ICC 통계 계산기로 무엇을 할 수 있나요
급내상관계수(ICC, Intraclass Correlation Coefficient)는 같은 집단에 속한 단위들이 서로 얼마나 닮아 있는지를 나타내는 지표입니다. 실무에서는 평점이나 반복 측정의 신뢰도를 수치로 보여 주는데, 전체 변동 가운데 측정 과정에서 생긴 잡음이 아니라 대상 간의 실제 차이에서 비롯된 부분이 얼마나 되는지를 알려 줍니다. 이 도구는 간단한 평점 행렬을 바탕으로 일원배치 확률효과 모형의 단일 측정 형태인 \(\text{ICC}(1,1)\) 값을 계산합니다.
사용 방법
한 줄에 대상(target) 하나씩 입력하고, 각 평가자의 점수나 반복 측정값은 공백 또는 쉼표로 구분하세요. 모든 행은 열 개수 \(k\)가 동일해야 합니다. 계산기는 ICC 값과 함께 대상 수 \(n\), 평가자 수 \(k\), 그리고 대상 간·대상 내 평균제곱을 함께 보여 줍니다.
공식 살펴보기
ICC는 분산분석(ANOVA)에서 출발합니다. 대상이 \(n\)개이고 각 대상마다 \(k\)번 측정했다고 할 때, 계산에 쓰이는 공식은 다음과 같습니다.
$$\text{ICC}(1,1) = \frac{MS_B - MS_W}{MS_B + (k-1)\,MS_W}$$
여기서 \(MS_B = \frac{SS_B}{n-1}\)는 대상 간 평균제곱이고, \(MS_W = \frac{SS_W}{n(k-1)}\)는 대상 내 평균제곱입니다. 값이 \(1\)에 가까울수록 일치도가 매우 뛰어난 것이고, \(0\)에 가까울수록 신뢰도가 낮다는 뜻입니다.
계산 예시
두 명의 평가자가 세 대상을 평가해 \((1,2)\), \((3,4)\), \((5,6)\)의 점수가 나왔다고 해 봅시다. 전체 평균은 \(3.5\)이고, 이때 \(MS_B = 8\), \(MS_W = 0.5\)가 되어 다음과 같이 계산됩니다.
$$\text{ICC} = \frac{8 - 0.5}{8 + (2-1)\times 0.5} = \frac{7.5}{8.5} \approx 0.882$$
\(0.88\)이라는 ICC 값은 두 평가자 사이의 신뢰도가 좋음에서 매우 좋음 수준임을 보여 줍니다.
ICC를 손으로 계산하는 방법
아래 공식은 ICC(1,1) — 일원 변량효과 모형(one-way random-effects model)에서 나오는 단일 측정 계수입니다. 이는 일반적인 통계 방법이며(특정 국가나 국가 표준에 얽매이지 않음), 신뢰도 및 일치도 연구에서 널리 사용됩니다. 각각 두 명의 평가자가 평가한 세 명의 피험자로 이루어진 작은 예제를 살펴봅니다: 평가값은 \((1,2)\), \((3,4)\), \((5,6)\)이므로, 피험자 \(n = 3\)명이고 평가자 \(k = 2\)명입니다.
-
행렬을 배열하고 전체 평균을 구합니다. 데이터를 한 행에 한 피험자, 한 열에 한 평가자가 오도록 배치한 다음, 모든 \(n\cdot k\)개의 값을 평균합니다.
$$\bar{x} = \frac{1+2+3+4+5+6}{6} = \frac{21}{6} = 3.5$$ -
각 피험자의 행 평균을 계산합니다.
$$\bar{x}_1 = \frac{1+2}{2} = 1.5,\qquad \bar{x}_2 = \frac{3+4}{2} = 3.5,\qquad \bar{x}_3 = \frac{5+6}{2} = 5.5$$ -
피험자 간 제곱합 \(\text{SS}_B = k\sum(\bar{x}_i - \bar{x})^2\):
$$\text{SS}_B = 2\left[(1.5-3.5)^2 + (3.5-3.5)^2 + (5.5-3.5)^2\right] = 2\left[4 + 0 + 4\right] = 16$$ -
피험자 내 제곱합 \(\text{SS}_W = \sum\sum (x_{ij} - \bar{x}_i)^2\), 각 값이 자신의 행 평균으로부터 벗어난 편차의 제곱을 합산합니다:
$$\text{SS}_W = \underbrace{(0.25+0.25)}_{\text{행 }1} + \underbrace{(0.25+0.25)}_{\text{행 }2} + \underbrace{(0.25+0.25)}_{\text{행 }3} = 1.5$$ -
자유도로 나누어 평균 제곱을 구하며, \(df_B = n-1\)과 \(df_W = n(k-1)\)을 사용합니다:
$$\text{MS}_B = \frac{\text{SS}_B}{n-1} = \frac{16}{3-1} = 8,\qquad \text{MS}_W = \frac{\text{SS}_W}{n(k-1)} = \frac{1.5}{3(2-1)} = 0.5$$ -
ICC(1,1) 공식에 대입합니다:
$$\text{ICC}(1,1) = \frac{\text{MS}_B - \text{MS}_W}{\text{MS}_B + (k-1)\,\text{MS}_W} = \frac{8 - 0.5}{8 + (2-1)(0.5)} = \frac{7.5}{8.5} \approx 0.882$$
이 데이터 집합에 대해 급내 상관계수는 0.882이며, 강한 일치를 나타냅니다 — 피험자 간의 변동성이 한 피험자의 반복 평가 내부의 변동성을 크게 초과합니다.
주요 용어 및 변수
- 급내 상관계수(ICC) — 같은 그룹 내의 측정값들이 서로 얼마나 강하게 닮았는지를 정량화하는 값(일반적으로 0과 1 사이); 평가자 간 또는 반복 측정 간의 일치도와 신뢰도를 평가하는 데 사용됩니다. 값이 높을수록 일관성이 큽니다.
- 피험자 / 대상 — 측정되는 객체(사람, 표본, 또는 항목). 평가 행렬에서 각 피험자는 하나의 행입니다.
- 평가자 — 평가값을 생성하는 사람, 도구, 또는 측정 시점. 각 평가자(또는 반복 측정)는 행렬의 하나의 열입니다.
- \(n\) (피험자 수) — 행렬의 행 개수, 즉 몇 개의 서로 다른 대상이 평가되었는지를 나타냅니다. 그 자유도는 \(n-1\)입니다.
- \(k\) (평가자 / 측정 수) — 열의 개수, 즉 각 피험자가 몇 개의 평가를 받았는지를 나타냅니다.
- \(\text{SS}_B\)와 \(\text{MS}_B\) (피험자 간) — \(\text{SS}_B = k\sum(\bar{x}_i-\bar{x})^2\)는 피험자들의 행 평균이 전체 평균으로부터 얼마나 다른지를 측정합니다; 피험자 간 평균 제곱 \(\text{MS}_B = \text{SS}_B/(n-1)\)은 피험자들 사이의 실제 차이를 포착합니다.
- \(\text{SS}_W\)와 \(\text{MS}_W\) (피험자 내) — \(\text{SS}_W = \sum\sum(x_{ij}-\bar{x}_i)^2\)는 한 피험자의 평가값들이 자신의 평균 주위로 얼마나 퍼져 있는지를 측정합니다; 피험자 내 평균 제곱 \(\text{MS}_W = \text{SS}_W/[n(k-1)]\)은 측정 오차 또는 평가자 간 불일치를 반영합니다.
- 일원 변량효과 모형 — ICC(1,1)의 기반이 되는 모형: 각 피험자는 무작위로 추출된 (아마도 서로 다른) 평가자 집합에 의해 평가되며, 오직 피험자 효과만 모형화됩니다. 이는 "무작위로 선택된 평가자의 단일 평가가 얼마나 신뢰할 수 있는가?"에 답합니다.
- 단일 측정 대 평균 측정 — 단일 측정 ICC는 하나의 개별 평가의 신뢰도를 추정하는 반면, 평균 측정 ICC는 \(k\)개의 모든 평가의 평균에 대한 신뢰도를 추정합니다. 평균 측정 값은 평균화가 오차를 줄이기 때문에 항상 더 높습니다.
- 일치도 / 신뢰도 — 신뢰도는 피험자 간의 실제 차이로 인한 총 분산의 비율입니다; 일치도는 추가로 평가자들이 단지 피험자의 순위를 일관되게 매기는 것뿐만 아니라 동일한 절대값을 부여할 것을 요구합니다. ICC(1,1)은 일원 모형 하에서의 절대 일치도를 반영합니다.
자주 묻는 질문
ICC 값은 어느 정도면 좋은 건가요? 일반적으로 \(0.5\) 미만은 낮음, \(0.5\)~\(0.75\)는 보통, \(0.75\)~\(0.9\)는 좋음, \(0.9\) 초과는 매우 좋음으로 해석합니다.
이 계산기는 어떤 ICC 모형을 사용하나요? 일원배치 확률효과 모형의 단일 측정 형태인 \(\text{ICC}(1,1)\)을 계산합니다. 대상마다 서로 다른 평가자 집단이 평가하는 상황에 적합합니다.
ICC 값이 음수가 될 수도 있나요? 네, 가능합니다. 대상 내 변동이 대상 간 변동보다 클 때 ICC는 약간 음수로 나올 수 있으며, 이는 보통 일치도가 없음을 뜻하는 것으로 해석합니다.