因为学校课程的需要不得不跳步整理，R语言其他部分只能等毕业有空再整理了。我发现代码这种东西，除了需要考试的时候看基础，其余情况都得“见风使舵”哈哈哈。气
其实回归，就是变量与变量之间关系的量化。插入一个图片
如图，就是回归的各种方法，具体的应该在各种相关教科书里面有，这里不针对数学展开了。
OLS使用情形
OLS是通过预测变量（x）的加权和来预测量化的因变量（y）
其实主要的情形就是“关系”“哪些因素”“什么影响”“因素解释差异”
接下来将介绍OLS估计的基本知识（R函数拟合OLS回归模型，评价拟合优度，检验假设条件以及选择模型）
此处原文推荐了两本书
John Fox的偏重理论，偏重运用
我觉得OLS现在还没要求研究那么细，所以我没去读hhh
首先，OLS回归的形式，以及相应部分的解释：
你可能看得出我比较懒。值得注意的是数据需要满足的几个统计假设：正态性，独立性，线性和同方差性。
R语言和模型拟合
代码块如下
myfit<-lm(y~x1+x2+x3+x4,data)
#lm就是函数了，y~x1+x2+x3就是函数因为要做作业，所以我这里直接做好了
这是我的数据，如果一开始名字是英文就可以直接用数据分析了，但是我没弄好哈哈哈，所以要重命名，接下来就是lm拟合了：
结果就是这样，但是这里好像没有想要的标准差等数据，回到教材>>>
emmm也不知道会不会用到这些，先弄下来接下来就比较重要了：
比如使用一下summary就看得到标准差和各种东西了
哈哈哈是不是很棒，为了满足一下大家的好奇心以及我自己的作业【?】其他函数也试一下
因为我只有10个样本数据，所以这边无论是预测的y还是残差都只有10个数据哈
继续
接下来的plot函数相当于数据可视化，这边就不一一说明了，直接上图
命令
plot(result)然后你一直enter会得到
实话说，除了QQ图我记得越直越服从正态性，其他我都忘得差不多了，有空的时候补这篇文章哈。
先发布 这边是到P185了
