ICC सांख्यिकी कैलकुलेटर

ICC सांख्यिकी कैलकुलेटर

बढ़ रहा AI Skill PRO

गणना दर्ज करें

हर पंक्ति में एक विषय (टारगेट) दर्ज करें। हर रेटर या दोहराए गए माप के स्कोर को स्पेस या कॉमा से अलग करें। हर पंक्ति में कॉलम की संख्या समान होनी चाहिए।

सूत्र (फॉर्मूला)

ICC=MSB−MSWMSB+(k−1)MSWजहाँ{MSB=SSBn−1MSW=SSWn(k−1)n,k,SSB,SSW= से रेटिंग मैट्रिक्स\begin{gathered} \text{ICC} = \frac{\text{MSB} - \text{MSW}}{\text{MSB} + (k-1)\,\text{MSW}} \\[1.5em] \text{जहाँ}\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{ से } \text{रेटिंग मैट्रिक्स} \end{aligned} \right. \end{gathered}
उपयोग आँकड़े

विज्ञापन

परिणाम

इंट्राक्लास सहसंबंध गुणांक, ICC(1,1)
0.882
वन-वे रैंडम इफेक्ट्स, सिंगल मेज़र्स
प्रतिभागी (n) 3
रेटर्स / माप (k) 2
बिटवीन-सब्जेक्ट्स मीन स्क्वेयर (MS_B) 8.0000
विदिन-सब्जेक्ट्स मीन स्क्वेयर (MS_W) 0.5000

इस पेज पर त्रुटि की रिपोर्ट करें

यह ICC कैलकुलेटर क्या करता है

इंट्राक्लास सहसंबंध गुणांक (ICC) यह मापता है कि एक ही समूह की इकाइयाँ आपस में कितनी मिलती-जुलती हैं। व्यावहारिक रूप से यह रेटिंग्स या दोहराए गए मापों की विश्वसनीयता बताता है — यानी कुल भिन्नता का कितना हिस्सा विषयों के बीच के असली अंतर की वजह से है, न कि माप में आई गड़बड़ी (नॉइज़) की वजह से। यह टूल एक साधारण रेटिंग मैट्रिक्स से वन-वे रैंडम इफेक्ट्स, सिंगल-मेज़र्स फ़ॉर्म, \(\text{ICC}(1,1)\), की गणना करता है।

रेटिंग मैट्रिक्स ग्रिड जिसमें पंक्तियों में विषय और स्तंभों में मूल्यांकनकर्ता हैं
ICC एक रेटिंग मैट्रिक्स का उपयोग करता है जहाँ पंक्तियाँ विषय होती हैं और स्तंभ मूल्यांकनकर्ता या दोहराए गए मापन होते हैं।

इसका उपयोग कैसे करें

हर पंक्ति में एक विषय (टारगेट) दर्ज करें, और हर रेटर के स्कोर या दोहराए गए माप को स्पेस या कॉमा से अलग करें। हर पंक्ति में कॉलम \(k\) की संख्या समान होनी चाहिए। कैलकुलेटर ICC के साथ-साथ विषयों की संख्या \(n\), रेटर्स की संख्या \(k\), और बिटवीन- व विदिन-सब्जेक्ट्स मीन स्क्वेयर भी दिखाता है।

फ़ॉर्मूला की व्याख्या

ICC को वैरिएंस के विश्लेषण (ANOVA) से निकाला जाता है। \(n\) विषयों और प्रत्येक के \(k\) मापों के साथ, दिखाया गया फ़ॉर्मूला है:

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

यहाँ \(MS_B = \frac{SS_B}{n-1}\) बिटवीन-सब्जेक्ट्स मीन स्क्वेयर है और \(MS_W = \frac{SS_W}{n(k-1)}\) विदिन-सब्जेक्ट्स मीन स्क्वेयर है। \(1\) के आसपास के मान बेहतरीन सहमति दर्शाते हैं, जबकि \(0\) के आसपास के मान कमज़ोर विश्वसनीयता बताते हैं।

विज्ञापन
दो पैनल जो मूल्यांकनकर्ताओं के बीच उच्च सहमति बनाम निम्न सहमति दिखाते हैं
उच्च ICC मूल्यांकनकर्ताओं के बीच घनिष्ठ सहमति दर्शाता है; निम्न ICC व्यापक असहमति दर्शाता है।

हल किया हुआ उदाहरण

मान लीजिए दो रेटर्स ने तीन विषयों को रेट किया: \((1,2)\), \((3,4)\), \((5,6)\)। इनका ग्रैंड मीन \(3.5\) है। इससे \(MS_B = 8\) और \(MS_W = 0.5\) मिलता है, इसलिए:

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

\(0.88\) का ICC दोनों रेटर्स के बीच अच्छी से बेहतरीन विश्वसनीयता दर्शाता है।

ICC को हाथ से कैसे परिकलित करें

नीचे दिया गया सूत्र ICC(1,1) है — यह एक-मार्गी यादृच्छिक-प्रभाव मॉडल (one-way random-effects model) से प्राप्त एकल-माप गुणांक है। यह एक सामान्य सांख्यिकीय विधि है (किसी देश या राष्ट्रीय मानक से जुड़ी नहीं) और विश्वसनीयता तथा सहमति अध्ययनों में व्यापक रूप से प्रयोग होती है। हम एक छोटे उदाहरण पर काम करते हैं जिसमें तीन विषय हैं और प्रत्येक को दो मूल्यांककों द्वारा आंका गया है: आकलन \((1,2)\), \((3,4)\) और \((5,6)\) हैं, अतः \(n = 3\) विषय और \(k = 2\) मूल्यांकक।

  1. मैट्रिक्स को व्यवस्थित करें और महा-माध्य (grand mean) ज्ञात करें। डेटा को इस तरह रखें कि प्रत्येक पंक्ति में एक विषय हो और प्रत्येक स्तंभ में एक मूल्यांकक, फिर सभी \(n\cdot k\) मानों का औसत निकालें।

    $$\bar{x} = \frac{1+2+3+4+5+6}{6} = \frac{21}{6} = 3.5$$
  2. प्रत्येक विषय का पंक्ति-माध्य परिकलित करें।

    $$\bar{x}_1 = \frac{1+2}{2} = 1.5,\qquad \bar{x}_2 = \frac{3+4}{2} = 3.5,\qquad \bar{x}_3 = \frac{5+6}{2} = 5.5$$
  3. विषयों-के-बीच वर्गों का योग \(\text{SS}_B = k\sum(\bar{x}_i - \bar{x})^2\):

    $$\text{SS}_B = 2\left[(1.5-3.5)^2 + (3.5-3.5)^2 + (5.5-3.5)^2\right] = 2\left[4 + 0 + 4\right] = 16$$
  4. विषयों-के-भीतर वर्गों का योग \(\text{SS}_W = \sum\sum (x_{ij} - \bar{x}_i)^2\), प्रत्येक मान के उसकी अपनी पंक्ति-माध्य से विचलन के वर्गों को जोड़ते हुए:

    $$\text{SS}_W = \underbrace{(0.25+0.25)}_{\text{पंक्ति }1} + \underbrace{(0.25+0.25)}_{\text{पंक्ति }2} + \underbrace{(0.25+0.25)}_{\text{पंक्ति }3} = 1.5$$
  5. माध्य वर्ग (mean squares) प्राप्त करने के लिए स्वातंत्र्य कोटियों (degrees of freedom) से भाग दें, जहाँ \(df_B = n-1\) और \(df_W = n(k-1)\):

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

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

इस डेटा सेट के लिए अंतःश्रेणी सहसंबंध गुणांक (intraclass correlation coefficient) 0.882 है, जो प्रबल सहमति दर्शाता है — विषयों के बीच की परिवर्तनशीलता किसी विषय के दोहराए गए आकलनों के भीतर की परिवर्तनशीलता से काफी अधिक है।

विज्ञापन

मुख्य शब्द और चर

  • अंतःश्रेणी सहसंबंध गुणांक (ICC) — एक मान (आमतौर पर 0 और 1 के बीच) जो यह मापता है कि एक ही समूह के भीतर के माप एक-दूसरे से कितनी प्रबलता से मिलते-जुलते हैं; इसका उपयोग मूल्यांककों या दोहराए गए मापों के बीच सहमति और विश्वसनीयता आँकने के लिए होता है। उच्च मान अधिक संगतता दर्शाते हैं।
  • विषय / लक्ष्य — वह वस्तु जिसे मापा जा रहा है (एक व्यक्ति, नमूना, या वस्तु)। आकलन मैट्रिक्स में प्रत्येक विषय एक पंक्ति होता है।
  • मूल्यांकक — वह व्यक्ति, उपकरण, या माप का अवसर जो कोई आकलन उत्पन्न करता है। प्रत्येक मूल्यांकक (या दोहराया गया माप) मैट्रिक्स का एक स्तंभ होता है।
  • \(n\) (विषयों की संख्या) — मैट्रिक्स में पंक्तियों की गिनती, अर्थात् कितने भिन्न लक्ष्यों को आँका गया। इसकी स्वातंत्र्य कोटि \(n-1\) है।
  • \(k\) (मूल्यांककों / मापों की संख्या) — स्तंभों की गिनती, अर्थात् प्रत्येक विषय को कितने आकलन प्राप्त हुए।
  • \(\text{SS}_B\) और \(\text{MS}_B\) (विषयों-के-बीच) — \(\text{SS}_B = k\sum(\bar{x}_i-\bar{x})^2\) यह मापता है कि विषयों के पंक्ति-माध्य महा-माध्य से कितने भिन्न हैं; विषयों-के-बीच माध्य वर्ग \(\text{MS}_B = \text{SS}_B/(n-1)\) विषयों के बीच के वास्तविक अंतरों को दर्शाता है।
  • \(\text{SS}_W\) और \(\text{MS}_W\) (विषयों-के-भीतर) — \(\text{SS}_W = \sum\sum(x_{ij}-\bar{x}_i)^2\) किसी विषय के आकलनों का उसके अपने माध्य के इर्द-गिर्द फैलाव मापता है; विषयों-के-भीतर माध्य वर्ग \(\text{MS}_W = \text{SS}_W/[n(k-1)]\) माप त्रुटि या मूल्यांककों की असहमति को दर्शाता है।
  • एक-मार्गी यादृच्छिक-प्रभाव मॉडल — ICC(1,1) के पीछे का मॉडल: प्रत्येक विषय को यादृच्छिक रूप से चुने गए मूल्यांककों के एक (संभवतः भिन्न) समूह द्वारा आँका जाता है, और केवल विषय-प्रभाव को मॉडल किया जाता है। यह इस प्रश्न का उत्तर देता है कि "यादृच्छिक रूप से चुने गए मूल्यांकक द्वारा दिया गया एकल आकलन कितना विश्वसनीय है?"
  • एकल-माप बनाम औसत-माप — एकल-माप ICC एक व्यक्तिगत आकलन की विश्वसनीयता का अनुमान लगाता है, जबकि औसत-माप ICC सभी \(k\) आकलनों के माध्य की विश्वसनीयता का अनुमान लगाता है। औसत-माप मान हमेशा अधिक होता है क्योंकि औसत लेने से त्रुटि घटती है।
  • सहमति / विश्वसनीयता — विश्वसनीयता वह अनुपात है जो कुल प्रसरण में विषयों के बीच के वास्तविक अंतरों के कारण होता है; सहमति के लिए अतिरिक्त रूप से यह आवश्यक है कि मूल्यांकक समान निरपेक्ष मान दें, न कि केवल विषयों को संगत रूप से क्रमबद्ध करें। ICC(1,1) एक-मार्गी मॉडल के अंतर्गत निरपेक्ष सहमति को दर्शाता है।

अक्सर पूछे जाने वाले सवाल

अच्छा ICC मान कितना होता है? आम दिशानिर्देश के अनुसार \(0.5\) से नीचे के मान कमज़ोर, \(0.5\)–\(0.75\) मध्यम, \(0.75\)–\(0.9\) अच्छे, और \(0.9\) से ऊपर बेहतरीन माने जाते हैं।

यहाँ कौन-सा ICC मॉडल इस्तेमाल होता है? यह कैलकुलेटर वन-वे रैंडम इफेक्ट्स, सिंगल-मेज़र्स मॉडल, \(\text{ICC}(1,1)\), बताता है, जो तब उपयुक्त है जब हर विषय को अलग-अलग रेटर्स के समूह द्वारा रेट किया गया हो।

क्या ICC ऋणात्मक हो सकता है? हाँ। जब विदिन-सब्जेक्ट भिन्नता बिटवीन-सब्जेक्ट भिन्नता से ज़्यादा हो जाती है, तो ICC थोड़ा ऋणात्मक हो सकता है, जिसे आमतौर पर कोई सहमति न होने के रूप में समझा जाता है।

अंतिम अपडेट:

गणित और सांख्यिकी में सबसे लोकप्रिय

गणित और सांख्यिकी के सभी कैलकुलेटर देखें