下面以项目数据为例进行K值分析。

　　● K值并不是不变的，而是随着样本数据的增多在不断改变。接下来，我们会以实际项目数据为例来分析K值的变化情况。原始数据个数是78，测试结果是得到100个预测点。本实验只考虑Gompertz模型和Logistic模型。

　　◆ 测试开始初期，仅有9个数据时进行预测，如图2

　　选择9个数据是因为三和法对数据的基本要求即为“样本数据个数大于9个”，所以我们选择起点：9个数据点作为渐近值分析的起点。

　　从图2中可以看出，9个数据时，样本数据的累积值为100，预测值（即K）为187.0和103.5，这意味着样本的趋近值为187.0和103.5，即到100个数据时，应当发现187.0或103.5个缺陷。Gompertz模型和Logistic模型都较为符合样本趋势，Gompertz模型稍好。

图2 9个样本数据时的预测

图3 29个样本数据时的预测图

　　◆ 测试逐步进行，Gompertz模型数据增加到29个时进行预测，如图3

　　选择数据个数29的原因：根据实验得出，Gompertz模型的拐点出现在大约在37%（1/e）的位置。这里我们使用的历史数据个数是78个，因此得到拐点的位置大概在第29个。

　　从图3中可以看出，29个数据时，样本数据累积值是555，可见之前预测得到的K（187.0和103.5）都不再符合趋势。此时，Gompertz模型预测出的K值为953.6，Logistic模型预测出的K值为536.8，这意味着样本的趋近值为953.6或536.8，即到100个数据时，应当发现953.6或536.8个缺陷。这时的Gompertz模型和Logistic模型差异较大，从各个拟合度指标及样本数据累积值来看，Gompertz模型更好。但是，实验中，Logistic模型的拐点并不在37%处，而是在50%处。