НЕЛІНІЙНА РЕГРЕСІЙНА МОДЕЛЬ ДЛЯ ОЦІНЮВАННЯ РОЗМІРУ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ ІНФОРМАЦІЙНИХ СИСТЕМ НА БАЗІ VB

Сергій Борисович Приходько; Наталія Василівна Приходько

doi:10.31649/1999-9941-2018-43-3-37-42

Автор(и)

Сергій Борисович Приходько Національний університет кораблебудування імені адмірала Макарова
Наталія Василівна Приходько Національний університет кораблебудування імені адмірала Макарова

DOI:

https://doi.org/10.31649/1999-9941-2018-43-3-37-42

Ключові слова:

нелінійна регресійна модель, довірчий інтервал, інтервал передбачення, оцінювання розміру програмного забезпечення, система на базі VB, нормалізуюче перетворення, негаусові дані

Анотація

Нелінійна регресійна модель для оцінювання розміру програмного забезпечення інформаційних VB-систем побудована на основі нормалізації чотиривимірного негаусового набору даних (фактичний розмір програми в тисячах рядків коду, загальна кількість класів, загальна кількість зв'язків і середня кількість атрибутів на клас в концептуальній моделі даних з 32 систем) за допомогою багатовимірного перетворення Джонсона для сімейства S_B. Виконано порівняння побудованої моделі з лінійною регресійної моделлю і нелінійними регресійними моделями на основі десяткового логарифму і одновимірного перетворення Джонсона. Модель, що побудована, в порівнянні з іншими регресійними моделями (як лінійними, так і нелінійними), має більший множинний коефіцієнт детермінації, менше значення середньої величини відносної похибки та менші ширини довірчого інтервалу і інтервалу передбачення нелінійної регресії.

Біографія автора

Наталія Василівна Приходько, Національний університет кораблебудування імені адмірала Макарова

к.е.н., доцент, доцент кафедри фінансів

Посилання

H. B. K. Tan, Y. Zhao, and H. Zhang, “Estimating LOC for information systems from their conceptual data models,” in Proc. of the 28th International Conference on Software Engineering (ICSE '06), Shanghai, China, 2006, p. 321-330.

H. B. K. Tan et al., “Conceptual data model-based software size estimation for information systems,” Transactions on Software Engineering and Methodology, vol. 19, issue 2, article No. 4, October. 2009.

D. M. Bates, and D. G. Watts, Nonlinear Regression Analysis and Its Applications. New York: John Wiley & Sons, 1988.

G.A.F. Seber, and C.J. Wild, Nonlinear Regression. New York: John Wiley & Sons, 1989.

T. P. Ryan, Modern regression methods. New York: John Wiley & Sons, 1997.

N. R. Drapper, and H. Smith, Applied Regression Analysis. New York: John Wiley & Sons, 1998.

R. A. Johnson, and D. W. Wichern, Applied Multivariate Statistical Analysis. Pearson Prentice Hall, 2007.

S. Chatterjee, and J. S. Simonoff, Handbook of Regression Analysis. New York: John Wiley & Sons, 2013.

Natalia Prykhodko, and Sergiy Prykhodko, “Constructing the non-linear regression models on the basis of multivariate normalizing transformations” in Збірка праць конференції Моделювання-2018, Київ: ВД “Академперіодика” НАН України, 2018, с. 217-220.

S. Prykhodko, N. Prykhodko, L. Makarova, and A. Pukhalevych, “Application of the Squared Mahalanobis Distance for Detecting Outliers in Multivariate Non-Gaussian Data,” in Proc. of 14th International Conference on Advanced Trends in Radioelectronics, Telecommunications and Computer Engineering (TCSET). Lviv-Slavske, Ukraine, 2018, p. 962-965.