一家高新技术公司人事部门为研究软件开发人员的薪金与他们的资历、管理责任、教育程度等因素之间的关系，要建立一个数学模型，以便分析公司人事策略的合理性，并作为新聘用人员的薪金参考。他们认为目前公司人员的薪金总体上是合理的，可以作为建模的依据，于是调查了46名软件开发人员的档案资料，如表1，包括薪金（单位：元）、资历（从事专业工作的年数）、管理责任（1表示管理人员，0表示非管理人员）、教育程度（1表示中学，2表示大学、3表示研究生）。

好的，根据你提供的信息，我们可以使用R语言来建立一个线性回归模型，以分析薪金与资历、管理责任、教育程度等因素之间的关系。

首先，我们需要准备数据集。假设我们已经收集了46名软件开发人员的档案资料，并将其保存在一个名为`salary.csv`的CSV文件中。可以使用如下代码读取数据集：

salary_data <- read.csv("salary.csv")

然后，我们可以使用`lm()`函数来建立线性回归模型。在这个问题中，我们的目标是预测薪金，因此将薪金视为因变量，资历、管理责任、教育程度等视为自变量。可以使用如下代码建立模型：

model <- lm(Salary ~ Experience + Management + Education, data = salary_data)

其中，`Salary`是因变量，`Experience`、`Management`、`Education`是自变量，`data`参数指定了数据集。

建立模型后，我们可以使用`summary()`函数查看模型摘要，包括各个自变量的系数、标准误差、t值、p值等信息。可以使用如下代码查看模型摘要：

summary(model)

最后，我们可以使用模型来预测软件开发人员的薪金。假设我们有一个新员工，他的资历为10年，管理责任为1，教育程度为大学，我们可以使用如下代码来预测他的薪金：

new_employee <- data.frame(Experience = 10, Management = 1, Education = "B")
predict(model, newdata = new_employee)

其中，`data.frame()`函数创建了一个包含新员工信息的数据框，`predict()`函数使用模型来预测薪金。

需要注意的是，教育程度是一个分类变量，需要将其转换为虚拟变量（哑变量）进行建模，可以使用`factor()`函数进行转换。完整的代码如下：

# 导入数据
salary_data <- read.csv("salary.csv")

# 将教育程度转换为虚拟变量
salary_data$Education <- factor(salary_data$Education)
dummy_vars <- model.matrix(~ Education - 1, data = salary_data)
salary_data <- cbind(salary_data, dummy_vars)

# 建立线性回归模型
model <- lm(Salary ~ Experience + Management + ., data = salary_data)

# 查看模型摘要
summary(model)

# 预测新员工薪金
new_employee <- data.frame(Experience = 10, Management = 1, Education = "B")
new_employee_dummy <- model.matrix(~ Education - 1, data = new_employee)
new_employee <- cbind(new_employee, new_employee_dummy)
predict(model, newdata = new_employee)

需要注意的是，该模型的预测效果受到数据质量、特征选择等影响，建议在建模前对数据进行仔细的分析和处理。