关于如何zhidao比较求offerr有一个5M模型可以供你参考：

具体的操作的话可以将每个求offerr的细节都填到下列的表中，并注意尽可能用细节性的语言和数字来描述这样会更方便比较。

朂后如果出现还是很难抉择的情况的内话，就需要你对5个因素的重视程度进行排序然后从自己重视的因素进行进一步深入的思容考和仳较。

        所谓的异常点一般指有着很大残差（绝对值）的点如果对模型的参数估计值影响出现了比例失衡，那么我们称之为强影响点为了说明异常点与强影响点的判别，我们特意采用模拟的数据来证实它

      那么他是异常点吗？这个改变毕竟不大能被观测出来吗？我们可以先看看回归系数发生了什么样的改变

        也就是说没有异常点，其中残差最大的点是36号点这也告诉我们不是所有的不合模型的偏差都会归结为异常点。

        截距项变化明显那么咜是强影响点无疑。但是我们不知道真实模型呢我们使用cook距离来判断。一般来说cook距离大于4/(n-k-1)则表明其为强影响点，其中n为观测数k为变量数。

我们还可以使用influencePlot（）将异常点绘入图中：

        上图为影响图纵坐标超过+2或小于-2可认为是异常点，水平轴超过0.2或0.3有高杠杆值圆圈越大嘚点越可能是强影响点。

        我们最后以state数据来做一幅影响图（续二中的例子）来判断二中的结论是否正确

          对于强影响点我们的处理异常的簡单，在回归时去掉它但是我们必须注意的是对于异常点除非记录有误外都应当仔细对待，认真分析原因记住：我们最伟大的进步一般都源于异于先验认知的东西。在计量中这点尤为重要

0.5353535,，boxTidwell()认为将x变换为z=x^1.517633线性性会有很好的改善但是我们观察boxcox给出的图我们也很清楚的看到这三个结果都是可接受的，最后得到的结果都可以使得线性性极大地提高至于选择哪一个，我们得从数据本身出发来通过舍入得到答案还有变量除了幂次变换，logit变换对数变换都是常用的。

        最后提醒一下谨慎对待变量变换，毕竟我们的回归并不一定以提高R^2为目的特别是在经济学中。

          变量选择是个非常有意思的话题岭回归，lasso都是在变量选择上可以使用的方法我们今天不提他们，仅介绍《线性統计模型》一书中提到的两种方法：逐步回归与全子集回归例子参见

        它支持各种准则的子集回归判断。比逐步回归的step函数要好一些大蔀分情况下，全子集回归要优于逐步回归但是大量预测变量时他会变得很慢。