Traducido del inglés al español - www.onlinedoctranslator.

com

Diabetes y síndrome metabólico: investigación clínica y revisiones 14 (2020) 1467mi1474

Listas de contenidos disponibles enCienciaDirecta

Diabetes y síndrome metabólico: investigaciones clínicas y revisiones

revista Página de inicio:www.elsevier.com/locate/dsx

Predicción de nuevos casos activos de pandemia de enfermedad por coronavirus

(COVID-19) utilizando un modelo de regresión lineal múltiple

smita ratha,*, Tripatía de Alakanandaa, Alok Ranjan Tripatíab

aDepartamento de Informática e Ingeniería, Siksha 'O' Anusandhan Deemed to be University, Odisha, India
bDepartamento de Ciencias de la Computación, Universidad de Ravenshaw, Cuttack, India

información del artículo resumen

Historial del artículo: Introducción y Objetivos:La pandemia del COVID-19 originada en la ciudad de Wuhan de China ha afectado
Recibido el 16 de julio de 2020 altamente los asuntos sanitarios, socioeconómicos y financieros de los diferentes países del mundo. India es uno de
Recibido en forma revisada el 26 de
los países afectados por la enfermedad y miles de personas se infectan diariamente. En este documento, se tiene en
julio de 2020
cuenta un análisis de las estadísticas diarias de las personas afectadas por la enfermedad para predecir la tendencia
Aceptado el 28 de julio de 2020
de los próximos días en los casos activos en Odisha y en la India.
Material y métodos:Se recopila un conjunto de datos globales válidos de las estadísticas diarias de la OMS y en este
Palabras clave:
documento se establece la correlación entre el total de casos confirmados, activos, fallecidos y positivos. El modelo de
Coronavirus
regresión, como las técnicas de regresión lineal y lineal múltiple, se aplican al conjunto de datos para visualizar la tendencia de
India
Odisha los casos afectados.
Coeficiente de correlación Resultados:Aquí se realiza una comparación del modelo de Regresión Lineal y Regresión Lineal Múltiple donde la
Regresión lineal puntuación del modeloR2 tiende a ser 0,99 y 1,0, lo que indica un modelo de predicción fuerte para pronosticar lo que viene
Regresión lineal múltiple días casos activos. Utilizando el modelo de regresión lineal múltiple en el mes de julio, el valor de pronóstico de 52 290 casos activos se pronostica para
el próximo mes del 15 de agosto en India y 9 358 casos activos en Odisha si la situación continúa de esta manera.
Conclusión:Estos modelos adquirieron una precisión notable en el reconocimiento de COVID-19. Un fuerte factor de
correlación determina la relación entre el dependiente (activo) con las variables independientes (positivo, fallecido,
recuperado).
©2020 Diabetes India. Publicado por Elsevier Ltd. Todos los derechos reservados.

1. Introducción
A principios de 2020, el 30 de enero de 2020 se notificó el primer caso de
pandemia de COVID-19 en India. COVID-19 es una enfermedad coronaria
causada por el SARS-CoV 2 (síndrome respiratorio agudo severo coronavirus
2). El nuevo coronavirus se originó por primera vez en el mercado húmedo
de Wuhan, una ciudad en China [1]. Estos causan estragos en los humanos al
reclamar 523,011 vidas en todo el mundo según la organización mundial de
la salud [2]. El virus se propagó entre las personas con mayor frecuencia a
través de pequeñas gotas liberadas al toser, estornudar y hablar en contacto
cercano [3]. En lugar de moverse largas distancias a través del aire, la gota
cae sobre el suelo o la superficie. Los síntomas básicos del COVID-19 son
fiebre, tos, dificultad para respirar, pérdida del sentido y fatiga [4]. Otros
síntomas incluyen dificultad para respirar y dolor en el pecho. Para evitar la
propagación del número de virus
* Autor correspondiente.
Correos electrónicos:smitarath@soa.ac.in (S.Rath),alakanandatripathy@soa.ac.in (A.
Tripatía),tripathyalok@gmail.com (AR Tripatía).
de medidas se están llevando a cabo como la higiene personal, lavarse las
manos frecuentemente con agua y jabón, usar cubrebocas y hacer
distanciamiento social. Para evitar la transmisión del virus, muchos países
imponen el cierre y el bloqueo. El primer caso de COVID-19 se detecta el 30
de enero de 2020. En India, el COVID-19 tiene un gran impacto. Según el
informe de la organización mundial de la salud [2] el número de casos en
India es 793, 802 casos confirmados del virus ya que el 11 de julio el número
total de muestras analizadas hasta ahora es más de un crore. El número de
muertes debido a la pandemia de COVID-19 es de 21,604 hasta la fecha.
Según el informe del gobierno de la India [5] Los estados y el territorio
de la unión más afectados son Maharashtra con 2,30,599 casos y el número
de muertes es 9667, Tamil Nadu con 1,26,581 casos seguido de Delhi con
1,07,051. India declara bloqueo nacional para detener el crecimiento
exponencial de infección que afectó en otros países como Italia [6]. El
bloqueo nacional se realiza para aplanar la curva de infección en India. El
enfoque del documento radica en descubrir cada día los casos activos o
nuevos casos confirmados de COVID-19 utilizando un modelo de regresión
que será útil para pronosticar el escenario del país al día siguiente. El
objetivo fue identificar

https://doi.org/10.1016/j.dsx.2020.07.045
1871-4021/©2020 Diabetes India. Publicado por Elsevier Ltd. Todos los derechos reservados.
1468 S. Rath et al. / Diabetes y síndrome metabólico: investigación clínica y revisiones 14 (2020) 1467mi1474
tabla 1
Tabla de correlación de casos diarios de Covid-19 en Odisha.
la relación entre los datos recopilados de cada día y, por lo tanto,
podría hacer una contribución significativa a los datos confiables y
proyectar un modelo de pronóstico para India y Odisha. Sentimos que
esto era de suma importancia, porque ayudaría a aclarar el plan de
acción potencial, así como a prepararlo.
2. Materiales y métodos utilizados
Todo el conjunto de datos se recopiló del sitio de la OMShttps://
covid19india.orgyhttps://covidindia.org/odisha/para los nuevos casos
positivos diarios, casos activos, casos fallecidos y recuperados en un archivo
csv del 22 de marzo de 2020 al 4 de julio de 2020. Los datos diarios de casos
de COVID-19 de Odisha e India están en forma de conjunto continuo donde
el los casos activos dependen de las otras variables como se confirma a
partir de los valores de correlación entabla 1yTabla 2.
Tabla 2
Tabla de correlación de casos diarios de Covid-19 en India.
Figura 1.Casos activos diarios de India mostrando los valores promedio en curvas.
La investigación de correlación tiene como objetivo calcular y
comprender el impacto de una relación lineal o no lineal entre dos
variables continuas. Los coeficientes de asociación asumen valores que
van desde correlaciones negativas (-1) hasta correlaciones no
correlacionadas (0) y positivas (þ1). El signo del coeficiente de
correlación (es decir, positivo o negativo) determina la dirección de la
relación. El valor absoluto muestra la fuerza de la relación lineal (Tablas
1 y 2) que está muy cerca deþ1.
Inicialmente, el proceso de limpieza de datos se realiza en los dos conjuntos de datos
para eliminar los valores faltantes. Luego, se realiza un análisis de correlación en los
conjuntos de datos utilizando la programación de Python a través de la aplicación Spyder
of Anaconda Navigator. Luego, se utiliza el modelo de regresión lineal para evaluar el
impacto relativo de los casos activos debido a los casos positivos diarios en Odisha, así
como en el caso de los datos de India. El objetivo clave de la regresión lineal es ajustar
una línea recta con los pronósticos de datos Y
 S. Rath et al. / Diabetes y síndrome metabólico: investigación clínica y revisiones 14 (2020) 1467mi1474
Figura 2.Casos activos diarios de Odisha que muestran el pico con el valor promedio.
Tabla 3
Valores obtenidos tras el entrenamiento con modelo de predicción de regresión lineal.
Intercepción de conjunto de datos Puntuación del coeficiente (R2) Error absoluto medio (MAE) - 10-6Error cuadrático medio (MSE) - 10-6Error cuadrático medio (RMSE) - 10-6
Odisha - 31.97450729 0.6876260 0.995588 73.8606
India 202497.14638 0.5714703 0.974855 245838.76
Negrita indica R-cuadrado o Coeficiente de Determinación Múltiple.
para X donde Y es el número total de casos activos diarios y X es el número
total de casos positivos. El método de mínimos cuadrados se usa
comúnmente para estimar los parámetros de regresión de intersección y
pendiente que definen la línea. El siguienteFigs.1 y 2muestra los valores
máximos promedio de los casos activos en parte de Odisha y en la India.
El modelo se puede expresar como en la Ec.(1)dóndeY y Xson
variable dependiente e independiente,Fes el intercepto ybes el
parámetro de regresión como pendiente y2es el error aleatorio
respectivamente.
Y¼FþbXþ2
Las limitaciones de la regresión lineal son que a menudo explora una
relación entre la media de las variables de entrada y las variables de salida.
Así como la media no es una descripción completa de una sola variable, la
regresión lineal no es una comprensión clara de las relaciones de las
variables. Por lo tanto, se realiza un análisis de los diversos factores
utilizando el modelo de Regresión Lineal Múltiple (MLR). La variable
dependiente (variable objetivo) depende de muchas variables
independientes, en este caso. Puede describir una ecuación de regresión
que involucre múltiples variables como:
Y¼bþb_x1þb_1x2þb_2x3þε
1469
11320.1564 106.3962238
74851765386.71 273590.5067
dóndeYes la variable predictora o objetivo yX1;X2;X3 son las variables
independientes.bes el intercepto en y yb_o,b_1,b_2 y ε son los
coeficientes y el término de error respectivamente.
3. Resultados
Caso 1.Los dos conjuntos de datos primero se distribuyen en un conjunto de
entrenamiento del ochenta por ciento y un conjunto de prueba del veinte por ciento y
luego se realiza una regresión lineal para entrenar el primer conjunto del 80%. Aquí, el
(1) número de casos activos diarios se predice en función de los casos positivos diarios. Aquí
el modelo genera los coeficientes para encontrar el siguiente número de casos activos en
el conjunto de prueba como se muestra enTabla 3. Como explicamos, la línea de
regresión selecciona efectivamente el valor correcto para la intersección y la pendiente,
lo que da como resultado una línea que se ajusta mejor a los criterios.
Por lo tanto, se puede decir que por cada aumento de una unidad de casos
positivos hay un aumento del 68 % en el caso de casos activos en Odisha y por
cada aumento de una unidad en casos positivos de India muestra un aumento del
57 % en casos activos. casos. La puntuación representa el valor deR2
como valor 0.995588 y 0.974855 que lo indican como un modelo predictor fuerte.
Se puede visualizar una comparación de valores reales y predichos en ambos
(2) conjuntos de datos a través de gráficos de barras tomando 25 registros
1470 S. Rath et al. / Diabetes y síndrome metabólico: investigación clínica y revisiones 14 (2020) 1467mi1474

Fig. 3.Visualización de valores reales frente a valores predichos mediante el modelo de regresión lineal en casos de Odisha COVID-19.

Figura 4.Visualización de valores reales frente a valores predichos mediante el modelo de regresión lineal en casos de COVID-19 en India.

de los datos a continuaciónhigos. 3 y 4. los datos se vierten en el conjunto de datos de entrenamiento y prueba para
realizar una regresión lineal múltiple. Las entradas son casos positivos diarios,
Caso 2.La regresión lineal que comprende varias variables se denomina
casos recuperados y fallecidos para predecir el número diario de casos activos.
regresión lineal múltiple. Los pasos para la regresión lineal múltiple son
Podemos derivar una relación entre las variables anteriores usando el factor de
casi similares a los de la regresión lineal simple. La distinción radica en
correlación de lo anteriorCuadros 1 y 2 Cuadro 4representa el MAE, el MSE, el
la estimación. Puede usar esto para averiguar cómo el factor tiene el
RMSE, la intercepción, la puntuación y el coeficiente del modelo de predicción.
impacto máximo en el resultado pronosticado y cómo se
interrelacionan los factores independientes. Aquí de nuevo todo
 S. Rath et al. / Diabetes y síndrome metabólico: investigación clínica y revisiones 14 (2020) 1467mi1474 1471

Tabla 4
Valores obtenidos tras el entrenamiento con modelo de predicción de regresión lineal múltiple.

Datos Interceptar Coeficiente (b_o,b_1,b_2) Puntaje Error absoluto medio Error medio cuadrado Error cuadrático medio
establecer (R2) (MAE) (MSE) (RMSE)

Odisha - 21.972463 [0.78035157, -0.45427124, 0.9985 45.5734759e-06 3826.5455326712213e- 61.85907801342679e-06

13.57489689] 06
India - 3.259629011154175e- [-1,1,1] 1.0 2.6540334374658414e- 7.735857208018085e- 2.7813409010795647e-09
09 09 18

Negrita indica R-cuadrado o Coeficiente de Determinación Múltiple.

Figura 5.Visualización de valores reales frente a valores predichos mediante el modelo de regresión lineal múltiple en casos de Odisha COVID-19.

losR2 El valor muestra que el modelo de regresión lineal múltiple del predictor es más
precisa en comparación con los resultados obtenidos utilizando el modelo de regresión lineal. de lo
anteriorTabla 4, se establece una ecuación de la siguiente manera para predecir el próximo día activo
casos como
Yodisha¼ -21:97þ0:78 -X1±0:45X2þ13:57X3
y mediante el análisis de regresión lineal múltiple, Salleh et al. analizan la
YIndia¼ -3:259þ1 -X1±1 -X2þ1 -X3
En el siguiente gráfico de barras se muestra una visualización de 25
registros en términos de valores reales vs.higos. 5 y 6lo que demuestra
la cercanía entre ellos.
Los valores de previsión para los próximos días se muestran enhigos. 7 y 8
utilizando el modelo de predicción anterior.
4. Discusión
India, así como Odisha como uno de sus estados, se encuentra ahora en un
punto de reacción crítico, como se muestra en la imagen anterior.higos. 7 y 8.
Como en el caso de la poliomielitis, la vigilancia también juega un papel clave en la
batalla contra el COVID-19. En consecuencia, por decisión del gobierno, la OMS ha
recaudado apoyo para mejorar la eficacia del control y la respuesta a nivel federal,
distrital y de bloque; operaciones de confinamiento en racimo; reforzando las
acciones de recopilación de datos en tiempo real.
India ya ha tomado medidas efectivas como iniciativas completas.
Los modelos estadísticos son técnicas importantes para evaluar los
análisis de datos de enfermedades infecciosas en tiempo real. Usamos el
modelo de regresión lineal y lineal múltiple en este documento para evaluar
los datos epidémicos de la región de la India y la India como país a través de
una investigación detallada de las diferentes aplicaciones de los modelos en
(3) la historia. Syazali et al. [7] examinó la influencia del volumen, la calidad de
los productos y la marca en el valor de compra de los consumidores
regresión lineal múltiple (MLR). [8] para inferir GRN a partir de datos
(4)
relacionados con la expresión génica y evitar inferir una interacción indirecta
como una interacción directa y muestra la eficacia de MLR para tratar el
error en cascada. Uyánik y Güler [9] analiza la regresión lineal múltiple y
examinó los valores utilizando suposiciones como normalidad, linealidad, sin
valores extremos. Khademi et al. utilizaron tres modelos de datos, como la
red neuronal artificial, el sistema de inferencia difusa neuro adaptativa y la
regresión lineal múltiple. [10] para predecir la resistencia general del
hormigón de agregado reciclado. Hosseinzadeh et al. [11] utiliza Redes
Neuronales Artificiales y Regresión Lineal Múltiple para pronosticar la
recuperación de nutrientes de residuos sólidos bajo diferentes tratamientos
con vermicompost. La regresión lineal múltiple -TOPSIS es estudiada por
Luu, von Meding y Mojtahedi [12] para predecir desastres a partir de datos.
De manera similar, Du, Hu y Buttar estudiaron la relación entre las
propiedades mecánicas del tallo del té y su factor de impacto.13] para
mejorar la eficiencia de recolección de la máquina desplumadora de té
utilizando la técnica MLR. Kadam et al. [14] utiliza una red neuronal artificial
y
1472 S. Rath et al. / Diabetes y síndrome metabólico: investigación clínica y revisiones 14 (2020) 1467mi1474

Figura 6.Visualización de valores reales frente a valores predichos mediante el modelo de regresión lineal múltiple en casos de COVID-19 en India.

Figura 7.Pronóstico de los próximos días de casos de Odisha COVID-19.

Regresión lineal múltiple para predecir la aptitud de la calidad del agua
subterránea para beber de la cuenca del río Shivganga ubicada en la
ladera este de los Ghats occidentales, India. Quasi-Monte Carlo
combinado con regresión lineal múltiple (QMC-MLR) es sugerido por Xu
y Yan [15] para resolver el cálculo del flujo de carga probabilístico
(PLF).
Para reducir el número de accidentes Jomnonkwao, Uttra y Ratanavaraha [
dieciséis] en su documento proporcionan un plan que requiere datos de
pronóstico futuros utilizando modelos de regresión. Yuchi et al. [17] utiliza la
regresión lineal múltiple y el modelo de bosque aleatorio para predecir la
 S. Rath et al. / Diabetes y síndrome metabólico: investigación clínica y revisiones 14 (2020) 1467mi1474 1473

Figura 8.Pronóstico de los próximos días de casos de India COVID-19.

Tabla 5 grupos con los mismos medios. El valor de p es mayor que 0.05 es una
Medida ANOVA estadística del modelo de regresión lineal múltiple.
probabilidad de que la hipótesis nula sea verdadera (verTabla 6).
DF SS EM F Significado F Limitaciones del modelo: las limitaciones del modelo se pueden pensar
Regresión 3 5.19Eþ14 1.73Eþ14 18.64554641 0.00000015
en términos de recopilar más variables independientes o información,
Residual 156 1.45E-15 9.31E-18 formas de encontrar la cantidad de casos de rastreo de contactos. Si se
reduce la cantidad de casos de rastreo de contactos, indirectamente se
Total 159 5.19Eþ14
reducirá la cantidad de casos activos diarios.

material particulado aumentando la muerte y enfermedades.

Este modelo de predicción especulará sobre la situación de avance que
se avecina en días y se mejorarán las medidas efectivas para aplanar la
curva. El valor de pronóstico de 9358 casos activos con un límite inferior de
8582 casos y un límite superior de 10 134 en Odisha y 52 290 casos activos
con un límite inferior de 48 711 y un límite superior de 55 868 en India, como
se muestra enhigos. 7y8muestra el crecimiento en dirección ascendente en
los casos de COVID-19. La similitud del uso del modelo radica en el
comportamiento del pronóstico futuro utilizando la técnica MLR y cómo
influye en los diferentes factores del análisis diario de casos positivos,
recuperados y fallecidos.
Fortaleza del modelo: La fuerza del modelo es suR2El valor llegó a ser 1,0,
lo que muestra un modelo de predicción sólido que tiene en cuenta todos
los factores, como se muestra a continuación enTabla 5como la medida
ANOVA estadística. El análisis de varianza (ANOVA) se compone de
simulaciones que brindan conocimiento sobre los niveles de variación
dentro de un modelo de regresión y forman la base para pruebas
significativas. El valor F significativo es 0,00000015, que deriva el valor P para
verificar la hipótesis nula de que los datos de todos los grupos se derivan de
5. Conclusión
A partir del entrenamiento anterior y las pruebas de los modelos de
predicción, se encontró que es una forma efectiva de pronosticar el próximo
número de casos activos diarios durante la segunda semana de agosto, como
podemos ver, la figura del pronóstico muestra que el número activo de casos
tenderá a ser alrededor el valor de confianza superior es de 10,134 casos y el valor
de confianza inferior de 8582 casos en Odisha y, de manera similar, el valor de
confianza superior del pronóstico es de alrededor de 48,711 y el valor de confianza
inferior de 55,868 en el caso de India. Estos modelos adquirieron una precisión
notable en el reconocimiento de COVID-19. Teniendo en cuenta estos resultados
activos proyectados, es necesario reforzar o actualizar la estimación actual para la
contención de COVID-19. Nuestro marco podría ayudar y proteger a los
profesionales de la salud y a los funcionarios gubernamentales a la hora de hacer
planes apropiados para hacer frente a la afluencia de futuros pacientes con
COVID-19.

Tabla 6
Resultado de resumen: ANOVA que muestra la importancia del valor p para validar el modelo para la predicción de casos activos diarios.

Coeficientes Error estándar Estadística T valor p Inferior 95% 95% superior Inferior 95,0% Superior 95,0%

Interceptar 2E-09 4.12E-10 4.164241 0.6734 9.02616E-10 2.53E-09 9.02616E-10 2.53164E-09

Positivo 1 2.52E-15 3.97Eþ14 0.6633 1 1 1 1
Recuperado -1 2.56E-15 -3.9Eþ14 0.6533 -1 -1 -1 -1
Fallecido 1 2.41E-14 4.16Eþ13 0.6753 1 1 1 1
1474 S. Rath et al. / Diabetes y síndrome metabólico: investigación clínica y revisiones 14 (2020) 1467mi1474
Fondos
Sin financiación
Declaración de competencia de intereses
Ninguno que declarar.
Referencias
[1]Wang W, Tang J, Wei F. Comprensión actualizada del brote del nuevo coronavirus de
2019 (2019-nCoV) en Wuhan, China. JMed Virol 2020;92(4):441mi7.
[2]Enfermedad por coronavirus 2019 (COVID-19): informe de situación. Organización Mundial de
la Salud; 2020. pág. 70.
[3] Modos de transmisión del virus que causa COVID-19: implicaciones para las
recomendaciones de precaución de IPC: resumen científico. Organización Mundial
de la Salud. [En línea] Disponible en: 27 de marzo de 2020 (No. WHO/2019-nCoV/
Sci_Brief/ Transmission_modes/2020.1).
[4] Centros para el Control y la Prevención de Enfermedades. Síntomas del coronavirus [en
línea] Disponible en:https://www.cdc.gov/coronavirus/2019-ncov/symptoms-testing/
síntomas; 2020. Consultado el: 21 de abril de 2020.
[5] RASTREADOR COVID-19 de India. 2020 [en línea]. Disponible en,https://www.
covid19india.org/. Consultado el: 11 de julio de 2020.
[6] Barkur G, Vibha GBK. Análisis de sentimiento del bloqueo nacional debido al brote de
COVID 19: evidencia de India. Asian J Psychiatr 2020.https://doi.org/10.1016/
j.ajp.2020.102089. Jun; 51: 102089. Publicado en línea el 12 de abril de 2020.
[7]Syazali M, Putra F, Rinaldi A, Utami L, Widayanti W, Umam R, Jermsittiparsert K.
Análisis de correlación parcial mediante regresión lineal múltiple: impacto en el
entorno empresarial del interés del marketing digital en la era de la revolución
industrial 4.0. Manag Sci Lett 2019; 9 (11): 1875mi86. 2019.
[8] Salleh FHM, Zainudin S, Arif SM. Regresión lineal múltiple para la reconstrucción de
redes reguladoras de genes para resolver problemas de errores en cascada. Adv
Bioinformato 2017:1mi15.https://doi.org/10.1155/2017/4827171. 4827171.
[9]Uyánik GK, Güler N. Un estudio sobre el análisis de regresión lineal múltiple. Procedia
Soc Behav Sci 2013;106:234mi40.
[10]Khademi F, Jamal SM, Deshpande N, Londhe S. Predicción de la resistencia del hormigón con
agregados reciclados mediante una red neuronal artificial, un sistema de inferencia
neurodifuso adaptativo y una regresión lineal múltiple. Int J Sustain Built Environ
2016;5:355mi69.
[11]Hosseinzadeh A, Baziar M, Alidadi H, Zhou JL, Altaee A, Najafpoor AA, Jafarpour S.
Aplicación de red neuronal artificial y regresión lineal múltiple en el modelado de
recuperación de nutrientes en vermicompost bajo diferentes condiciones.
Tecnología de biorrecursos 2020;303:122926.
[12]Luu C, von Meding J, Mojtahedi M. Análisis de la base de datos nacional de pérdidas por desastres de
Vietnam para la evaluación del riesgo de inundación mediante regresión lineal múltiple-TOPSIS. En t
J Riesgo de Desastre Re 2019;40:101153.
[13]Du Z, Hu Y, Buttar NA. Análisis de las propiedades mecánicas del tallo del té mediante
análisis relacional gris junto con regresión lineal múltiple. Sci Hortic
2020;260:108886.
[14]Kadam AK, Wagh VM, Muley AA, Umrikar BN, Sankhua RN. Predicción del índice de calidad del
agua utilizando una red neuronal artificial y un enfoque de modelado de regresión lineal
múltiple en la cuenca del río Shivganga, India. Modelo Tierra Sistema Medio ambiente
2019;5:951mi62.
[15]Xu X, Yan Z. Cálculo de flujo de carga probabilístico con cuasi-Monte Carlo y regresión
lineal múltiple. Int J Electr Power Energy Syst 2017;88:1mi12.
[dieciséis]Jomnonkwao S, Uttra S, Ratanavaraha V. Pronóstico de muertes por accidentes de
tránsito en Tailandia: aplicaciones de series temporales, estimación de curvas, regresión
lineal múltiple y modelos de análisis de rutas. Sostenibilidad 2020;12:395.
[17]Yuchi W, Gombojav E, Boldbaatar B, Galsuren J, Enkhmaa S, Beejin B, Barn P. Evaluación de
regresión forestal aleatoria y regresión lineal múltiple para predecir concentraciones de
partículas finas en interiores en una ciudad altamente contaminada. Contaminación
ambiental 2019;245:746mi53.