Dit rijtje klopt. Het is ietsje genuanceerder (en eigenlijk eenvoudiger), dus ik zal het volledige verhaal hier nog even neerzetten.
Je kunt op basis van je steekproef schattingen berekenen voor allerlei waarden. Welke waarden mogelijk en zinnig zijn om te berekenen, hangt af van de meetniveau's van de variabelen (of iets accurater uitgedrukt, van de betreffende operationalisaties). Die waarden hebben allemaal een steekproevenverdeling, en die gebruik je om de bijbehorende $p$-waarde te berekenen (als je NHST gebruikt).
Laat ik eerst een nieuwe term introduceren die ik net pas heb ontdekt die heel handig is als je het over meetniveau's hebt: het kardinale meetniveau. Dit is een paraplucategorie waar alle continue meetniveau's onder vallen, dus interval en ratio. Zo heb je nominaal, ordinaal, en kardinaal. Omdat het onderscheid tussen ratio en interval vanuit statistisch oogpunt meestal irrelevant is, is kardinaal daarom handig om naar die meetniveau's samen te verwijzen.
Als beide variabelen een kardinaal meetniveau hebben, dan is het zinvol om de correlatie te berekenen. Als je NHST wil gebruiken en in dat kader de $p$-waarde wil uitrekenen, dan kan dat ofwel door rechtstreeks de verdeling van de correlatie (Pearson's $r$) te gebruiken, ofwel door de correlatie om te rekenen naar een $t$-waarde, zie https://onderzoeksvragen.ou.nl/805/hoe-bereken-je-de-p-waarde).
Als beide variabelen een kardinaal meetniveau hebben kun je ook regressie-analyse gebruiken, en daarmee regressie-coefficienten schatten. Om de $p$-waarde van zo'n regressie-coefficient te berekenen gebruik je ook de verdeling van die coefficient - regressie-coefficienten zijn verdeeld volgens de $t$-verdeling. De breedte van die verdeling hangt af van de standaardfout van de regressie-coefficient. Je kunt dus de regressie-coefficient delen door de bijbehorende standaardfout, en de resulterende $t$-waarde kun je dan opzoeken om de bijbehorende $p$-waarde te vinden. Dit werkt zo voor alle regressie-coefficienten, dus ook voor $\beta_0$ (het intercept), en niet alleen voor $\beta_1$ (de helling van de lijn).
Als een van de variabelen een kardinaal meetniveau heeft, en de andere dichotoom is, dan kun je Cohen's $d$ berekenen. Die is niet verdeeld volgens de $t$-verdeling, maar heeft een andere steekproevenverdeling. Die verdeling kun je rechtstreeks gebruiken, maar je kunt Cohen's $d$ ook omrekenen naar $t$, of je kunt de $t$-waarde rechtstreeks uitrekenen door het verschil tussen de gemiddelden te delen door de standaardfout in plaats van door de standaarddeviatie (dat laatste doe je om Cohen's $d$ te berekenen). Of je de Cohen's $d$ en de Cohen's $d$-verdeling of Student's $t$ en de Student's $t$-verdeling gebruikt maakt niet uit; je vindt altijd dezelfde $p$-waarde, want die verdelingen kun je in elkaar omrekenen.
Tot slot, als een van de variabelen een kardinaal meetniveau heeft, en de andere een ordinaal of nominaal meetniveau (dus een categorisch meetniveau met meer dan twee mogelijke meetwaarden), dan kun je $\omega^2$ (of de meer gebiasede $\eta^2$) berekenen. Volgens mij is er nog geen goede implementatie van de steekproevenverdeling van $\omega^2$, dus als je de bijbehorende $p$-waarde wil hebben, kun je inderdaad beter via de steekproevenverdeling van $F$ werken.
Kortom: je lijstje klopt precies!