虽然您可能有一个人口，但核心问题是它是否真的是您希望发表声明的人口（至少与人口影响/差异有关的人口）。如果不是，在许多情况下您可能仍将其视为样本。如果真的是目标人群，不需要统计推断，只需要描述差异即可。

例如，事实证明，经常希望说出一些在不久的将来可能相关的事情，或指导政策，这表明名义上的（并且可能在物理上无法实现的）人口与观察到的有些不同。在这种情况下，可能有理由继续进行统计推断。

在普通回归中不假定因变量本身是正态的；条件分布是。即使假设是合理的，当存在两个或多个具有不同均值的组时，双峰/多峰边际分布也很常见。

您应该通过检查残差而不是原始响应来检查您的正态假设。

您谈到了中位数，但担心中位数可能很接近，即使分布可能总体上有所不同。您可以考虑对一组有代表性的分位数进行分位数回归。

将您的回答二分法通常不被认为是一个好主意。[然而，交互作用（无论是分类分类、分类连续还是连续连续）在逻辑回归中的工作方式与在普通回归中的工作方式大致相同；特别是它们对线性预测器的影响几乎以相同的方式理解。]$\times$$\times$$\times$

你写“然后我考虑对因变量进行二值化（例如，花费少于标准休假与花费标准休假或更多）。这将允许我使用逻辑回归并且分布的怪异将消失。我对此很好。”

这听起来是一个很好的起点。您绝对可以在逻辑回归中包含交互。例如，您可以使用收入、性别、教育指标、我们是否处于新法律通过后的时间段的指标、该指标与收入的交互作用、交互作用来预测“休假长度 >= 阈值”该指标与性别...实际上，如果您被允许共享系数，那么如果您可以运行该模型并在此处发布结果，那将是非常酷的。

除了新法律是否通过的指标外，您还可以产生特定年份的影响——如果您有足够的数据，这些影响可能与收入、性别等相互作用。

如果您有有关此人居住地的数据，则可以运行分层逻辑回归，其中您的位置效应被建模为来自某个常见分布。