我正在撰写一份关于将主成分回归 (PCR) 和偏最小二乘法 (PLS) 拟合到我的数据集的报告。

一个类似的问题：偏最小二乘 (PLS) 回归的模型假设仅涵盖 PLS。

根据 Springer 在统计“An Introduction to Statistical Learning with Applications in R”第 6.3.1 节中的文本：

主成分回归 (PCR) 方法涉及构建前 M 个主成分 Z1，... . ., ZM，然后将这些分量用作线性回归模型中的预测变量，该模型使用最小二乘法拟合。

第 6.3.2 节：

与 PCR 一样，PLS 是一种降维方法，它首先识别平方一个新的特征集 Z1, 。. ., ZM 是原始特征的线性组合，然后使用这 M 个新特征通过最小二乘拟合线性模型。

对于这两种方法，它都表示在线性回归模型中使用了新特征。

问题

这是否意味着新的回归模型必须满足线性模型的假设，主要是：

1. 独立观察
2. 错误的常态
3. 均值为零的误差
4. 具有恒定方差的误差

在拟合这些模型时，我还需要考虑其他任何假设吗？