基本上，你在正确的轨道上。您会在因变量的正态性 = 残差的正态性中找到关于正态性方面的讨论？

经典线性模型的一些假设确实是关于错误的（使用残差作为它们的实现）：

• 它们不相关吗？（与 OLS 估计器的推理和最优性相关）
• 它们的方差是否相等？（与 OLS 估计器的推理和最优性相关）
• 它们以 0 为中心吗？（获得无偏估计和预测的关键假设）
• 如果样本非常小：它们是正态分布还是至少对称分布？（与推理有关）

其他条件是关于“原始数据”：

• 回归变量中没有总异常值吗？（高杠杆观察会破坏整个模型）
• 没有完美的多重共线性？（至少在某些软件包中会导致计算问题）

现在，您的本科老师也可能是正确的：

• 也许您专注于单变量测试，例如单样本 t 检验。在那里，假设是关于原始数据的。
• 如果非常低并且响应变量看起来很正常，那么残差很可能也是如此。$R^2$
• 您将如何根据原始数据检查同方差性等？也许你误解了他或她。

我发现残差和原始数据之间的区别没有帮助，因为两者都更多地指的是您的实际样本，而不是潜在的人口分布。最好将某些要求视为“组内要求”，而将其他要求视为“组内假设”。

例如，方差同质性是“组间假设”，因为它说组内方差对于所有组都是相同的。

正态性是“组内”假设，它要求在每个组内 y 是正态分布的。

请注意，在整个原始 y 上保持正态通常意味着您没有影响 - 查看性别分布而不区分女性和男性。由于强烈的性别效应，它不会呈正态分布。但在每个性别中，它都保持得很好。