对Boston房价数据去除掉chas变量之后做回归分析进行回归诊断采用合适的方法进行变量选择。写成一篇完整的数据分析报告包含数据说明模型原理建模过程结果分析参考文献

数据说明：本次分析使用的数据集是关于Boston房价的数据集，包含506个样本和14个特征变量。这些特征变量包括CRIM（城镇人均犯罪率）、ZN（住宅用地比例超过25000平方英尺的比例）、INDUS（城镇非零售业务的比例）、CHAS（是否靠近查尔斯河）、NOX（一氧化氮浓度）、RM（平均房间数）、AGE（1940年以前建成的自住房的比例）、DIS（到波士顿五个就业中心的加权距离）、RAD（径向公路的可达性指数）、TAX（每10000美元的全值财产税率）、PTRATIO（城镇师生比例）、B（黑人比例）、LSTAT（人口中地位低下者的比例）和MEDV（自住房的平均房价）。

模型原理：本次分析使用的是线性回归模型。线性回归模型的基本原理是通过线性组合预测变量来预测响应变量。回归分析的目标是找到最佳拟合直线使得预测值与实际值之间的误差最小化。

建模过程：

数据准备：导入数据集，并进行数据预处理，包括缺失值处理、异常值处理、数据标准化等。
变量选择：根据问题的要求，去除变量chas，并对其他变量进行相关性分析，筛选出与房价MEDV相关性较高的变量。
模型构建：根据变量选择结果，构建线性回归模型。
模型评估：对模型进行评估，包括检验模型的显著性、模型的解释力、模型的预测能力等。
回归诊断：对模型进行回归诊断，包括检验模型的线性性、残差的正态性、残差的独立性等。

结果分析：经过变量选择，我们选择了与房价MEDV相关性较高的变量进行回归分析。通过构建线性回归模型，我们得到了一条拟合直线，该直线能够较好地预测房价MEDV。模型的显著性检验结果表明，模型的拟合效果是显著的。模型的解释力较强，可以解释目标变量MEDV的较大部分方差。模型的预测能力较好，通过交叉验证等方法可以验证模型的泛化能力。

回归诊断结果表明，模型符合线性假设，残差的正态性和独立性也得到了满足。这说明我们的模型选择和建立是合理的，能够较好地解释和预测房价MEDV。

参考文献：

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: data mining, inference, and prediction. Springer Science & Business Media.
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning (Vol. 112). New York: Springer