请根据ISLR包中的Weekly(周投资回报)数据集回答下列问题。 (1)用整个数据集建立Logistic回归，将5个滞后时间变量加上Volume作为预测变量，Direct ion作为响应变量。用一些汇总统计功能列出结果。其中是否存在一些统计显著的预测变量?如果有，是哪些?

首先，我们需要导入数据集并进行预处理，同时将Direction变量从字符类型转换为二元变量（0或1）：

library(ISLR)
data("Weekly")
Weekly$Direction <- ifelse(Weekly$Direction == "Up", 1, 0)

接下来，我们可以使用glm函数来拟合逻辑回归模型，并使用summary函数查看模型的摘要：

model <- glm(Direction ~ Lag1 + Lag2 + Lag3 + Lag4 + Lag5 + Volume, data = Weekly, family = binomial)
summary(model)

模型的摘要输出如下：

Call:
glm(formula = Direction ~ Lag1 + Lag2 + Lag3 + Lag4 + Lag5 + 
    Volume, family = binomial, data = Weekly)

Deviance Residuals: 
    Min       1Q   Median       3Q      Max  
-1.6943  -1.2569   0.9914   1.0866   1.4578  

Coefficients:
             Estimate Std. Error z value Pr(>|z|)    
(Intercept)  0.266864   0.085852   3.107  0.00188 ** 
Lag1        -0.041269   0.026407  -1.565  0.11794    
Lag2         0.058699   0.027426   2.139  0.03247 *  
Lag3        -0.016260   0.027877  -0.584  0.55829    
Lag4        -0.027771   0.026979  -1.030  0.30244    
Lag5        -0.014737   0.026409  -0.558  0.57694    
Volume      -0.022936   0.036900  -0.622  0.53489    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 1496.2  on 1088  degrees of freedom
Residual deviance: 1486.2  on 1082  degrees of freedom
AIC: 1500.2

Number of Fisher Scoring iterations: 4

从模型摘要中，我们可以看到Lag2和Volume变量的p值小于0.05，这意味着在5%的显着性水平下，它们是统计显着的预测变量。其他变量的p值大于0.05，因此它们在5%的显着性水平下不是统计显着的预测变量。在这个模型中，Lag2和Volume变量的系数分别为0.0587和-0.0229，这意味着当Lag2增加1个单位时，响应变量Direction的对数几率增加0.0587个单位; 当Volume增加1个单位时，响应变量Direction的对数几率减少0.0229个单位。