حاسبة إحصاء معامل الارتباط داخل الفئة (ICC)

حاسبة إحصاء معامل الارتباط داخل الفئة (ICC)

شائع AI Skill PRO

أدخل الحساب

أدخِل مفحوصًا واحدًا (هدفًا) في كل سطر. افصِل بين درجة كل مُقيّم أو قياس متكرر بمسافات أو فواصل. يجب أن يحتوي كل صف على العدد نفسه من الأعمدة.

صيغة رياضية

ICC=MSB−MSWMSB+(k−1)MSWwhere{MSB=SSBn−1MSW=SSWn(k−1)n,k,SSB,SSW= from Ratings matrix\begin{gathered} \text{ICC} = \frac{\text{MSB} - \text{MSW}}{\text{MSB} + (k-1)\,\text{MSW}} \\[1.5em] \text{where}\quad \left\{ \begin{aligned} \text{MSB} &= \frac{\text{SSB}}{n-1} \\ \text{MSW} &= \frac{\text{SSW}}{n\,(k-1)} \\ n,\,k,\,\text{SSB},\,\text{SSW} &= \text{ from } \text{Ratings matrix} \end{aligned} \right. \end{gathered}
إحصاءات الاستخدام

اعلان

نتائج

معامل الارتباط داخل الفئة، ICC(1,1)
٠٫٨٨٢
تأثيرات عشوائية أحادية الاتجاه، قياسات مفردة
المفحوصون (n) 3
المُقيّمون / القياسات (k) 2
متوسط المربعات بين المفحوصين (MS_B) ٨٫٠٠٠٠
متوسط المربعات داخل المفحوصين (MS_W) ٠٫٥٠٠٠

الإبلاغ عن خطأ في هذه الصفحة

ما الذي تقوم به حاسبة إحصاء ICC

يقيس معامل الارتباط داخل الفئة (ICC) مدى تشابه العناصر المنتمية إلى المجموعة نفسها. وعمليًا، فهو يقدّر موثوقية التقييمات أو القياسات المتكررة: أي نسبة التباين الكلي الناتجة عن فروق حقيقية بين المفحوصين مقارنةً بالتباين الناتج عن ضوضاء القياس. تحسب هذه الأداة صيغة التأثيرات العشوائية أحادية الاتجاه بقياس مفرد، أي \(\text{ICC}(1,1)\)، انطلاقًا من مصفوفة تقييمات بسيطة.

شبكة مصفوفة تقييم بالأفراد في الصفوف والمُقيّمين في الأعمدة
يستخدم معامل الارتباط داخل الفئة (ICC) مصفوفة تقييم تكون فيها الصفوف هي الأفراد والأعمدة هي المُقيّمون أو القياسات المتكررة.

كيفية الاستخدام

أدخِل مفحوصًا واحدًا (هدفًا) في كل سطر، وافصِل بين درجة كل مُقيّم أو قياس متكرر بمسافات أو فواصل. يجب أن يحتوي كل صف على العدد نفسه من الأعمدة \(k\). تُرجِع الحاسبة قيمة ICC إلى جانب عدد المفحوصين \(n\)، وعدد المُقيّمين \(k\)، ومتوسطي المربعات بين المفحوصين وداخلهم.

شرح المعادلة

يُبنى معامل ICC على تحليل التباين. فمع وجود \(n\) مفحوصًا و\(k\) قياسًا لكل منهم، تكون صيغة العرض كالآتي:

$$\text{ICC}(1,1) = \frac{MS_B - MS_W}{MS_B + (k-1)\,MS_W}$$

حيث \(MS_B = \frac{SS_B}{n-1}\) هو متوسط المربعات بين المفحوصين، و\(MS_W = \frac{SS_W}{n(k-1)}\) هو متوسط المربعات داخل المفحوصين. تشير القيم القريبة من \(1\) إلى توافق ممتاز، بينما تدل القيم القريبة من \(0\) على موثوقية ضعيفة.

اعلان
لوحتان تُظهران توافقًا عاليًا مقابل توافق منخفض بين المُقيّمين
يعكس ICC المرتفع توافقًا وثيقًا بين المُقيّمين، بينما يعكس ICC المنخفض اختلافًا واسعًا.

مثال محلول

لنأخذ ثلاثة مفحوصين قيّمهما مُقيّمان: \((1,2)\) و\((3,4)\) و\((5,6)\). المتوسط العام هو \(3.5\). ينتج عن ذلك \(MS_B = 8\) و\(MS_W = 0.5\)، ومن ثمّ:

$$\text{ICC} = \frac{8 - 0.5}{8 + (2-1)\times 0.5} = \frac{7.5}{8.5} \approx 0.882$$

تعكس قيمة ICC البالغة \(0.88\) موثوقية جيدة إلى ممتازة بين المُقيّمَين.

كيفية حساب معامل الارتباط داخل الصنف (ICC) يدويًا

الصيغة أدناه هي ICC(1,1) — معامل القياسات المفردة من نموذج التأثيرات العشوائية أحادي الاتجاه. وهو أسلوب إحصائي عام (غير مرتبط بأي دولة أو معيار وطني) ويُستخدم على نطاق واسع في دراسات الموثوقية والتوافق. سنعمل خلال مثال صغير يضم ثلاثة مفحوصين قام بتقييم كلٍّ منهم مُقيِّمان: التقييمات هي \((1,2)\) و\((3,4)\) و\((5,6)\)، بحيث \(n = 3\) مفحوصين و\(k = 2\) مُقيِّمين.

  1. رتّب المصفوفة وأوجد المتوسط العام. رتّب البيانات بحيث يكون كل مفحوص في صف واحد وكل مُقيِّم في عمود واحد، ثم احسب متوسط كل القيم \(n\cdot k\).

    $$\bar{x} = \frac{1+2+3+4+5+6}{6} = \frac{21}{6} = 3.5$$
  2. احسب متوسط صف كل مفحوص.

    $$\bar{x}_1 = \frac{1+2}{2} = 1.5,\qquad \bar{x}_2 = \frac{3+4}{2} = 3.5,\qquad \bar{x}_3 = \frac{5+6}{2} = 5.5$$
  3. مجموع المربعات بين المفحوصين \(\text{SS}_B = k\sum(\bar{x}_i - \bar{x})^2\):

    $$\text{SS}_B = 2\left[(1.5-3.5)^2 + (3.5-3.5)^2 + (5.5-3.5)^2\right] = 2\left[4 + 0 + 4\right] = 16$$
  4. مجموع المربعات داخل المفحوصين \(\text{SS}_W = \sum\sum (x_{ij} - \bar{x}_i)^2\)، وذلك بجمع مربعات انحرافات كل قيمة عن متوسط صفها:

    $$\text{SS}_W = \underbrace{(0.25+0.25)}_{\text{الصف }1} + \underbrace{(0.25+0.25)}_{\text{الصف }2} + \underbrace{(0.25+0.25)}_{\text{الصف }3} = 1.5$$
  5. اقسم على درجات الحرية للحصول على متوسطات المربعات، باستخدام \(df_B = n-1\) و\(df_W = n(k-1)\):

    $$\text{MS}_B = \frac{\text{SS}_B}{n-1} = \frac{16}{3-1} = 8,\qquad \text{MS}_W = \frac{\text{SS}_W}{n(k-1)} = \frac{1.5}{3(2-1)} = 0.5$$
  6. عوّض في صيغة ICC(1,1):

    $$\text{ICC}(1,1) = \frac{\text{MS}_B - \text{MS}_W}{\text{MS}_B + (k-1)\,\text{MS}_W} = \frac{8 - 0.5}{8 + (2-1)(0.5)} = \frac{7.5}{8.5} \approx 0.882$$

بالنسبة إلى مجموعة البيانات هذه فإن معامل الارتباط داخل الصنف هو 0.882، مما يشير إلى توافق قوي — إذ إن التباين بين المفحوصين يتجاوز بكثير التباين داخل التقييمات المتكررة للمفحوص الواحد.

اعلان

المصطلحات والمتغيرات الرئيسية

  • معامل الارتباط داخل الصنف (ICC) — قيمة (تتراوح عادةً بين 0 و1) تُقيّم مدى تشابه القياسات ضمن المجموعة نفسها بعضها مع بعض؛ ويُستخدم لتقييم التوافق والموثوقية عبر المُقيِّمين أو القياسات المتكررة. القيم الأعلى تعني اتساقًا أكبر.
  • المفحوص / الهدف — الشيء الذي يجري قياسه (شخص أو عيّنة أو عنصر). في مصفوفة التقييمات يمثّل كل مفحوص صفًا واحدًا.
  • المُقيِّم — الشخص أو الأداة أو مناسبة القياس التي تُنتج تقييمًا. كل مُقيِّم (أو قياس متكرر) يمثّل عمودًا واحدًا من المصفوفة.
  • \(n\) (عدد المفحوصين) — عدد الصفوف في المصفوفة، أي عدد الأهداف المميزة التي جرى تقييمها. درجات حريتها هي \(n-1\).
  • \(k\) (عدد المُقيِّمين / القياسات) — عدد الأعمدة، أي عدد التقييمات التي حصل عليها كل مفحوص.
  • \(\text{SS}_B\) و\(\text{MS}_B\) (بين المفحوصين) — \(\text{SS}_B = k\sum(\bar{x}_i-\bar{x})^2\) يقيس مقدار اختلاف متوسطات صفوف المفحوصين عن المتوسط العام؛ ومتوسط المربعات بين المفحوصين \(\text{MS}_B = \text{SS}_B/(n-1)\) يمثّل الفروق الحقيقية بين المفحوصين.
  • \(\text{SS}_W\) و\(\text{MS}_W\) (داخل المفحوصين) — \(\text{SS}_W = \sum\sum(x_{ij}-\bar{x}_i)^2\) يقيس تشتت تقييمات المفحوص حول متوسطه الخاص؛ ومتوسط المربعات داخل المفحوصين \(\text{MS}_W = \text{SS}_W/[n(k-1)]\) يعكس خطأ القياس أو عدم اتفاق المُقيِّمين.
  • نموذج التأثيرات العشوائية أحادي الاتجاه — النموذج الكامن وراء ICC(1,1): يُقيَّم كل مفحوص من قبل مجموعة (قد تكون مختلفة) من المُقيِّمين المختارين عشوائيًا، ويُنمذَج تأثير المفحوص فقط. وهو يجيب عن سؤال "ما مدى موثوقية تقييم مفرد من مُقيِّم مختار عشوائيًا؟"
  • القياسات المفردة مقابل القياسات المتوسطة — يُقدّر ICC القياسات المفردة موثوقية تقييم فردي واحد، بينما يُقدّر ICC القياسات المتوسطة موثوقية متوسط جميع التقييمات \(k\). وتكون قيمة القياسات المتوسطة دائمًا أعلى لأن أخذ المتوسط يقلّل من الخطأ.
  • التوافق / الموثوقية — الموثوقية هي نسبة التباين الكلي الناتجة عن الفروق الحقيقية بين المفحوصين؛ أما التوافق فيتطلب إضافةً إلى ذلك أن يعطي المُقيِّمون القيم المطلقة نفسها، لا مجرد ترتيب المفحوصين بشكل متسق. ويعكس ICC(1,1) التوافق المطلق في ظل النموذج أحادي الاتجاه.

الأسئلة الشائعة

ما القيمة الجيدة لمعامل ICC؟ يعدّ الدليل الشائع القيم الأقل من \(0.5\) ضعيفة، والقيم بين \(0.5\) و\(0.75\) متوسطة، وبين \(0.75\) و\(0.9\) جيدة، وما يزيد على \(0.9\) ممتازة.

أي نموذج ICC تعتمده هذه الحاسبة؟ تعتمد هذه الحاسبة نموذج التأثيرات العشوائية أحادية الاتجاه بقياس مفرد، أي \(\text{ICC}(1,1)\)، وهو مناسب عندما يُقيَّم كل مفحوص من قبل مجموعة مختلفة من المُقيّمين.

هل يمكن أن يكون ICC سالبًا؟ نعم. فعندما يتجاوز التباين داخل المفحوص التباينَ بين المفحوصين، قد تصبح قيمة ICC سالبة قليلًا، وهو ما يُفسَّر عادةً بعدم وجود توافق.

آخر تحديث:

الأكثر شيوعًا في الرياضيات والإحصاء

عرض جميع حاسبات الرياضيات والإحصاء