Sobre a análise de modelos de regressão, é correto afirmar...

a linearidade assume que a relação entre as variáveis independentes e a variável dependente é linear, e isso pode ser testado pelo teste de Kolmogorov-Smirnov.

a presença de multicolinearidade é importante porque a ausência de alta correlação entre as variáveis independentes pode distorcer os coeficientes estimados e inflar os erros padrão e isso pode ser verificado pelo VIF (Variance Inflation Factor).

a homocedasticidade assume que os resíduos têm variâncias diferentes ao longo dos valores preditos, e isso pode ser testado pelo teste de Breusch-Pagan.

a presença de outliers nos dados não afeta a validade dos pressupostos de um modelo de regressão linear e pode ser verificado por meio do gráfico de valores ajustados x valores normalizados.

a normalidade dos resíduos é um pressuposto importante porque testes de significância e intervalos de confiança dependem da suposição de que os resíduos sejam normalmente distribuídos e isso pode ser verificado pelo teste de Shapiro-Wilk.