Um Novo Método para Análises de Regressão Linear e Polinomial Computacionalmente Eficazes em Big Data na Medicina

Contexto: A aprendizagem de máquina depende de uma hibridização de análises, incluindo análises de regressão. Não houve tentativas de implantar uma transformação de redução de escala dos dados para aprimorar modelos de regressão linear. Objetivos: Nosso objetivo é otimizar modelos de regressão linear implementando uma função de transformação de dados para reduzir todas as variáveis na tentativa de minimizar a soma dos erros ao quadrado. Materiais e Métodos: Implementamos estatísticas não-Bayesianas usando SPSS e MatLab. Utilizamos o Excel para gerar 40 tentativas de modelos de regressão linear, cada uma com 1.000 observações. Utilizamos o SPSS para realizar análises de regressão, teste de postos sinalizados de Wilcoxon e estatísticas de alfa de Cronbach para avaliar o desempenho do modelo de otimização. Resultados: A transformação de redução de escala foi bem-sucedida ao reduzir significativamente a soma dos erros ao quadrado, Z-score absoluto=5,511, tamanho do efeito=0,779, valor de p<0,001, teste de postos sinalizados de Wilcoxon. O teste de confiabilidade entre itens confirmou a robusta consistência interna do modelo, alfa de Cronbach=0,993. Conclusões: O modelo de otimização é valioso para pesquisas de alto impacto com base em regressão. Ele pode reduzir as demandas de processamento computacional para análises preditivas e em tempo real de big data.