Enligt den teoretiska beskrivningen skapas ett antal förklarande variabler (väder- och kalenderbaserade) på olika tidsskalor. Totalt finns 11 sådana variabler. En stegvis regressionsmetod används för att avgöra vilka av dessa variabler som är viktiga och vilka som bör sorteras bort. Normalt ställer man in risken för att få med icke-användbara variabler med hjälp av ”F-value include” och ”F-value-exclude” och en automatisk procedur för att begränsa antalet förklarande variabler.
Detta går till så att den stegvisa regressions-algoritm som används identifierar den förklarande variabel som ensam kan förklara så mycket av lastens variation som möjligt.
Därefter letas efter den av de återstående som ensam kan beskriva mest av den lastvariation som återstår.
I ett tredje steg letas så efter den återstående variabel som bäst förklarar vad som nu återstår att förklara av lasten, o.s.v.
Efter ett antal steg så kommer inklusionen av en ny variabel att endast marginellt förbättra resultatet och denna förbättring kan vara rent slumpmässigt betingad av förhållanden under den korta basdataperioden.
För att avbryta den stegvisa proceduren används ett s.k. signifikanstest (F-test). Varje statistiskt test är dock förenat med viss osäkerhet och du måste bestämma dig för vilken risk du är beredd att ta i signifikanstesten.
F-värde inkludering: Ange den risk du är beredd att ta för att testen skall acceptera inkluderingen av en ny variabel trots att den inte bör finnas med. Om du vill att den inte skall ta fel oftare än i 5% av fallen så anger du 0,05 under rubriken ”F-value include”.