到目前为止，没有一个答案指向正确的方向。
@idr 接受的答案混淆了lm 和summary.lm。 lm 根本不计算诊断统计数据；相反，summary.lm 会。所以他说的是summary.lm。
@Jake 的答案是关于 QR 分解和 LU/Choleksy 分解的数值稳定性的事实。 @ 987654323@ 的答案通过指出这两个操作背后的浮点运算量来扩展这一点（尽管正如他所说，他没有计入计算矩阵叉积的成本）。但是，不要将 FLOP 计数与内存成本混淆。实际上这两种方法在 LINPACK / LAPACK 中的内存使用情况相同。具体来说，他认为 QR 方法需要更多 RAM 来存储 Q 因子的论点是虚假的。 lm(): What is qraux returned by QR decomposition in LINPACK / LAPACK 中解释的压缩存储阐明了如何计算和存储 QR 分解。 QR vs.的速度问题Chol 在我的回答中有详细说明：Why the built-in lm function is so slow in R?，我在faster lm 上的回答提供了一个小程序lm.chol 使用 Choleksy 方法，比 QR 方法快 3 倍。
@Greg 对biglm 的回答/建议很好，但没有回答问题。由于提到了biglm，我要指出QR decomposition differs in lm and biglm。 biglm 计算户主反射，因此得到的 R 因子具有正对角线。有关详细信息，请参阅Cholesky factor via QR factorization。 biglm 这样做的原因是生成的 R 将与 Cholesky 因子相同，有关信息，请参阅 QR decomposition and Choleski decomposition in R。此外，除了biglm，您还可以使用mgcv。阅读我的回答：biglm predict unable to allocate a vector of size xx.x MB 了解更多信息。
总结之后，是时候发布我的答案了。
为了拟合线性模型，lm 将
- 生成模型框架；
- 生成模型矩阵；
- 致电
lm.fit 进行二维码分解；
- 返回 QR 分解的结果以及
lmObject 中的模型框架。
您说您的输入数据框有 5 列，需要 2 GB 来存储。对于 20 个因子级别，生成的模型矩阵有大约 25 列，占用 10 GB 存储空间。现在让我们看看当我们调用lm 时内存使用量是如何增长的。
-
[全球环境]最初您有 2 GB 存储空间用于数据框；
-
[
lmenvrionment] 然后将其复制到模型框架中，花费 2 GB；
-
[
lm environment]然后生成模型矩阵，消耗 10 GB；
-
[
lm.fit environment] 复制模型矩阵，然后通过 QR 分解覆盖，花费 10 GB；
-
[
lm环境]返回lm.fit的结果，占用10GB；
-
[全局环境]
lm.fit 的结果被lm 进一步返回，又消耗了 10 GB；
-
[全球环境]模型框架由
lm返回，消耗2GB。
因此，总共需要 46 GB RAM，远远大于可用的 22 GB RAM。
实际上，如果lm.fit 可以“内联”到lm，我们可以节省 20 GB 的成本。但是没有办法在另一个 R 函数中内联一个 R 函数。
也许我们可以举个小例子看看lm.fit周围发生了什么：
X <- matrix(rnorm(30), 10, 3) # a `10 * 3` model matrix
y <- rnorm(10) ## response vector
tracemem(X)
# [1] "<0xa5e5ed0>"
qrfit <- lm.fit(X, y)
# tracemem[0xa5e5ed0 -> 0xa1fba88]: lm.fit
确实，X 在传递到 lm.fit 时会被复制。来看看qrfit有什么
str(qrfit)
#List of 8
# $ coefficients : Named num [1:3] 0.164 0.716 -0.912
# ..- attr(*, "names")= chr [1:3] "x1" "x2" "x3"
# $ residuals : num [1:10] 0.4 -0.251 0.8 -0.966 -0.186 ...
# $ effects : Named num [1:10] -1.172 0.169 1.421 -1.307 -0.432 ...
# ..- attr(*, "names")= chr [1:10] "x1" "x2" "x3" "" ...
# $ rank : int 3
# $ fitted.values: num [1:10] -0.466 -0.449 -0.262 -1.236 0.578 ...
# $ assign : NULL
# $ qr :List of 5
# ..$ qr : num [1:10, 1:3] -1.838 -0.23 0.204 -0.199 0.647 ...
# ..$ qraux: num [1:3] 1.13 1.12 1.4
# ..$ pivot: int [1:3] 1 2 3
# ..$ tol : num 1e-07
# ..$ rank : int 3
# ..- attr(*, "class")= chr "qr"
# $ df.residual : int 7
请注意，紧凑型 QR 矩阵 qrfit$qr$qr 与模型矩阵 X 一样大。它在lm.fit 内部创建，但在lm.fit 退出时，它会被复制。所以总的来说，我们将拥有X 的 3 个“副本”：
- 全球环境中的原始版本；
- 复制到
lm.fit的那个，被QR分解覆盖；
-
lm.fit 返回的那个。
在您的情况下，X 是 10 GB，因此仅与 lm.fit 相关的内存成本就已经是 30 GB。更不用说与lm 相关的其他费用了。
另一方面，让我们看看
solve(crossprod(X), crossprod(X,y))
X 占用 10 GB，但 crossprod(X) 只是一个 25 * 25 矩阵，crossprod(X,y) 只是一个长度为 25 的向量。与X相比，它们是如此之小，因此内存使用量根本不会增加。
也许您担心在调用crossprod 时会生成X 的本地副本？一点也不！与lm.fit 对X 执行读写操作不同，crossprod 只读取X，因此不进行复制。我们可以通过我们的玩具矩阵X 验证这一点：
tracemem(X)
crossprod(X)
您不会看到复制消息！
如果您想要以上所有内容的简短摘要，请点击此处：
-
lm.fit(X, y)（甚至.lm.fit(X, y)）的内存成本是solve(crossprod(X), crossprod(X,y)) 的三倍；
- 根据模型矩阵比模型框架大多少，
lm 的内存成本是solve(crossprod(X), crossprod(X,y)) 的 3 ~ 6 倍。永远不会达到下限 3，而当模型矩阵与模型框架相同时，会达到上限 6。当没有因子变量或“因子相似”术语时，例如 bs() 和 poly() 等，就会出现这种情况。