How to solve these problem using R Studio?

Bagian B (Bobot 40). Data ChickWeight merupakan salah satu built-in dataset di R (silahkan dicek menggunakan perintah >data (ChickWeight)). Data tersebut berisi berat dari 50 ayam dari waktu ke waktu berdasarkan jenis diet yang diberikan. Apabila kurang jelas, maka informasi lengkapnya dapat dibaca menggunakan perintah > help (ChickWeight). Apabila random effect (yang disebabkan pengukuran berulang) pada bobot ayam diabaikan, sehingga diasumsikan pengamatan bersifat saling bebas, maka buatlah source code di R untuk: 3. Dapatkan model regresi linier yang melibatkan intercept dengan respons adalah weight dan prediktor adalah Time dan Diet. Lakukan uji signifikansi serentak dan individu serta tuliskan hasilnya! 4. Berdasarkan model pada soal nomor 3, lakukan prediksi weight saat Time =15 untuk masing-masing kategori Diet. 5. Tampilkan hasil prediksi weight menggunakan regresi linier bootstrap dengan pengulangan sebanyak B=1000 kali. 6. Tampilkan dan bandingkan nilai standar error dari taksiran parameter pada model regresi linier dan regresi linier bootstrap! Bagian B (Bobot 40). Data ChickWeight merupakan salah satu built-in dataset di R (silahkan dicek menggunakan perintah >data (ChickWeight)). Data tersebut berisi berat dari 50 ayam dari waktu ke waktu berdasarkan jenis diet yang diberikan. Apabila kurang jelas, maka informasi lengkapnya dapat dibaca menggunakan perintah > help (ChickWeight). Apabila random effect (yang disebabkan pengukuran berulang) pada bobot ayam diabaikan, sehingga diasumsikan pengamatan bersifat saling bebas, maka buatlah source code di R untuk: 3. Dapatkan model regresi linier yang melibatkan intercept dengan respons adalah weight dan prediktor adalah Time dan Diet. Lakukan uji signifikansi serentak dan individu serta tuliskan hasilnya! 4. Berdasarkan model pada soal nomor 3, lakukan prediksi weight saat Time =15 untuk masing-masing kategori Diet. 5. Tampilkan hasil prediksi weight menggunakan regresi linier bootstrap dengan pengulangan sebanyak B=1000 kali. 6. Tampilkan dan bandingkan nilai standar error dari taksiran parameter pada model regresi linier dan regresi linier bootstrap