结果分析：大多数点置信区间（两条虚线之间）范围内，点基本在一条直线上，我们可以认为此样本基本符合正太分布
这个州 Nevada 的估计值：
这个州 Nevada 的实际值：
结论：这个州的估计和实际差别很大，在实际应用中可以当离群点删掉
错误：种类\'list\'目前没有在\'greater\'里实现
修正：这里是为什么呢？？
后来仔细检查了语句，单词大小写错了
（2）独立性
states<-as.data.frame(state.x77[,c("Murder",
"Population","Illiteracy","Income","Frost")])
fit2<-lm(Murder~Population+Illiteracy+Income+Frost,data=states) #回归分析
解释：Murder是预测变量，Population+Illiteracy+Income+Frost是解释变量
durbinWatsonTest(fit2)
结论分析：我们希望p-value的值越大越好，如何很大，就说明不相关，即互相独立，基本上我们可以认为这些变量是互相独立的
（3）线性
states<-as.data.frame(state.x77[,c("Murder",
"Population","Illiteracy","Income","Frost")])
fit2<-lm(Murder~Population+Illiteracy+Income+Frost,data=states)
par(mfrow=c(2,2))
crPlots(fit2) #画成分残差图
结果分析：虚线是直线，是最小二乘法估计，我们需要看实线是否与虚线基本重合，若基本重合，我们认为是呈线性关系的
（4）同方差性
ncvTest(fit2)
结果分析：跟上面一样，P值越大越好，P越大说明其是同方差性的，满足假设
2.3 线性模型假设的综合验证
install.packages("gvlma")
library(gvlma)
states<-as.data.frame(state.x77[,c("Murder",
"Population","Illiteracy","Income","Frost")])
fit2<-lm(Murder~Population+Illiteracy+Income+Frost,data=states) #回归分析
解释：Murder是预测变量，Population+Illiteracy+Income+Frost是解释变量
gvmodel<-gvlma(fit2)
summary(gvmodel)
结果分析：这里后面都是acceptable，若是不接受，要一个个检查上面四个图
2.3.1 多重共线性
vif(fit2)