通過預測監視，從圖7和圖8中可以看出，兩條TS曲線的變化規律都很不明顯，曲線的變化在一個特定的上下限范圍之內的趨勢也不是很明確，且也并不是在“0”上下移動，所以可以初步斷定，對于我們給定的數據，用S型曲線擬合得到的模型的漸近值K值是不穩定的，換句話說，過去起作用的模型在未來的預測中反而變得無效。
通過對K值的趨勢和TS的變化進行實驗分析得出，根據我們所給出的項目數據得出的K值是不斷變化的，要根據數據的更新不斷的更新模型的K值，而不是永遠的使用單一的K值。
由以上這個例子，我們想說明的是，趨近值K值是否穩定，并不是單靠觀察數據能得出來的，而是需要通過實驗具體分析。而這節給出的分析方法，到目前為止，是考量K值是否穩定的較為常用的方法。
下面給出一個較為不同的例子。使用的數據來自于另一項目每周發現的缺陷數。如圖9所示，圖中的曲線是利用Gompertz模型擬合后得到的K值的趨勢變化情況。
圖9 每周發現缺陷數用Gompertz曲線模型擬合后的K值變化
從圖9可以看到這樣一種與之前那個例子不同的情況。在這個例子中，K值的變化并非遵循著指數模型或其它非線性模型的變化趨勢；K值也同樣不是以類似水平直線的形狀穩定發展，而是以1200.0（近似）為中心，趨勢由震蕩—>趨于平穩，震蕩的幅度由大幅震蕩逐步減小，一直趨近于震蕩的中心值（1200.0）。單純的從理論上看，這可能是一種較好的結果，K值的變化逐步減小 ，終趨近于一個穩定值，這樣，我們可以得到我們想計算得出的穩定的參數K。然而從實踐中來看 ，我們這組實驗有著一定的局限性，其中重要的，是用于預測的數據量較少（這個例子中僅有12個數據），這樣的情況下，得到的結果可能是局部的，后期的發展可能并不遵循一樣的規律。
這里我們想傳達一種觀點：K值穩定性的預測是S型曲線模型的一個重要方面。在缺陷預測中，知道了K值，也知道了終會出現多少缺陷 ，從而得出目前還沒有發現多少缺陷，軟件是否可以發布 。如果K值是穩定的，那么可以盡早的知道終的缺陷數；如果K值是不穩定的，則需要對歷史數據進行多次的擬合，以找到合適的數據，甚至可能更新或更換選擇的模型。
所以，在利用S型曲線模型進行缺陷的預測時，應當同時對K進行分析，從而得出更準確的結果。
到這里為止，關于K值穩定性的討論暫時告一段落了。不知道大家都有些什么看法，歡迎留言~
