numerator <- sum((x - x_mean) * (y - y_mean))
  denominator <- sum((x - x_mean)^2)
  
  # 处理边界情况：如果x值全部相同，分母为0，返回NA
  if (denominator == 0) {
    return(NA)
  }
  
  return(numerator / denominator)
}

# 调用函数获取斜率
beta1 <- get_latest_slope(d)

这个方法的优势是性能拉满，适合数据更新非常频繁的场景，同时还处理了x值全相同的异常情况，避免程序崩溃。

内容的提问来源于stack exchange，提问作者compbiostats