组内相关系数(ICC)

所属分类：相关性分析

这个方法是做什么的

判断多位评价者（或同一台仪器的多次测量）给同一批对象打的定量分数，彼此有多一致。它的本质是一个方差比例：分子是被评对象之间的真实差异，分母是真实差异加上测量误差。所以对象越同质、误差越大，ICC 越低。数据要摆成宽表——一行一个被评对象，一列一位评价者。

除了 ICC 值和 95% 置信区间，报告还给出整套“这个数字能不能信、该怎么用”的材料：判断前提是否成立的 F 检验（对象之间是否真的有差异）、评价者主效应检验（谁打分偏松偏紧）、完整的方差分解表、六个 ICC 型号的横向对照，以及换算回原始量纲的测量标准误 SEM 与最小可检测变化 MDC₉₅——后者告诉你个体前后两次评分要差多少，才能排除测量误差认定为真实变化。它还会用 Spearman-Brown 公式反推“要把信度提到 0.90 需要几位评价者”。

需要准备什么数据

• 放入[定量]评价者评分列：2~50 个，定量变量（数值）

数据要求

• 数据表至少 10 行。
• 单列缺失率不超过 20%。
• 不接受取值全都一样的列（零方差列没有可分析的变异）。

以上条目由系统从该方法的校验规则直接生成，与上传数据时的实际拦截规则一致。

什么时候用它

• 多位阅片医师、评审专家对同一批对象打连续分数，评估评分者间信度
• 同一份量表隔一段时间对同一批人施测两次，评估重测信度
• 同一台仪器对同一批样品重复测量，评估测量系统的重复性
• 正式评审开始前做人数规划：在现有信度水平下需要几位评委才够

前提是数据摆成宽表：一行一个被评对象，一列一位评价者，且所有评分列来自同一量表、同一量纲，不同尺度的分数不能混算。另外被评对象之间必须真的存在差异——如果卡① 的 F 检验不显著，说明这批对象本身几乎没有区分度，此时 ICC 趋近 0，反映的是“对象太同质”而不是“评价者不可靠”。下方数据要求里的行数下限是技术下限；信度研究通常建议至少 30 个对象，否则置信区间会宽到没法下结论。

什么时候不要用它

• 评价者给的是类别而不是分数（阳性 / 阴性 / 可疑，合格 / 不合格）：用「Kappa一致性检验」。
• 你只关心大家排出来的名次是否一致，不关心给分尺度（各位评委松紧差别很大，但谁好谁坏看法一致）：用「Kendall一致性检验」。注意它要求的表方向与本模块正好相反——那边一行是一位评分者、一列是一个被评价对象。
• 列是问卷题目而不是评价者，你想问的是一份量表内部若干道题是否在测同一个东西：用「信度分析」。
• 比较的是两种测量方法（新仪器与金标准、两个问卷版本）：ICC 只回答一致不一致，说不出偏差有多大、又随分数水平怎么变，用「Bland-Altman法」。
• 要把测量误差拆成零件、操作员与两者的交互（工业测量系统分析）：用「量具GageR&R(测量系统分析)」。
• 你要问的是“各评价者的平均分有没有差别”而不是“一致不一致”：那是差异性问题，用「重复测量方差分析」。

容易误读的地方

• ICC 有三种模型，报告里不写型号等于没报。 顶部的“ICC类型”下拉默认选中“双向随机 - 绝对一致 (ICC2)”，另两个选项是“双向混合 - 一致性 (ICC3)”和“单向随机 - 绝对一致 (ICC1)”。三者的区别只在于什么算误差：ICC(2,·) 把评价者视为从评价者总体中随机抽出，并把系统性偏倚计入误差（绝对一致）；ICC(3,·) 把这几位评价者视为固定的，不惩罚系统性偏倚（只看排序一致）；ICC(1,·) 只适用于“每个对象由不同的评价者评分”的设计。每种模型又各自输出“单个测量”与“平均测量”两行，所以第四张卡把六个型号一起列出来并标出本次选用的两行，就是为了让你看到模型选错会差多少。选型号不是挑数值大的，而是由你的设计决定：评价者是不是随机抽来的、你在不在乎打分宽严的系统偏差。
• “单个测量”和“平均测量”不能挑好看的那个报。 平均测量 ICC 必然不低于单个测量——它把 k 位评价者的平均分当成一次测量，误差被平均掉了一部分。差距可以很大：示例中单个测量 ICC = 0.884、平均测量 ICC = 0.958，一个落在“良好”档、一个落在“极好”档。报哪个取决于将来怎么用：今后由一个人独立打分，就必须报单个测量；今后确实使用这 k 位评价者的平均分，才可以报平均测量。
• 判断达标要看置信区间下限，不是点估计。 报告按 Koo & Li (2016) 的 0.5 / 0.75 / 0.9 三档给出信度等级，而这三档应当对照 95%CI 的下限做保守判断。对象数少的时候点估计可能很漂亮，区间却宽得跨了两档，这种结果不能写成“信度极好”。
• 主结果表里的 F 检验显著，不是“一致性好”的证据。 它的原假设是 ICC = 0，也就是被评对象之间毫无真实差异——这是个极低的门槛，只要对象有点区分度就会显著，和一致性高低没有关系。它的用途是反向的：F 不显著说明前提已经塌了，此时的 ICC 数值不必再解释。真正说明一致性的是 ICC 本身与它的区间。
• ICC 是这批样本的属性，跨研究比较之前必须先比样本的变异范围。 同一份量表用在更同质的人群上，ICC 必然更低，因为分子就是对象之间的真实方差。所以别人论文里报告的 ICC 不能直接搬来当自己数据的信度。还有一层边界：ICC 衡量的是一致性与可重复性，不是准确性——所有评价者完全可能一致地偏离真值，那种情况下 ICC 依然很高。要评估准不准，只能拿金标准来比。

报告里有什么

1. 输出结果一：数据概览与前提检验
2. 输出结果二：组内相关系数(ICC)主结果表
3. 输出结果三：一致性可视化
4. 输出结果四：效应量与测量精度分析
5. 输出结果五：结论与学术表述