下面是計算各個相關系數了，計算相關系數是一項機械且乏味的活動，一般都會交由相應的工具去完成。不過您要是感興趣，也可以自己代入上述公式手算。下圖是我用Excel計算的結果：
圖1
一般來說，|r|大于0.7有很好的相關性了，而從計算結果可以看出，用例數量x1和工期y的相關系數達到0.93，為，而數據表數量x3也達到0.83，唯有實體數量x2的相關系數僅為0.65，質量較差。因為|r(x2，y)|<0.7，所以這里首先排除掉。
到了這里似乎我們可以順利成章選擇x1作為終Proxy，但是還有一點要考慮，是顯著性。所謂顯著性是在偶然情況下得到此結果的概率，如果顯著性不足，說明這個結果不可靠。顯著性t值的計算公式如下：
因為n=5，這里自由度為3，然后查詢t分布表，得到95%預測區間為3.182。因為一般顯著性<0.05則認為顯著性較好，所以如果t的值大于3.182，我們則可以接受。不過如果使用工具的話，一般可以用t檢測直接得出顯著性，這里我用Excel得到r(x1，y)的顯著性為0.006，r(x3，y)的顯著性為0.007（如圖2所示），都遠小于0.05，顯著性均非常好。所以根據擇優錄取原則，我們選擇x1：需求文檔中用例數量作為預測Proxy。
圖2
得到x的值
在上文中，我們通過相關性和顯著性分析，終決定使用需求文檔中的用例數量作為x。下面是要確定x的值，這個不必多說，直接從需求文檔中得到相應的數量即可。
確定相關函數f
知道了x的值，下面是要確定相關函數了。這一步是艱難也是有技術性的，因為相關函數不但和數理因素相關，還與開發團隊、團隊中的人以及管理方法有關。如果人員變動很大或管理方法做了很大的調整，歷史數據可能不具備參考價值了。不過如果團隊的開發水平和管理方法沒有重大變動，這個函數還是相對穩定的。
在函數選型上，一般會選擇線性函數，當然我個人對此是十分懷疑的，但是這里為了簡單起見，我們姑且照例使用線性函數作為預測模型。這樣可以建立一元線性回歸模型如下：
這個函數并不是簡單的線性函數，而是包含了一個隨機變量ε，這是一個服從正態分布的隨機變量。上述模型的直觀意義可以如下描述：a代表與x即用例數量無關的起始時間，b代表每一個用例所耗費的平均時間，而ε代表開發中的不確定性。在不同的團隊中或不同的管理方法下，a，b和ε都是不一樣的，但是當團隊和管理方法相對穩定，可以認為a，b和ε是可通過歷史數據估計的。而因為ε的期望為0，所以只要給出a和b的合理估計，可以得到y的一個無偏估計。
下面我們估計a和b的值。估計方法有很多，如曲線擬合法或小二乘法。這里我們采用小二乘法進行估計。
小二乘法估計的基本原理如下：
