在分析这几个选项之前，我们首先需要了解这些算法的基本概念以及适用场景：

1. **统计模型法**：
- 统计模型法通常涉及计算数据的统计量，如均值、方差等。这些统计量可以用于描述数据的特征，并可能用于构建模型。
- **选项 A** 是正确的，因为统计模型法确实涉及计算统计量来帮助构建模型。

2. **最小二乘法**：
- 最小二乘法是一种寻求使残差平方和最小化的方法，常用于线性回归模型中，适合处理多个自变量的情况。
- 这种方法并不特别针对大数据场景，而是对任意数据规模的回归问题都适用。
- **选项 B** 部分错误，因为最小二乘法的重要特点是适合于多自变量，但不一定专门用于大数据。

3. **梯度下降法**：
- 梯度下降法是一种迭代优化算法，用于通过迭代更新参数来最小化某个损失函数。
- **选项 C** 错误。梯度下降法是迭代的，而不是非迭代的。

4. **正则化法**：
- 正则化是一种在模型中引入额外信息以防止过拟合的方法，常用于线性回归和其他机器学习算法中。
- 它可用于各种数据规模，而不仅限于大型数据分析。
- **选项 D** 错误，因为正则化可用于任何规模的数据分析，而不仅仅是大型数据。

综上分析，正确的答案是 **A: 统计模型法计算变量的统计量，如均值、标准差等用于构建模型**。