ICC 组内相关系数计算器

ICC 组内相关系数计算器

新兴 AI Skill PRO

输入计算

每行输入一个被测对象(目标)。同一行内用空格或逗号分隔每位评分者的评分或每次重复测量的结果。每一行的列数必须相同。

数学公式

ICC=MSB−MSWMSB+(k−1)MSW其中{MSB=SSBn−1MSW=SSWn(k−1)n,k,SSB,SSW= 来自 评分矩阵\begin{gathered} \text{ICC} = \frac{\text{MSB} - \text{MSW}}{\text{MSB} + (k-1)\,\text{MSW}} \\[1.5em] \text{其中}\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{ 来自 } \text{评分矩阵} \end{aligned} \right. \end{gathered}
使用统计

广告

结果

组内相关系数(ICC(1,1))
0.882
单向随机效应,单次测量
被测对象数 (n) 3
评分者 / 测量次数 (k) 2
被测对象间均方 (MS_B) 8.0000
被测对象内均方 (MS_W) 0.5000

报告本页错误

这个 ICC 计算器能做什么

组内相关系数(ICC,intraclass correlation coefficient)用来衡量同一组内的各个单位彼此之间有多相似。在实际应用中,它反映的是评分或重复测量的信度:总变异中有多少来自被测对象之间真实存在的差异,而不是测量本身的噪声。本工具根据一个简单的评分矩阵,计算单向随机效应、单次测量形式的 \(\text{ICC}(1,1)\)。

评分矩阵网格,行为受试者,列为评分者
ICC 使用评分矩阵,其中行为受试者,列为评分者或重复测量。

如何使用

每行输入一个被测对象(目标),同一行内用空格或逗号分隔每位评分者的评分或每次重复测量的结果。每一行必须包含相同的列数 \(k\)。计算器会给出 ICC,以及被测对象数量 \(n\)、评分者数量 \(k\),还有被测对象间与被测对象内的均方。

公式详解

ICC 是在方差分析的基础上推导出来的。设有 \(n\) 个被测对象,每个对象各有 \(k\) 次测量,其计算公式为:

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

其中 \(MS_B = \frac{SS_B}{n-1}\) 是被测对象间均方,\(MS_W = \frac{SS_W}{n(k-1)}\) 是被测对象内均方。数值接近 \(1\) 表示一致性极佳,接近 \(0\) 则说明信度很差。

广告
两个面板,展示评分者之间的高度一致与低度一致
ICC 高表示评分者之间高度一致;ICC 低表示分歧较大。

实例演算

以三个被测对象、两位评分者为例:\((1,2)\)、\((3,4)\)、\((5,6)\)。总平均值为 \(3.5\)。由此得到 \(MS_B = 8\) 与 \(MS_W = 0.5\),于是:

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

\(0.88\) 的 ICC 表明这两位评分者之间的信度处于良好到极佳之间。

Как вычислить ICC вручную

Приведённая ниже формула — это ICC(1,1) — коэффициент для одиночных измерений из однофакторной модели со случайными эффектами. Это общий статистический метод (не привязанный к какой-либо стране или национальному стандарту), широко применяемый в исследованиях надёжности и согласованности. Разберём небольшой пример с тремя объектами, каждый из которых оценивается двумя экспертами: оценки составляют \((1,2)\), \((3,4)\) и \((5,6)\), поэтому \(n = 3\) объекта и \(k = 2\) эксперта.

  1. Составьте матрицу и найдите общее среднее. Разместите данные так, чтобы один объект приходился на строку, а один эксперт — на столбец, затем усредните все \(n\cdot k\) значений.

    $$\bar{x} = \frac{1+2+3+4+5+6}{6} = \frac{21}{6} = 3.5$$
  2. Вычислите среднее по строке для каждого объекта.

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

    $$\text{SS}_B = 2\left[(1.5-3.5)^2 + (3.5-3.5)^2 + (5.5-3.5)^2\right] = 2\left[4 + 0 + 4\right] = 16$$
  4. Внутрисубъектная сумма квадратов \(\text{SS}_W = \sum\sum (x_{ij} - \bar{x}_i)^2\), суммируя квадраты отклонений каждого значения от среднего по своей строке:

    $$\text{SS}_W = \underbrace{(0.25+0.25)}_{\text{строка }1} + \underbrace{(0.25+0.25)}_{\text{строка }2} + \underbrace{(0.25+0.25)}_{\text{строка }3} = 1.5$$
  5. Разделите на число степеней свободы, чтобы получить средние квадраты, используя \(df_B = n-1\) и \(df_W = n(k-1)\):

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

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

Для этого набора данных внутриклассовый коэффициент корреляции равен 0.882, что указывает на высокую согласованность — изменчивость между объектами значительно превышает изменчивость внутри повторных оценок одного объекта.

广告

Ключевые термины и переменные

  • Внутриклассовый коэффициент корреляции (ICC) — значение (обычно от 0 до 1), которое количественно определяет, насколько сильно измерения внутри одной и той же группы похожи друг на друга; используется для оценки согласованности и надёжности между экспертами или повторными измерениями. Более высокие значения означают большую согласованность.
  • Объект / цель — то, что измеряется (человек, образец или предмет). В матрице оценок каждый объект — это одна строка.
  • Эксперт — человек, прибор или случай измерения, который выдаёт оценку. Каждый эксперт (или повторное измерение) — это один столбец матрицы.
  • \(n\) (число объектов) — количество строк в матрице, то есть сколько различных целей было оценено. Число его степеней свободы равно \(n-1\).
  • \(k\) (число экспертов / измерений) — количество столбцов, то есть сколько оценок получил каждый объект.
  • \(\text{SS}_B\) и \(\text{MS}_B\) (межсубъектные) — \(\text{SS}_B = k\sum(\bar{x}_i-\bar{x})^2\) измеряет, насколько средние по строкам объектов отличаются от общего среднего; межсубъектный средний квадрат \(\text{MS}_B = \text{SS}_B/(n-1)\) отражает истинные различия между объектами.
  • \(\text{SS}_W\) и \(\text{MS}_W\) (внутрисубъектные) — \(\text{SS}_W = \sum\sum(x_{ij}-\bar{x}_i)^2\) измеряет разброс оценок объекта вокруг его собственного среднего; внутрисубъектный средний квадрат \(\text{MS}_W = \text{SS}_W/[n(k-1)]\) отражает погрешность измерения или расхождение между экспертами.
  • Однофакторная модель со случайными эффектами — модель, лежащая в основе ICC(1,1): каждый объект оценивается (возможно, разным) набором экспертов, выбранных случайным образом, и моделируется только эффект объекта. Она отвечает на вопрос «насколько надёжна отдельная оценка от случайно выбранного эксперта?»
  • Одиночные измерения против усреднённых измерений — ICC для одиночных измерений оценивает надёжность одной отдельной оценки, тогда как ICC для усреднённых измерений оценивает надёжность среднего всех \(k\) оценок. Значение для усреднённых измерений всегда выше, потому что усреднение снижает погрешность.
  • Согласованность / надёжность — надёжность — это доля общей дисперсии, обусловленная истинными различиями между объектами; согласованность дополнительно требует, чтобы эксперты давали одинаковые абсолютные значения, а не просто последовательно ранжировали объекты. ICC(1,1) отражает абсолютную согласованность в рамках однофакторной модели.

常见问题

ICC 多大才算好?常见的判断标准是:低于 \(0.5\) 为较差,\(0.5\)–\(0.75\) 为中等,\(0.75\)–\(0.9\) 为良好,高于 \(0.9\) 为极佳。

这里用的是哪种 ICC 模型?本计算器给出的是单向随机效应、单次测量模型 \(\text{ICC}(1,1)\),适用于每个被测对象由不同评分者组进行评分的情形。

ICC 可能是负数吗?可能。当被测对象内变异超过对象间变异时,ICC 可能略为负值,通常将其解读为完全不存在一致性。

最后更新:

数学和统计热门计算器

查看全部数学和统计计算器