分析软件度量数据

收集软件度量数据仅仅是第一步；要从中获得有意义的洞见需要仔细分析。分析技术的选择在很大程度上取决于所收集数据的性质、度量的目标以及研究或数据收集的设计。

理解数据的性质

在分析之前，考虑数据的以下方面：

度量尺度 (Measurement Scale)：数据是标称尺度 (Nominal)、有序尺度 (Ordinal)、区间尺度 (Interval) 还是比例尺度 (Ratio)？这决定了哪些统计运算是有效的（如“度量尺度”章节所述）。
数据分布 (Data Distribution)：数据是正态分布（钟形曲线）、偏态分布，还是遵循其他分布？通过可视化检查（直方图、密度图）和统计检验（例如 Shapiro-Wilk 检验）可以帮助确定这一点。许多常见的统计检验都假设数据呈正态分布。
总体 (Population) vs. 样本 (Sample)：您是在分析感兴趣的整个总体的数据（例如，发布版本中的所有缺陷）还是样本数据（例如，部分用户的可用性评分）？如果使用样本，则需要进行统计推断，以便对总体得出结论。
异常值 (Outliers)：是否存在可能对分析产生不成比例影响的极端值（例如，由于服务器故障导致某个构建花费了数小时）？调查异常值以了解其原因，并决定是否包含或排除它们。

描述性统计 (Descriptive Statistics)

总结数据的主要特征：

集中趋势度量 (Measures of Central Tendency)：均值 (Mean - 适用于区间/比例尺度)，中位数 (Median - 中间值，适用于有序、区间、比例尺度，对异常值不敏感)，众数 (Mode - 最常出现的值，适用于所有尺度)。
离散趋势度量 (Measures of Dispersion)：极差 (Range - 最大值减最小值)，方差 (Variance)/标准差 (Standard Deviation - 数据围绕均值的离散程度，适用于区间/比例尺度)，四分位距 (Interquartile Range, IQR - 中间 50% 数据的离散程度，适用于偏态数据或有序尺度)。

根据目的调整分析方法

度量的目标决定了分析方法：

目的 1：比较组别（验证理论/差异）

目标：确定两个或多个组之间基于特定度量是否存在统计学上的显著差异（例如，团队 A 是否比团队 B 更快地修复缺陷？新工具是否减少了构建时间？）。

常用技术：

正态分布数据：
非正态分布数据或有序数据：
标称数据（频率）：

注意：统计显著性 (p 值) 表示观察到的差异是偶然发生的可能性。也要考虑实际显著性——这种差异是否大到在实践中有意义？

目的 2：探索关系（相关与回归）

目标：理解两个或多个变量之间是否存在以及如何相关（例如，代码复杂性与缺陷密度之间是否存在关系？我们能否基于模块规模预测测试工作量？）。

常用技术：

可视化：
相关分析 (Correlation Analysis)：度量两个变量之间线性关系的强度和方向。
回归分析 (Regression Analysis)：建立数学方程来描述因变量与一个或多个自变量之间的关系。

注意：相关不蕴含因果！存在关系可能是由于偶然性或隐藏的混杂变量 (confounding variable)。

考虑研究设计

数据收集的方式影响分析选择。例如，来自对照实验 (controlled experiment) 的数据比纯粹的观察性数据 (observational data) 更能得出强有力的因果推断。复杂的设计（例如，包含多个交互因子的因子设计 factorial designs）需要更复杂的统计模型（例如，多因素方差分析 multi-factor ANOVA）。

分析工具

各种工具支持数据分析：

电子表格软件 (Spreadsheet Software) (Excel, Google Sheets)：基本分析、描述性统计、简单图表。
统计软件包 (Statistical Software Packages) (SPSS, SAS, Minitab)：全面的统计分析功能。
编程语言 (Programming Languages) (Python with libraries like Pandas, NumPy, SciPy, Statsmodels; R)：高度灵活和强大，适用于数据处理、分析和可视化。
商业智能 (BI) 工具 (Business Intelligence Tools) (Tableau, Power BI, Qlik)：重点在于交互式可视化和仪表板 (dashboarding)。

有效的分析结合了适当的统计技术和领域知识，以便在特定背景下解释结果，并生成可操作的洞见以改进软件质量。