对于上面的模型，使用bootstrap后的jackknife法，确定哪些点具有影响力。将其与从引导斜率中确定的有影响力的点进行比较。

为了确定哪些点具有影响力，可以使用 bootstrap 后的 jackknife 方法，该方法可以计算每个数据点对模型参数的影响。下面是在 R 语言中使用 boot 包进行 jackknife 操作的示例代码：

library(MASS)
library(boot)

# 定义计算均方误差的函数
mse <- function(data, indices) {
  fit <- lm(body ~ brain, data = data[indices, ])
  pred <- predict(fit, newdata = data[-indices, ])
  mean((data$body[-indices] - pred)^2)
}

# 进行 1000 次 bootstrap 重采样
set.seed(123)
mammals.boot <- boot(mammals, mse, R = 1000)

# 计算 jackknife 操作的统计量，这里使用斜率作为统计量
jackknife.stat <- function(data, indices) {
  fit <- lm(body ~ brain, data = data[-indices, ])
  coef(fit)[2]
}
jackknife.res <- boot(mammals, jackknife.stat, R = 1000)

# 查看哪些点具有影响力，这里选择斜率的绝对值作为影响力指标
influential.points <- mammals[abs(jackknife.res$t) > quantile(abs(jackknife.res$t), 0.95), ]

# 查看从 bootstrap 斜率中确定的有影响力的点
boot.coef <- replicate(1000, {
  fit <- lm(body ~ brain, data = mammals[sample(nrow(mammals), replace = TRUE), ])
  coef(fit)[2]
})
boot.influential <- mammals[abs(boot.coef) > quantile(abs(boot.coef), 0.95), ]

# 比较两种方法得到的有影响力的点
influential.points
boot.influential

在上面的代码中，首先定义了一个计算均方误差的函数 mse，然后使用 boot 包进行 1000 次 bootstrap 重采样。接着定义了一个计算斜率的 jackknife 统计量函数 jackknife.stat，并使用 boot 包进行 1000 次 jackknife 操作。使用 quantile 函数选择 jackknife 统计量绝对值最大的 5% 的数据点作为具有影响力的点。然后从 bootstrap 斜率中选择绝对值最大的 5% 的数据点作为具有影响力的点。最后比较两种方法得到的有影响力的点。

需要注意的是，由于 bootstrap 和 jackknife 方法都是基于抽样的统计方法，它们的结果可能会受到随机性的影响。因此，需要进行多次重复实验，并对结果进行统计分析，才能得到相对可靠的结论。