=Paper=
{{Paper
|id=None
|storemode=property
|title=Efor Kestirim Doğruluğu İçin Tasarım Büyüklüğü ve Problem Büyüklüğü Karşılaştırılması
|pdfUrl=https://ceur-ws.org/Vol-1072/submission54.pdf
|volume=Vol-1072
|dblpUrl=https://dblp.org/rec/conf/uyms/TabakD13
}}
==Efor Kestirim Doğruluğu İçin Tasarım Büyüklüğü ve Problem Büyüklüğü Karşılaştırılması==
https://ceur-ws.org/Vol-1072/submission54.pdf
Efor Kestirim Doğruluğu İçin Tasarım Büyüklüğü Ve
Problem Büyüklüğü Karşılaştırılması
Barış Arman Tabak1 Onur Demirörs2
1,2
Enformatik Enstitüsü, Orta Doğu Teknik Üniversitesi, Ankara, Türkiye
1 2
baristabak@gmail.com demirors@metu.edu.tr
Özet. Yazılım sektöründe hatalı efor kestirimleri maliyeti önemli ölçüde arttırır
ve projelerin başarısız olmasına yol açabilir. Belirgin maddi kayıplara ek
olarak, ürünü hem satın alan hem de üreten organizasyonlar, çalışan demoti-
vasyonu ve benzeri organizasyonel sorunlar yüzünden negatif etkilenirler.
Yazılım kestirim uzmanları kestirim doğruluğunu arttırmak için birçok yöntem
geliştirmiştir. Gereksinim analizi aşamasında, problem büyüklüğü esas alınarak
kestirim yapmak projenin toplam maliyeti için bir fikir oluştursa da eforun
büyük bir kısmı tasarım, kodlama ve sınama fazlarında gerçekleşmektedir.
Tasarım aşamasında ve sonrasında kestirim yapmak önemli kazançlar doğurur.
Ardıl etkileşim diyagramları sistemin dinamik davranışını yansıttığı için efor
kestirimlerini bu diyagramlara bağlı olarak yapmak doğru sonuçlar verebilir.
Bu bildiri, tasarım fonksiyonalite büyüklüğünü problem fonksiyonalite
büyüklüğüyle karşılaştırmak için yapılan araştırmayı sunmaktadır. Bu doğrultu-
da bir yazılım organizasyonundaki 8 proje için kestirim modelleri geliştirildi.
Yapılan durum çalışması sırasında farklı regresyon modelleri ve yapay sinir
ağları metodolojisini kullanarak en iyi kestirim modeli bulundu ve kestirim
modellerinin doğruluğunu ölçmek için MMRE (Mean-Magnitude of Relative
Error) ve PRED(30) değerleri kullanıldı.
Anahtar Kelimeler. Fonksiyonel Büyüklük Ölçümü, COSMIC, Ardıl
Etkileşim Diyagramları, MMRE, PRED
1 Giriş
Efor kestirimi yapmak proje yönetiminin en temel etkinliklerinden biridir. Başarılı
efor kestirimi yapmak yazılım proje planlarını daha gerçekçi yapar ve projelerin
başarısızlıkla sonuçlanması olasılığını düşürür. Yanlış tespit edilen riskler, bütçe,
takvim ve kaynaklar yüzünden iyi yapılmayan efor kestirimleri, hem alıcı hem de
satıcı organizasyonlar için problem teşkil eder.
Projelerin gereksinim analizi fazında proje büyüklüğünü ölçtükten sonra daha
kesin kestirimler yapılabilir çünkü büyüklük ölçümleri efor kestirimleri için girdi
olabilir. Birçok efor kestirim yöntemi olduğu için en iyi olanı seçmek projenin
geleceğini belirler.
Fonksiyon nokta efor kestirimi yaparken kullanılan bir ölçevdir. Fonksiyon noktası
analizi ise bir büyüklük bazlı efor kestirim modelidir ve gereksinim analizi fazında,
yani projenin baş safhalarında bu yöntemi kullanmak akılcıdır. COSMIC, FISMA,
IFPUG ve Mk II fonksiyonel büyüklük ölçme yöntemleridir ve ISO standardı olarak
tanımlanmışlardır. Diğer yandan, kaynak kod satır sayısı (KKSS) yazılımın
büyüklüğünü ölçmek için çok iyi bir ölçevdir ancak efor kestirimleri için kullanışlı
olduğu söylenemez çünkü KKSS kod yazıldıktan sonra elde edilir ve şelale tarzı bir
yazılım geliştirme yaşam döngüsünde efor kestirimi için anlamlı bir etkisi olmaz.
Araştırmalar, efor kestirimleri yaparken fonksiyon nokta analizi yöntemleri
kullanılınca en fazla kestirim hatasının kodlama ve sınama fazlarında ortaya çıktığını,
nedeninin ise bu fazların kestirilenden daha uzun sürdüğünü göstermektedir[1]. Bu
yüzden, şelale tarzı yazılım geliştirme yaşam döngüsünde kodlama fazından önce efor
kestirimi yapmak yüksek kestirim hata oranı problemini çözebilir. Proje büyüklüğünü
ölçtükten sonra tasarım elemanlarını kullanarak efor kestirim hata oranını düşürmek
mümkün olabilir çünkü şelale yazılım geliştirme yaşam döngüsünde bu aktivite ko-
dlama ve sınama fazından önce yapılır.
COSMIC, 1998’de bir grup tecrübeli yazılım büyüklük ölçücüsü tarafından ortaya
çıkarılan, fonksiyonel kullanıcı ve kalıcı bellek arasındaki veri hareketlerine dayanan
en popüler fonksiyonel büyüklük ölçme yöntemlerinden biridir. Amacı, alanı iş uygu-
lamaları, gerçek zamanlı uygulamalar ya da bu ikisinin kombinasyonu olan
yazılımların fonksiyonel büyüklüğünü ölçmektir[2]. COSMIC, ayrıca ISO/IEC
19761:2011’de tanımlar ve etkinlikler gibi bazı özelliklerle standartlaştırılmıştır.
UML (Unified Modeling Language) ardıl etkileşim diyagramları somut değişkenler
arasındaki etkileşimi gösteren diyagramlar olup UML işbirliği diyagramları ile denktir
ve sistemin bir biriminin dinamik davranışını gösterir. Alınan ve verilen mesajlar ardıl
etkileşim diyagramları ile sıralı olarak gösterilir. Bu diyagramların en temel amacı
yazılım geliştiricilere işin nasıl yürüdüğünü nesneler ile göstermektir.
Bu araştırmanın ve durum çalışmasının amacı regresyon analizleri yaparak
COSMIC yöntemi kullanılarak elde edilen efor kestirim modelleriyle projelerin ardıl
etkileşim diyagramlarını kullanarak elde edilen modeli arasındaki farkları ortaya
çıkarıp daha iyi olan yöntemi bulmaktır.
Çalışmaya başlamadan önce Türkiye’nin önde gelen bir yazılım organizasyonu
tarafından geliştirilen 8 proje seçildi ve bu projeler hakkında veriler toplanılarak
yararlı olanlar elde edildi. Her bir projenin fonksiyonel büyüklükleri yazılım gereksin-
im dokümanlarının yardımıyla COSMIC Fonksiyon Nokta (CFN) birimi cinsinden
ölçüldü. Sonrasında basit doğrusal, çoklu doğrusal, polinomik, üstel, logaritmik ve
güç regresyon ile yapay sinir ağları modelleri kullanılarak analizler yapıldı. Ortaya
çıkan modeller için MMRE ve PRED(30) değerleri hesaplandı ve modellerin kabul
edilebilirliğine karar verildi. Ardıl etkileşim diyagramlarındaki hareket (mesaj)
sayıları hesaplandıktan sonra ise belirtilen regresyon modelleri tekrar kullanıldı ve
MMRE ve PRED(30) değerleri ardıl etkileşim diyagramlarındaki hareket sayıları için
hesaplandı.
Bildirinin geri kalanında ise 2. bölümde konuyla ilgili yapılan araştırmalar, 3.
bölümde durum çalışmasının tasarımı, planı, gerçekleştirilmesi hakkındaki detaylar,
4. bölümde durum çalışmasından alınan sonuçlar ve gelecek çalışmaları hakkındaki
bilgilendirmeler yer almaktadır.
2 Yapılan Araştırmalar
Bévo, Levesque ve Cao’nun 2008’deki C3S2E konferansında sunduğu araştırmaya
göre COSMIC fonksiyon nokta ile ardıl etkileşim diyagramlarındaki mesaj sayısı
arasında güçlü bir ilişki vardır. Çalışmanın amacı yazılım büyüklük tahminini UML
diyagramlarına uyarlamaktır; bu yüzden araştırmacılar büyüklük ölçüm yöntemlerini
UML kullanıcı senaryosu ve ardıl etkileşim diyagramlarında uyguladılar. Sonuç
olarak, aynı uygulama için COSMIC fonksiyon nokta sayısının ardıl etkileşim di-
yagramlarındaki mesajlara eşit olduğunu ortaya çıkardılar[3].
Sellami ve Ben-Abdallah kullanıcı senaryosu açıklamasına göre fonksiyonel
büyüklük ölçmeyi gösteren bir araştırma yapmışlardır. Araştırmacılara göre, bulunan
ölçüler COSMIC fonksiyon noktası cinsinden fonksiyonel büyüklük tahmini yapmak
için kullanılabilir. Araştırmacılar, ayrıca kullanıcı senaryosu diyagramları ile onlara
karşılık gelen sınıf ve ardıl etkileşim diyagramlarının arasındaki ilişkinin güçlü
olduğunu göstermişlerdir. Bu çalışmanın sonucu olarak kodlama fazından önce ardıl
etkileşim diyagramlarını kullanarak kestirim yapmanın mümkün olduğu yargısına
varılabilir[4].
Awan ve çalışma arkadaşları, 12 yazılım sisteminin verilerini kullanarak yaptıkları
araştırmada varlık-ilişki (Entity-Relationship) diyagramlarındaki varlık sayısı, ilişki
sayısı, özellik sayısı ve benzeri özelliklere göre bir yazılım eforu kestirim modeli
sunmuşlardır. Araştırmacılar çoklu regresyon modelini kullanmayı seçmişlerdir ve
sonuç olarak kestirilen efor, gerçek efor miktarına oldukça yakın çıkmıştır. 12 proje
için ortalama hata oranı %11.54 çıkmıştır. Bu oran, yazılım projeleri için başarılı
olarka gösterilebilir. Bu yüzden tasarım fazında yapılan efor ya da maliyet
kestirimleri tatmin edici sonuçlar sağlayabilir[5].
3 Durum Çalışması
3.1 Tasarım
Durum çalışması 3 alt parçadan oluşmaktadır. Bunlar;
─ Veri toplanması: Proje verisinin toplanılıp gerekli olanların edinilmesi
─ Ölçüm: COSMIC ölçümü ve ardıl etkileşim diyagramlarındaki hareket sayısının
ölçümü
─ MMRE analizi: Regresyon analizleri yapılıp sonuçların değerlendirilmesidir.
3.2 Plan
Çalışmanın yapılması için 14 haftalık bir plan hazırlanmıştır. Proje verileri elde edild-
ikten sonra gerekli bilgiler alındı. Ölçevlerin güvenilirliği için efor bilgisi, bir araç
yardımıyla elde edildi. Aykırı değerlerin ya da projelerin tespit edilmesi için pro-
jelerden aşağıdaki bilgiler elde edildi:
─ Proje başlama/bitiş tarihi
─ Proje türü
─ Fonksiyonel alan türü
─ Yeni teknoloji kullanımının varlığı
─ Kullanılan araçlar
─ Geliştirme takımının tecrübesi
─ Proje takımının istikrarı
─ Proje sırasında kullanılan standartlar
─ Platform
─ Algoritma karmaşıklığı
─ Kaynak kodun yeniden kullanım oranı
─ Projelerin toplam eforu
─ Proje yönetimi, gereksinim analizi, kodlama, entegrasyon, sınama, sistem kurulum,
kalite güvence etkinlikleri için ayrı ayrı efor bilgisi
─ Her fazdaki ve proje tesliminden sonra tespit edilen hata sayısı
Problem büyüklüğü ölçmek için COSMIC yönteminin kullanılmasına karar verildi.
Bunun için gereksinim analiz dokümanlarının son versiyonları alındı ve doküman
sahiplerine doğrulatıldı. Değişiklik taleplerini de göz önünde bulundurarak büyüklük
ölçümü yapılmaya karar verildi.
Problem büyüklüğünü ölçtükten sonra bir tasarım elemanı olan ardıl etkileşim di-
yagramlarını kullanarak tasarım büyüklüğünün ölçülmesine karar verildi. Tasarım
elemanı olarak ardıl etkileşim diyagramları kullanımının sebebi bu diyagramların
sistemin dinamik davranışını yansıtmasıdır ve dinamik davranışlar, statik davranışlar-
dan daha çok şey ifade edebilir. Modelleri oluştururken ardıl etkileşim diyagramların-
daki toplam hareket sayısı kullanıldı ve bu diyagramlar da IDE (Integrated Develop-
ment Environment) yardımıyla üretildi. Bu sayede temiz veri elde edildi.
Gereksinim analizi fazında 6 farklı türde regresyon modeli ve yapay sinir ağları
modelinin her bir proje için ayrı ayrı oluşturulması planlandı. Farklı türler basit
doğrusal, çoklu doğrusal, polinomik, üstel, logaritmik ve güç şeklindedir. İlk olarak, 7
modelin CFN sonuçlarına ve her projenin faz bazlı efor verisine dayanarak oluştu-
rulması planlandı. Daha sonra benzer şekillerde her projenin ardıl etkileşim diyagram-
larındaki toplam hareket sayısı ve faz bazlı efor verisine dayanarak regresyon model-
leri oluşturuldu. Yapay sinir ağları için, çok fazla gizli katman ve düğüm olması
kestirim sonuçlarına çok etki etmediği için 3 düğüm ve 1 gizli katman kullanıldı.
Bütün modeller her bir projeye uygulandıktan sonra en iyi model seçilerek MMRE ve
PRED(30) değerleri kullanılarak bu modelin kabul edilebilir olup olmadığı kontrol
edildi.
3.3 Gerçekleştirme
Veri Toplama. Bu faz, bir durum çalışmasının güvenilirliğinin en önemli dayanak-
larından olduğu için büyük önem arz etmektedir. Bu faz, çalışmanın temelini oluştur-
duğu içinse ön iş olarak adlandırılabilir. Yapılan durum çalışmasından doğru ve uy-
gun sonuçlar elde etmek için verilerin gerçek olması gerekir.
Veriler, Türkiye’nin büyük bir yazılım organizasyonundan alınmıştır ve projeler
şelale yaklaşımıyla geliştirilmektedir. Efor verileri, bir araç yardımıyla toplanmıştır ve
bu efor verileri çalışan tarafından günlük olarak girilmektedir. Bu sayede proje
yöneticileri rapor ve grafikler çıkartarak çalışanların eforlarını ve projenin gidişatını
izleyebilmektedir
Bu durum çalışması için 8 proje seçildi. Bütün projeler geliştirme projesi olup
hepsi aynı endüstri alanıyla ilgili projelerdir.
Ölçüm. Yapılan 2 ölçümden birisi olan COSMIC ölçümü önceden de belirtildiği gibi
problem büyüklüğünü ölçmek için yapıldı. COSMIC ölçümünün sonuçları Tablo 1’de
belirtilmiştir.
Tablo 1. COSMIC Ölçüm Sonuçları
Pr Giriş Çıkış Oku- Yazm Top-
oje Hareket Hareket ma Ha- a Ha- lam Ha-
Sayısı Sayısı reket reket reket
Sayısı Sayısı Sayısı
A 17 11 13 15 56
B 31 23 12 6 72
C 64 62 74 21 221
D 70 49 52 20 191
E 31 29 39 7 106
F 39 39 44 20 142
G 115 102 96 84 397
H 88 97 77 19 281
Efor ve tasarım elemanları arasındaki ilişkiyi analiz ederek bir efor kestirim
modeli oluşturmak için gerekli ölçüm yöntemi olan ardıl etkileşim diyagramındaki
hareket sayılarının ölçümünün sonucu ise Tablo 2’deki gibidir:
Tablo 2. Projelerin Ardıl Etkileşim Diyagram Hareket Sayıları
Proje A B C D E F G H
Toplam
Ardıl
Etkileşim 11 22 8 6 16 13 37 22
Diyagram 47 47 73 78 60 68 24 16
Hareket
Sayısı
MMRE Analizleri. Bu analizler ardıl etkileşim diyagramlarındaki hareket ve yazılım
geliştirme yaşam döngüsündeki fazların eforları arasındaki ilişkiyi tanımlayan ma-
tematiksel modelleri oluşturmak için yapılmıştır. Model geliştirmenin yanında, bu
durum çalışması COSMIC ile ölçüm yapmanın mı, yoksa ardıl etkileşim diyagramları
ile ölçüm yapmanın mı daha etkili olduğunu ortaya çıkartıyor. Tablo 3’te her bir pro-
jenin efor ve büyüklük bilgileri yer almaktadır.
Regresyon analizi değişkenler arasındaki ilişkileri araştıran bir araçtır [6]. Bu
yüzden, regresyon analizi sayesinde bağımsız değişkenlere göre bağımlı değişkenlerin
kestirimi yapılabilir. COSMIC ölçüm girdisi olan çoklu regresyon ve yapay sinir
ağları modelleri geliştirilirken, diğer modellerin aksine 4 değişken girdi olarak verildi.
Bu değişkenler giriş hareket sayısı, çıkış hareket sayısı, okuma hareket sayısı ve
yazma hareket sayısıdır. Diğer tekniklerde toplam COSMIC büyüklüğü ve toplam
ardıl etkileşim diyagram hareket sayısı girdi olarak alınmıştır.
Kestirim yaparken tasarım büyüklüğünün (ardıl etkileşim diyagram hareket sayısı),
problem büyüklüğünden (COSMIC fonksiyon nokta sayısı) daha etkili olacağı
düşünüldüğünden dolayı, ardıl etkileşim diyagram hareket sayısı; tasarım, kodlama ve
sınama aktivitelerinin hepsinin toplam eforunun kestirim modelini oluşturmak için
kullanmakla beraber kodlama ve sınama aktivitelerinin toplam eforunun kestirim
modelini oluşturmak için de için kullanılmıştır.
Yapay sinir ağları yöntemi ise bir makine öğrenimi ve veri madenciliği yöntemi
olup beyindeki nöronların yapısından esinlenilmiştir. Ardıl etkileşim diyagramında
sadece 1 bağımsız değişken olduğu için (toplam hareket sayısı), pratikte mantıklı
olmamasına rağmen yapay sinir ağlarına girdi olarak bu değişken verilmiştir. MRE
(Magnitude of Relative Error), MMRE (Mean Magnitude of Relative Error) kestirim
doğruluğu için sık kullanılan ölçülerdir. MRE tekil kestirim hata oranıdır, MMRE ise
bir veri kümesinde göreceli hataların yüzde olarak ortalamasıdır.
PRED(n) kestirim doğruluğu için bir başka önemli ölçüdür. PRED(n), kestirimlerin
yüzde kaçının n% hata oranı içinde olduğunu gösterir. Örneğin, PRED(30) = 95 ise
yapılan kestirimlerin %95’i gerçek değerden maksimum yüzde 30 sapmıştır. PRED
değeri hesaplanırken “n” sayısı 30 olarak alındı çünkü bu sayı endüstride kestirim
modelleri yaratırken sık kullanılan bir sayıdır.
4 Sonuçlar
Ölçümler, MMRE ve PRED değerlerinin hesaplanmasından sonra en iyi MMRE ve
PRED değerlerini bulmak birincil amaç olmuştur. En iyi MMRE en düşük MMRE
değeridir çünkü hata oranının en düşük seviyede olması kestirimler için en iyi sonucu
vermektedir. Diğer yandan en iyi PRED(30) değeri en yüksek değerdir çünkü bu
değer geliştirilen matematiksel modellerin doğruluğunu göstermektedir.
COSMIC ile problem büyüklüğü ölçüldüğü için COSMIC değişkenlerini kulla-
narak kestirim yaptığımızda en iyi sonucu gereksinim analizi eforunu ve toplam eforu
tahmin ettiğimizde elde edilen modeller arasında bulmayı hedefliyorduk. Bunlar
arasındaki en iyi sonucu MMRE değeri 21.03 olan ve PRED(30) değeri 87.5 olan
çoklu doğrusal regresyon modeli ile toplam eforun kestirimini yaptığımız zaman elde
ettik.
Ardıl etkileşim diyagramlarındaki toplam hareket sayısı ile tasarım büyüklüğünü
ölçtüğümüz için bu sayıları kullanarak kestirim yaptığımızda en iyi sonucu tasarım,
tasarım-kodlama, tasarım-kodlama-sınama aktivitelerinin eforunu ve toplam eforu
tahmin ettiğimizde elde edilen modeller arasında bulmayı hedefliyorduk. Bunlar
arasındaki en iyi sonucu MMRE değeri 19.00 olan ve PRED(30) değeri 87.5 olan
logaritmik regresyon modeli ile tasarım-kodlama eforun kestirimini yaptığımız zaman
elde ettik.
Tasarım, kodlama ve sınama fazları için yaptığımız kestirimlerde ardıl etkileşim
diyagramlarını kullanarak yaptığımız ölçümlere bağlı kestirimlerin, COSMIC ölçüm-
lerine bağlı yapılan kestirimlere göre daha doğru sonuç vermesini bekliyorduk. Buna
benzer bir şekilde gereksinim analizi fazı için yaptığımız kestirimlerde COSMIC
ölçümlerine bağlı kestirimlerin, ardıl etkileşim diyagramlarına bağlı yapılan
kestirimlere göre daha doğru sonuç vermesini bekleniyordu.
Elde edilen sonuçlara göre tasarım, kodlama ve sınama fazı için ayrı ayrı kestirim
yapıldığı zaman elde edilen sonuçlar başarılı olmadı. En yüksek PRED(30) değeri
62.5 sonucunu verdi. Bu değer de kestirimler için kabul edilebilir bir değer olmadığı
için ve MMRE değerleri de tasarım, kodlama ve sınama aktivitelerinin sentezlerinden
daha başarısız sonuçlar verdiği için kestirim sonuçlarını ayrı ayrı değerlendirilmedi.
COSMIC girdilerine göre yapılan gereksinim analizi fazının efor kestirimleri ardıl
etkileşim diyagramlarından alınan girdilere göre yapılan kestirimlere göre daha iyi
sonuçlar verdi. Diğer yandan, ardıl etkileşim diyagramlarından elde ettiğimiz
girdilerle en iyi sonucu veren logaritmik regresyon modeli ile tasarım-kodlama efo-
runun kestiriminin doğruluğunun COSMIC girdileriyle en iyi sonucu veren modelden
daha kötü olması beklenmeyen bir sonuç oldu çünkü bir tasarım elemanı olan ardıl
etkileşim diyagramlarından çıkartılan girdiler ile tasarım ve sonraki fazlar için yapılan
kestirimlerin daha doğru olması bekleniyordu.
Gelecek çalışmalarda 8’den fazla sayıda projeyle analizi gerçekleştirerek daha iyi
bir model oluşturmak hedefleniyor. Böylelikle, daha çok veri toplanıp daha fazla
ölçüm yapılarak daha doğru sonuçlar veren modeller oluşturulabilir. Bu modeller,
proje yönetim etkinliklerinde daha etkili olur. Gelecek çalışmalarda yapılabilecek
daha da önemli bir iş ise ardıl etkileşim diyagramlarındaki toplam hareket sayısını
asenkron giren çağrı, senkron giren çağrı, asenkron çıkan çağrı, senkron çıkan çağrı,
asenkron giren mesaj, asenkron çıkan mesaj, alternatifler, döngüler, seçimliler ve ardıl
etkileşim diyagramının karmaşıklığı şeklinde bölerek eforlar ve bu seçenekler arsın-
daki ilişkiyi bire bir bulup ardıl etkileşim diyagramlarının eforlar üzerindeki etkisi
daha etkili bir şekilde bulunabilir.
Kaynaklar
1. Abrahamsson, P., Moser, R., Pedrycz, W., Sillitti, A., Succi, G. : Effort Prediction in Itera-
tive Software Development Processes – Incremental Versus Global Prediction Models, In
First International Symposium on Empirical Software Engineering and Measurement, pp
344-353, IEEE Press, New York (2007)
2. COSMIC, Measurement Manual, Version 3.0.1, Common Software Measurement Interna-
tional (2009)
3. Levesque, G., Bevo, V., Cao, D.T.: Estimating Software Size with UML Models. In
C3S2E Conference, pp. 81-87, ACM, New York City (2008)
4. Sellami, A., Ben-Abdallah, H.: Functional Size of Use Case Diagrams: A Fine-Grain
Measurement. In Fourth International Conference on Software Engineering Advances, pp.
282-288, IEEE Press, New York (2009)
5. Arshid, A., Qadri, S., Muhammad, S. S., Abbas, J., TariqPervaiz, M., Awan, S.: Software
Cost Estimation through Entity Relationship Model, Report and Opinion, vol. 2, pp. 36-40,
Marsland Press, New York City (2010)
6. Sykes, A. O.: An Introduction to Regression Analysis, Chicago Working Paper in Law &
Economics. Chicago (1992)