### Aufgabe 1 (a) ###

coopS1<-data.frame(coop[Spc=="S1",])
attach(coopS1)
A1a1<-lm(Conc~Lab,data=coopS1)

### Aufgabe 1 (d) ###

A1d<-lm(Conc~Spc+Lab,data=coop)
summary(A1d)

### Aufgabe 2 (a) ###

## Variablen "SEX", "JOBCAT und "MINORITY" weglassen.
bank1<-data.frame(bank[,c(1,3,4,5,6,7,10,11,12)])
attach(bank1)

## Linearer Zusammenhang zwischen "SALNOW" und "SALBEG" 
summary(lm(SALNOW~SALBEG))

## Variable "SALBEG" wird auch nicht beruecksichtigt.
bank_a1a<-lm(SALNOW~.-SALBEG-MINORITYn,data=bank1)

### Aufgabe 2 (b) ###

cor(bank1)

### Aufgabe 2 (c) ###

## Untersuchung
summary(lm(SALNOW~JOBCATn))
summary(lm(SALNOW~JOBCATn+EDLEVEL))
summary(lm(SALNOW~JOBCATn+EDLEVEL+MINORITYn))
## Die Schlussfolgerung waere: Der Faktor "Minority" hat wenigen Einfluss auf "SALNOW".

### Ein gutes Modell waere dann 
bank_gm<-lm(SALNOW~JOBCATn+EDLEVEL+SEXn+TIME)


### Aufgabe 3 (a) ###

smsa1<-na.omit(smsa)
attach(smsa1)

### saturiertes Modell
A31<-lm(Mortalitaetsrate~X.Nichtweisse+Einkommen+Bevoelkerungsdichte+Stickoxidbelastung+Niederschlag)

### Aufgabe 3 (b) ###

### Variable "Stickoxidbelastung" weglassen
A32<-lm(Mortalitaetsrate~X.Nichtweisse+Einkommen+Bevoelkerungsdichte+Niederschlag)
### Variable "Einkommen" weglassen
A33<-lm(Mortalitaetsrate~X.Nichtweisse+Bevoelkerungsdichte+Niederschlag)

### Aufgabe 3 (c) ###

### Suche nach Ausreissern
plot(smsa1[,c(2,3,4,7)])
### Ausreisser weglassen
smsa2<-smsa1[! (Niederschlag>=60 & Mortalitaetsrate<1000),]
attach(smsa2)
A34<-lm(Mortalitaetsrate~X.Nichtweisse+Bevoelkerungsdichte+Niederschlag,data=smsa2)

### Aufgabe 5 (a) ###

catsm<-cats[Sex=="M",]
catsf<-cats[Sex=="F",]
### Modell fuer "M" Katzen
A5m<-lm(catsm$Hwt~catsm$Bwt)
coefficients(A5m)
### Modell fuer "F" Katzen
A5f<-lm(catsf$Hwt~catsf$Bwt)
coefficients(A5f)
### gemeinsames Modell
A5<-lm(Hwt~Sex*Bwt,data=cats)
coefficients(A5)