A nonlinear regression model for early loc estimation of open-source Kotlin-based applications

Abstract

EN: Context. The early lines of code (LOC) estimation in software projects holds significant importance, as it directly influences the prediction of development effort, covering a spectrum of different programming languages, and open-source Kotlin-based applications in particular. The object of the study is the process of early LOC estimation of open-source Kotlin-based apps. The subject of the study is the nonlinear regression models for early LOC estimation of open-source Kotlin-based apps. Objective. The goal of the work is to build the nonlinear regression model with three predictors for early LOC estimation of open-source Kotlin-based apps based on the Box-Cox four-variate normalizing transformation to increase the confidence in early LOC estimation of these apps. Method. For early LOC estimation in open-source Kotlin-based apps, the model, confidence, and prediction intervals of nonlinear regression were constructed using the Box-Cox four-variate normalizing transformation and specialized techniques. These techniques, relying on multiple nonlinear regression analyses incorporating multivariate normalizing transformations, account for the dependencies between variables in non-Gaussian data scenarios. As a result, this method tends to reduce the mean magnitude of relative error (MMRE) and narrow confidence and prediction intervals compared to models utilizing univariate normalizing transformations. Results. An analysis has been carried out to compare the constructed model with nonlinear regression models employing decimal logarithm and Box-Cox univariate transformation. Conclusions. The nonlinear regression model with three predictors for early LOC estimation of open-source Kotlin-based apps is constructed using the Box-Cox four-variate transformation. Compared to the other nonlinear regression models, this model demonstrates a larger multiple coefficient of determination, a smaller value of the MMRE, and narrower confidence and prediction intervals. The prospects for further research may include the application of other data sets to construct the nonlinear regression model for early LOC estimation of open-source Kotlin-based apps for other restrictions on predictors. UK: Актуальність. Раннє оцінювання рядків коду (LOC) у проектах програмного забезпечення має важливе значення, оскільки це безпосередьно впливає на прогнозування зусиль з розробки програмного забезпечення для цілого спектру мов програмуання, включаючи застосунки з відкритим кодом на Kotlin. Об’єктом дослідження є процес раннього оцінювання метрики LOC застосунків з відкритим кодом на Kotlin. Предметом дослідження є нелінійні регресійні моделі для раннього оцінювання метрики LOC застосунків з відкритим кодом на Kotlin. Мета. Метою роботи є побудова нелінійної регресійної моделі з трьома предикторами для раннього оцінювання метрики LOC застосунків з відкритим кодом на Kotlin на основі чотирьохвимірного нормалізуючого перетворення Бокса-Кокса для підвищення достовірності раннього оцінювання LOC цих застосунків. Метод. Для раннього оцінювання LOC у застосунках із відкритим кодом на Kotlin модель, довірчі та прогнозні інтервали нелінійної регресії були побудовані за допомогою нормалізуючого перетворення Бокса-Кокса з чотирма змінними та за допомогою відповідних методів. Ці методи базуються на множинному нелінійному регресійному аналізі з використанням багатовимірних нормалізуючих перетворень та враховують кореляцію між залежними та незалежними змінними у випадку негаусових даних. Як наслідок, такий підхід має тенденцію до змешненя середньої величини відносної похибки, зменшення ширини довірчих інтрвалів та інтервалів прогнозування порівняно з моделями, що використовують однофакторні нормалізуючі перетворення. Результати. Проведено порівняння побудованої моделі з моделями нелінійної регресії з використанням десяткового логарифму та одновимірного перетворення Бокса-Кокса. Висновки. Модель нелінійної регресії з трьома предикторами для ранньої оцінки метрики LOC застосунків із відкритим вихідним кодом на Kotlin побудовано на основі перетворення чотирьох змінних Бокса-Кокса. Порівняно з іншими моделями нелінійної регресії, ця модель демонструє більший множинний коефіцієнт детермінації, менше значення середньої величини відносної похибки та менші ширини довірчих інтервалів та інтервалів прогнозування. Перспективи подальших досліджень можуть включати застосування інших багатовимірних нормалізуючих перетворень і наборів даних для побудови моделі нелінійної регресії для ранньої оцінки метрики LOC застосунків із відкритим вихідним кодом на Kotlin для інших обмежень на предиктори.