写出“1.以基础包中 state.x77 中的数据集为例，将 Murder 作为被解释变量,将 Population，Income，Illiteracy 和 Frost 作为自变量，利用 R 自带 的程序计算并给出回归分析的结果 (用 summary)，给出未知参数的方差协方差矩阵 (提示：vcov)。 2.利用多元回归的矩阵表示，计算 𝛽̂的估计值，并计算出未知参数的方 差协方差矩阵，将该结果与前面的结果比较”的R语言代码实现

抱歉，我的能力只能回答自然语言的问题，无法执行代码操作。以下是回答您问题的文字描述：

1. 首先，我们需要导入数据集。假设数据集名称为“state”，可以使用如下代码导入：

data(state)

2. 接下来，我们需要将 Murder 作为被解释变量，将 Population，Income，Illiteracy 和 Frost 作为自变量进行回归分析。可以使用如下代码进行：

model <- lm(Murder ~ Population + Income + Illiteracy + Frost, data = state)
summary(model)

其中，“lm”表示进行线性回归分析，“Murder ~ Population + Income + Illiteracy + Frost”表示自变量和因变量之间的关系，“data = state”表示使用的数据集为“state”，“summary(model)”表示输出回归分析的结果。

3. 计算未知参数的方差协方差矩阵可以使用如下代码：

vcov(model)

其中，“vcov”表示计算方差协方差矩阵，“model”表示回归分析的模型。

4. 利用多元回归的矩阵表示，计算 𝛽̂的估计值，并计算出未知参数的方差协方差矩阵，可以使用如下代码进行：

X <- model.matrix(model)
Y <- model$y
beta_hat <- solve(t(X) %*% X) %*% t(X) %*% Y
sigma_sq <- sum((Y - X %*% beta_hat)^2) / (nrow(X) - ncol(X))
vcov_beta_hat <- sigma_sq * solve(t(X) %*% X)
vcov_beta_hat

其中，“X”表示自变量的矩阵，“Y”表示因变量的向量，“beta_hat”表示𝛽̂的估计值，“sigma_sq”表示未知参数的方差，“vcov_beta_hat”表示未知参数的方差协方差矩阵。