要得到趋势线的首尾值，本质就是用你的线性回归模型，预测数据集中第一个日期和最后一个日期对应的拟合值，这里有两种简单可靠的实现方法：

方法一：手动提取系数计算 #

线性回归的核心公式是 y = 截距 + 斜率 * 日期数值，R在处理日期类型的自变量时，会自动把日期转换成以1970-01-01为起点的天数数值，我们可以直接提取模型系数，代入首尾日期的数值计算：

# 建议用变量名而非索引拟合模型，代码更清晰可维护
model <- lm(AT31102 ~ Date, data = df)

# 从模型中提取截距和斜率
coefs <- coef(model)
intercept <- coefs["(Intercept)"]
slope <- coefs["Date"]

# 将首尾日期转换成和模型内部一致的数值类型
first_date_num <- as.numeric(df$Date[1])
last_date_num <- as.numeric(df$Date[nrow(df)])

# 计算趋势线的首尾值
trend_start <- intercept + slope * first_date_num
trend_end <- intercept + slope * last_date_num

# 输出结果
cat("趋势线起始值：", round(trend_start, 3), "\n")
cat("趋势线结束值：", round(trend_end, 3), "\n")

方法二：用predict()函数直接预测（更推荐） #

R内置的predict()函数可以直接基于模型对新日期进行预测，无需手动计算系数，不仅更简洁，还能避免手动计算可能出现的错误：

# 拟合回归模型
model <- lm(AT31102 ~ Date, data = df)

# 创建包含首尾日期的新数据框（注意列名要和模型自变量名完全一致）
new_dates <- data.frame(Date = c(df$Date[1], df$Date[nrow(df)]))

# 预测得到趋势线的首尾值
trend_values <- predict(model, newdata = new_dates)

# 查看结果，第一个元素是起始值，第二个是结束值
print(trend_values)

两种方法得到的结果完全一致，predict()的优势在于如果后续模型有调整（比如加入其他自变量），代码几乎不需要修改，兼容性更强。

内容的提问来源于stack exchange，提问作者Essi