4）对于大过程建模，影响因子太多，每个因子相关性都不大

　　如果是对于大的过程建模，则可能存在如下的问题：

　　● 影响因子多，每个因子的相关性都不是很大；

　　● 影响因子多，采集数据有难度，对每个数据都要求很准确；

　　● 影响因子之间彼此有交互叠加的作用，有相关性，建模困难。

　　5）样本量太少

　　样本量太少，增加或删除一个样本对回归的结果影响很明显，则规律不具有典型性。比如，在下图中如果删除右上角的一个点，则两个变量之间就没有相关性了，如果删除了右下的2个点则两个变量之间就是相关的。之所以出现这种现象就是样本点太少而导致的。

　　6）样本不随机

　　比如有2个变量X1，X2与Y都应该是正相关的，但是在实际中存在的数据却是：

　　此时如果对这些类型的数据进行分析，则表现出来Y与X1，X2是不相关的。

　　以测试过程为例，我们的经验与常识：

　　假设或常识1：高水平的测试人员找出的BUG多， 低水平的测试人员找出的BUG少。

　　假设或常识2：高水平的开发人员犯的错误应该少，低水平的开发人员犯的错误应该多。

　　我们的实际数据：

　　在实践中常常采用的策略：

　　策略1：关键的模块应该由高水平的开发人员进行开发，非关键的模块由低水平的开发人员进行开发。

　　策略2：高水平的测试人员要测关键的模块，低水平的测试人员测试非关键的模块。

　　如果是这样，对于测试过程做了度量以后，数据无法证明假设1和2的成立。

　　以上六个原因就是最常见的原因，这些原因在实际中克服起来并非那么容易，这也是为什么4-5级需要比较长的实施周期的原因。