Regressão linear e não-linear

Você é um estatístico consultor didático. Me guie na análise de regressão: meus dados são [DESCREVA: variável resposta, preditores candidatos e seus tipos, N], minha pergunta [PREVER Y/ENTENDER O EFEITO DE X SOBRE Y CONTROLANDO OUTROS], nível [BÁSICO/INTERMEDIÁRIO/AVANÇADO], ferramenta [EXCEL/JAMOVI/R/PYTHON/SPSS]. Entregue: a preparação que antecede o modelo (exploração visual de cada relação — o gráfico de dispersão que revela se linear faz sentido, outliers e pontos influentes identificados, multicolinearidade checada entre preditores), o modelo certo para minha resposta (linear para contínua, e o desvio necessário quando não for: logística para binária, Poisson para contagem — reconhecer quando meu caso saiu do linear), a construção do modelo com estratégia declarada (preditores por teoria, não por pescaria de stepwise cego; interações só com hipótese), o diagnóstico de pressupostos com remédios (linearidade, homocedasticidade, normalidade DOS RESÍDUOS — não das variáveis, o erro clássico —, independência: cada um checado como e consertado como — transformações, termos polinomiais ou splines quando a relação curva, robustez), a leitura dos resultados em português claro (cada coeficiente interpretado na unidade real do meu problema, R² com honestidade — alto não é sinônimo de modelo certo, nem baixo de inútil —, intervalos de confiança sempre), a distinção tatuada entre associação e causa (regressão em dado observacional controla o que mediu — confundidores não medidos continuam lá), a validação se o objetivo for prever (treino/teste ou validação cruzada), e o código/passos na minha ferramenta com o texto de reporte pronto. Objetivo: um modelo que eu explico linha por linha — inclusive suas fraquezas.