预测怀俄明州蛇河降水量和农作物产量

去掉左下角和右上角的离群点。然后剩下的点做回归。因为被最前端和最后端的两个疑似离群点影响，有一 点轻微的曲线形状。所以，有必要进行数据转换并删除无关观测值

线性回归必须通过假设检验，其中的假设可以总结如下。  线性：预测变量与响应变量之间的关系是线性的。如果线性关系不能清晰呈现，可以对 变量X或Y进行数据转换（对数转换、多项式转换、指数转换等）以解决问题。  误差不相关：在时间序列和面板数据中，en = betan1是一个常见问题；如果误差是相关的， 那么你就有可能建立一个非常不规范的模型。  同方差性：误差是正态分布的，并具有相同的方差。这意味着对于不同的输入值，误差 的方差是个固定值。如果违背了这个假设，参数估计就有可能产生偏差，导致对显著性 的统计检验结果过高或者过低，从而得到错误的结论。这种情况就称为异方差性。  非共线性：两个预测变量之间不存在线性关系，也就是说，特征之间不应该存在相关性。 同样地，共线性也会导致估计偏差。  存在异常值：异常值会严重影响参数估计。理想情况下，必须在使用线性回归拟合模型 之前就除去异常值。正如我们在Anscombe数据集那个例子中看到的，异常值也会导致具 有偏差的估计结果。