回归诊断技术向你提供了评价回归模型适用性的必要工具 8.3.1标准方法 对lm()函数返回的对象使用plot()函数，生成评价模型拟合情况的四幅图形 例子

从输出项（Global Stat中的文字栏)可以看到数据满足OLS回归模型所有的统计假设（p=0.597) 若p 2就表明存在多重共线性 例子

结果显示都不大于2所以不存在多重共线性

.4异常值的观测 一个全面的回归分析要覆盖对异常值的分析，包括离群点，高杠杆点和强影响点。 8.4.1 离群点 离群点是指那些模型预测效果不佳的观测点。它们通常有很大的或正或负的残差，正的残差说明模型低估了响应值，负的残差说明模型高估了响应值 通过QQ图可以识别离群点，落在置信区间之外的点就是离群点。 另一个粗糙的判断准则：标准化残差值大于2或者小于-2的点可能是离群点，需要特别关注。 car包也提供了另一种离群点的统计检验方法。outlierTest()函数可以求得最大标准化残差绝对值Bonferroni调整后的p值：

此处可以看到Nevada被判定为离群点（p=0.048). 注意该函数只是根据单个最大残差值的显著性来判断是否有离群点，若不显著。则说明数据集中没有离群点； 若显著则你必须删除该离群点，然后再检验是否还有其他离群点存在

高杠杆值点 高杠杆值观测点，指自变量因子空间中的离群点，由许多异常的自变量值组合起来的，与因变量没有关系 高杠杆点就是预测变量中的离群点（就是因变量中的不合群的点）比如如果只有一个因变量，有个点离所有其他因变量的点都很远那这个点就是高杠杆点 在简单线性回归中，高杠杆观测是很容易辨认的，我们可以简单地找到预测变量的取值超出正常范围的观测点。 但是，在有许多预测变量的多元线性回归中，可能存在这样的观测点： 单独来看，它各个预测变量的取值都在正常范围内，但从整个预测变量集的角度来看，它却是不寻常的 #高杠杆点可能是强影响点，也可能不是，这要看他们是不是离群点

高杠杆点的观测点可通过帽子统计量判断 对于一个给定的数据集，帽子均值为p/n，其中p是模型估计的参数数目（包含截距项），n是样本量。 一般来说，若观测点的帽子值大于帽子均值的2或3倍，就可以认定为高杠杆值点 代码示例