在《R in action》一书中提及了car包中的三个函数powerTransform()，boxTidwell(),spreadLevelPlot()来改善线性与异方差性。
参考：https://blog.csdn.net/yujunbeta/article/details/9252883
这里三个变换得到的结果并不一致，powerTransform()给出的变幻是u=y^0.2773，boxcox()给出的变换是u=y^ 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。
引用《R in action》中的一段话来作为本节的结束：
- The decision regarding when to try to improve the fit of an OLS regression model and when to try a different approach, is a complex one. It’s typically based on knowledge of the subject matter and an assessment of which approach will provide the best result.
forecast package的Boxcox方法是先用BoxCox.lambda函数自动筛选出最合适的lambda，然后用Boxcox进行普通的Box-cox变换，BoxCox.lambda这个函数用于数值向量或时间序列，可以得到\lambda的估计精确值。
而car package中的powerTransform要更复杂一些，这个函数是针对线性模型计算一个最优的\lambda ，采取的方法是最大似然估计。 使用这个函数的问题是只能对模型l寻找最优lambda，而且还得不到 lambda的估计的精确值。
函数powerTransform的exampleWool 是car包内置的数据集。 大概形式如下
len amp load cycles 1 250 8 40 674 2 250 8 45 370 3 250 8 50 292 4 250 9 40 338 5 250 9 45 266 6 250 9 50 210
p1 <- powerTransform(cycles ~ len + amp + load, Wool) lm(bcPower(cycles, p1$roundlam) ~ len + amp + load, Wool)