参数成本估算模型需要不断地进行校准和改进，以确保更准确的软件估算并反映不断变化的软件开发环境。 当软件组织采用参数估计模型来提高模型的可用性和准确性时，通过调整模型参数的子集进行局部校准是一种常见的做法。 然而，对于这种局部校准实践对随时间变化的通用参数模型的累积影响缺乏了解。 客观的这项研究旨在定量分析和有效处理与历史跨公司数据相关的局部偏差，从而提高跨公司数据集用于校准和维护参数估计模型的可用性。 方法我们设计并进行了三项实证研究，以测量，分析和解决跨公司数据集中的局部偏差，其中包括：（1）定义一种用于测量与整个数据集中的单个组织数据子集相关联的局部偏差的方法； （2）分析局部偏差对估计模型性能的影响； （3）提出了加权采样方法来处理局部偏差。 研究是在最新的COCOMO II校准数据集上进行的。 结果我们的结果表明，局部偏差在跨公司数据集中存在很大，并且局部偏差对参数模型的性能产生负面影响。 基于局部偏差的加权采样技术有助于减少局部偏差对模型性能的负面影响。 结论跨公司数据中的局部偏差确实会损害模型校准，并在模型维护中增加噪声因素。 拟议的局部偏差测度提供了一种量化与跨公司数据集
