rm(list=ls()) x1 <- rnorm(1000,0,0.5) x2 <- rbinom(1000,1,prob=0.5) eb <- rnorm(0,1) lm_func <- function(x1,x2,y){ y <- 2*x1+3*x2+eb } betahat1 <- solve(t(x1)%*%x1)%*%t(x1)%*%y betahat2 <- solve(t(x2)%*%x2)%*%t(x2)%*%y

这段代码存在一些问题，其中y并没有被定义，也就无法进行线性回归的最小二乘估计。此外，lm_func函数也没有被调用，也就无法使用该函数来进行线性回归。

如果要进行线性回归的最小二乘估计，可以按照以下步骤进行：

1. 生成自变量x1、x2和误差项eb：

x1 <- rnorm(1000, 0, 0.5)
x2 <- rbinom(1000, 1, prob = 0.5)
eb <- rnorm(1000, 0, 1)

2. 生成因变量y：

y <- 2 * x1 + 3 * x2 + eb

3. 使用lm()函数进行线性回归的最小二乘估计：

model <- lm(y ~ x1 + x2)

4. 查看模型摘要：

summary(model)

在模型摘要中，可以查看模型的系数估计值、标准误、t值、p值等信息，以及R方值、调整后R方值等模型拟合指标。

需要注意的是，在进行线性回归分析时，需要对数据进行一定的前置处理，例如，处理缺失值、异常值、离群值等。另外，还需要进行模型诊断，以检查模型是否符合线性回归模型的假设。