平均
16
高
20
疊加器
低
3
平均
9
高
15
表2 不同類別和復雜性方法的加權系數
下一步是怎么樣辨別哪些方法高于平均值哪些低于平均值。通過回顧上面的數據，發現系統的響應數（方法預期響應的消息數）和被方法作用的屬性數越高，方法就有高于平均數值的加權系數，相反地，這兩個數據低，方法的加權系統也會低于平均值。重要的是要注意我們收集到的數據標本足夠我們進行分析卻不足以只通過對他們分析得出這樣的結論。 所以我們也應用了一些專家的知識。研究的結果引發了確定每類方法權重的開發過程，它包括分析方法功能的同時指出它基于對象間通信的低、平均或高的復雜性。 表2顯示了不同類別方法的復雜性，表3顯示了計算規則（基于響應消息和影響屬性數），它來確定方法所屬類別。
響應消息
屬性數
0->1
2->6
7 or more
0->1
低
低
平均
2->3
平均
平均
平均
4 or more
平均
高
高
表3 復雜性分配
一旦確定了常量的值，我們可以用這些數值計算每類的加權平均方法數(WMC)。
加權平均方法數(WMC)將會聯合TLC、NOC 、DIT進行計算。
我們對這些不同形態的數據進行了歸約，綜合形成下面形式一個方程式。在方程式中，
f1 計算整個系統的規模， f2計算通過重用的影響。我們開始有了一個相當小規模的數據點集合，我們用jack-knifed方法進行數據分析。我們將拿出一小百分比數據進行查證確認，其他剩余的部分進行歸約（按上面的方程式），接著對比衰退計算結果和經過提出查證確認情況。我們再三重復地做，用不同的例子不斷地做，直到方程式的集合能得到最好的變更系數。我們用來做歸約的工具是Jandel提供得SigmaPlot。
我們的數據顯示了很好的相關性，變更系數在我們采用的例子中變化范圍為5～19％內。我們知道研究到今天這些結果只是初步地給了一個數據總量。研究還要進一步進行，需要收集其他類型的軟件和用其他開發語言開發的應用程序的數據。
延伸閱讀
文章來源于領測軟件測試網 http://www.kjueaiud.com/
