2024年2月25日 (日) 06:23 RainW

2024-02-25T06:23:13Z

←上一版本		2024年2月25日 (日) 14:23的版本
第32行：		第32行：
	''intraclass correlation\|组内相关性''通常用于量化具有固定关联度（例如，同胞兄弟姐妹）的个体在定量特征上彼此相似的程度（参见[[heritability\|遗传性]]）。另一个重要的应用是评估不同观察者测量相同数量时的一致性或可重复性。		''intraclass correlation\|组内相关性''通常用于量化具有固定关联度（例如，同胞兄弟姐妹）的个体在定量特征上彼此相似的程度（参见[[heritability\|遗传性]]）。另一个重要的应用是评估不同观察者测量相同数量时的一致性或可重复性。

	== 早期ICC定义：无偏但复杂的公式 ==		== '''早期ICC定义：无偏但复杂的公式''' ==

	最早关于组内相关性的工作集中在成对测量的情况上，而首个被提出的组内相关性（ICC）统计量是[[Pearson product moment correlation coefficient\|类间相关性]]（皮尔逊相关性）的修改版。		最早关于组内相关性的工作集中在成对测量的情况上，而首个被提出的组内相关性（ICC）统计量是[[Pearson product moment correlation coefficient\|类间相关性]]（皮尔逊相关性）的修改版。
第74行：		第74行：
	对于来自完全噪声的人口数据，费舍尔的公式产生的ICC值分布在0附近，即有时为负。这是因为费舍尔设计了这个公式以使其无偏，因此其估计有时会过高估计，有时会低估。对于人口中的小或0底层值，从样本计算出的ICC可能为负。		对于来自完全噪声的人口数据，费舍尔的公式产生的ICC值分布在0附近，即有时为负。这是因为费舍尔设计了这个公式以使其无偏，因此其估计有时会过高估计，有时会低估。对于人口中的小或0底层值，从样本计算出的ICC可能为负。

	== 现代ICC定义：简化公式但正偏差 ==		== '''现代ICC定义：简化公式但正偏差''' ==

	从罗纳德·费舍尔开始，组内相关性已经在[[analysis of variance\|方差分析]]（ANOVA）的框架内被考虑，最近则在[[random effects model\|随机效应模型]]的框架内被考虑。已经提出了多种ICC估计器。大多数估计器可以根据随机效应模型定义		从罗纳德·费舍尔开始，组内相关性已经在[[analysis of variance\|方差分析]]（ANOVA）的框架内被考虑，最近则在[[random effects model\|随机效应模型]]的框架内被考虑。已经提出了多种ICC估计器。大多数估计器可以根据随机效应模型定义
第120行：		第120行：
	* {{Cite journal \| vauthors = McGraw KO, Wong SP \| title = 对McGraw和Wong（1996）的更正 \| journal = [[Psychological Methods]] \| volume = 1 \| issue = 4 \| pages = 390 \| year = 1996 \| doi = 10.1037/1082-989x.1.4.390 }}</ref>		* {{Cite journal \| vauthors = McGraw KO, Wong SP \| title = 对McGraw和Wong（1996）的更正 \| journal = [[Psychological Methods]] \| volume = 1 \| issue = 4 \| pages = 390 \| year = 1996 \| doi = 10.1037/1082-989x.1.4.390 }}</ref>

	==与皮尔逊相关系数的关系==		=='''与皮尔逊相关系数的关系'''==

	就其代数形式而言，费舍尔的原始ICC是最类似于[[Pearson product-moment correlation coefficient\|皮尔逊相关系数]]的ICC。两个统计量之间的一个关键差异是，在ICC中，数据使用汇总的均值和标准差进行中心化和缩放，而在皮尔逊相关系数中，每个变量都通过其自己的均值和标准差进行中心化和缩放。这种对ICC的汇总缩放是有意义的，因为所有测量都是相同的量（尽管是在不同组的单位上）。例如，在一组配对数据中，每个“对”是为两个单位（例如，称量一对同卵双胞胎中的每个孪生子）所做的单一测量，而不是为单一单位做两个不同的测量（例如，为每个个体测量身高和体重），ICC是比皮尔逊相关更自然的关联度量。		就其代数形式而言，费舍尔的原始ICC是最类似于[[Pearson product-moment correlation coefficient\|皮尔逊相关系数]]的ICC。两个统计量之间的一个关键差异是，在ICC中，数据使用汇总的均值和标准差进行中心化和缩放，而在皮尔逊相关系数中，每个变量都通过其自己的均值和标准差进行中心化和缩放。这种对ICC的汇总缩放是有意义的，因为所有测量都是相同的量（尽管是在不同组的单位上）。例如，在一组配对数据中，每个“对”是为两个单位（例如，称量一对同卵双胞胎中的每个孪生子）所做的单一测量，而不是为单一单位做两个不同的测量（例如，为每个个体测量身高和体重），ICC是比皮尔逊相关更自然的关联度量。
第126行：		第126行：
	皮尔逊相关的一个重要属性是，它对于对两个被比较变量应用的单独[[linear transformation\|线性变换]]是不变的。因此，如果我们正在关联‘[math]X[/math]’和‘[math]Y[/math]’，比如说，‘[math]Y[/math]’ = 2‘[math]X[/math]’ + 1，‘[math]X[/math]’和‘[math]Y[/math]’之间的皮尔逊相关系数是1 —— 一个完美的相关。对于ICC来说，这个属性没有意义，因为没有依据来决定哪种变换应用于组内的每个值。然而，如果所有组中的所有数据都受到相同的线性变换，那么ICC不会改变。		皮尔逊相关的一个重要属性是，它对于对两个被比较变量应用的单独[[linear transformation\|线性变换]]是不变的。因此，如果我们正在关联‘[math]X[/math]’和‘[math]Y[/math]’，比如说，‘[math]Y[/math]’ = 2‘[math]X[/math]’ + 1，‘[math]X[/math]’和‘[math]Y[/math]’之间的皮尔逊相关系数是1 —— 一个完美的相关。对于ICC来说，这个属性没有意义，因为没有依据来决定哪种变换应用于组内的每个值。然而，如果所有组中的所有数据都受到相同的线性变换，那么ICC不会改变。

	==观察者一致性评估中的应用==		=='''观察者一致性评估中的应用'''==

	ICC（类内相关系数）用于评估多个观察者测量相同数量时的一致性或符合性。<ref>{{cite journal \| vauthors = Shrout PE, Fleiss JL \| title = 类内相关性：评估评价者可靠性的应用 \| journal = 心理学公报 \| volume = 86 \| issue = 2 \| pages = 420–8 \| date = 1979年3月 \| pmid = 18839484 \| doi = 10.1037/0033-2909.86.2.420 }}</ref> 例如，如果请求几位医师对CT扫描结果进行癌症进展的评分，我们可以询问这些评分彼此之间的一致性。如果真相已知（例如，如果CT扫描是对随后接受探索性手术的患者进行的），那么重点通常是医师的评分与真相的匹配程度。如果真相未知，我们只能考虑评分之间的相似性。这个问题的一个重要方面是存在观察者间和观察者内的可变性。观察者间的可变性指的是观察者之间的系统性差异——例如，一位医师可能一贯地将患者评为比其他医师更高的风险等级。观察者内的可变性指的是特定观察者对特定患者的评分偏离，这些偏离不是系统性差异的一部分。		ICC（类内相关系数）用于评估多个观察者测量相同数量时的一致性或符合性。<ref>{{cite journal \| vauthors = Shrout PE, Fleiss JL \| title = 类内相关性：评估评价者可靠性的应用 \| journal = 心理学公报 \| volume = 86 \| issue = 2 \| pages = 420–8 \| date = 1979年3月 \| pmid = 18839484 \| doi = 10.1037/0033-2909.86.2.420 }}</ref> 例如，如果请求几位医师对CT扫描结果进行癌症进展的评分，我们可以询问这些评分彼此之间的一致性。如果真相已知（例如，如果CT扫描是对随后接受探索性手术的患者进行的），那么重点通常是医师的评分与真相的匹配程度。如果真相未知，我们只能考虑评分之间的相似性。这个问题的一个重要方面是存在观察者间和观察者内的可变性。观察者间的可变性指的是观察者之间的系统性差异——例如，一位医师可能一贯地将患者评为比其他医师更高的风险等级。观察者内的可变性指的是特定观察者对特定患者的评分偏离，这些偏离不是系统性差异的一部分。
第134行：		第134行：
	由于‘[math]类内相关系数[/math]’提供了观察者内和观察者间可变性的综合，当观察者不可交换时，其结果有时被认为难以解释。作为替代，提出了如科恩的[[kappa统计量]]、[[Fleiss kappa]]和[[一致性相关系数]]<ref>{{Cite journal \| vauthors = Nickerson CA \| title = 关于'评估可重复性的一致性相关系数'的注释 \| journal = [[生物统计学 (杂志)\|生物统计学]] \| volume = 53 \| pages = 1503–1507 \| date = 1997年12月 \| doi = 10.2307/2533516 \| issue = 4 \| jstor = 2533516 }}</ref>等其他度量方法，作为非可交换观察者间协议的更适合的度量。		由于‘[math]类内相关系数[/math]’提供了观察者内和观察者间可变性的综合，当观察者不可交换时，其结果有时被认为难以解释。作为替代，提出了如科恩的[[kappa统计量]]、[[Fleiss kappa]]和[[一致性相关系数]]<ref>{{Cite journal \| vauthors = Nickerson CA \| title = 关于'评估可重复性的一致性相关系数'的注释 \| journal = [[生物统计学 (杂志)\|生物统计学]] \| volume = 53 \| pages = 1503–1507 \| date = 1997年12月 \| doi = 10.2307/2533516 \| issue = 4 \| jstor = 2533516 }}</ref>等其他度量方法，作为非可交换观察者间协议的更适合的度量。

	==软件包中的计算==		=='''软件包中的计算'''==
	[[File:Intraclass correlation coefficient graph improved.svg\|right\|thumb\|400px\|应用于三种观察者一致性场景的不同类内相关系数定义。]]		[[File:Intraclass correlation coefficient graph improved.svg\|right\|thumb\|400px\|应用于三种观察者一致性场景的不同类内相关系数定义。]]

第186行：		第186行：
	Liljequist等人（2019）<ref>{{cite journal \| vauthors = Liljequist D, Elfving B, Skavberg Roaldsen K \| title = 等级内相关性 - 基本特征的讨论和演示 \| journal = PLOS ONE \| volume = 14 \| issue = 7 \| pages = e0219854 \| date = 2019 \| pmid = 31329615 \| doi = 10.1371/journal.pone.0219854 \| pmc = 6645485 \| doi-access = free }}</ref>也提供了对单一测量ICC的三个模型的概览和重新分析，以及它们使用的另一种方法。		Liljequist等人（2019）<ref>{{cite journal \| vauthors = Liljequist D, Elfving B, Skavberg Roaldsen K \| title = 等级内相关性 - 基本特征的讨论和演示 \| journal = PLOS ONE \| volume = 14 \| issue = 7 \| pages = e0219854 \| date = 2019 \| pmid = 31329615 \| doi = 10.1371/journal.pone.0219854 \| pmc = 6645485 \| doi-access = free }}</ref>也提供了对单一测量ICC的三个模型的概览和重新分析，以及它们使用的另一种方法。

	== 解释 ==		== '''解释''' ==
	Cicchetti（1994）<ref>{{Cite journal\| vauthors = Cicchetti DV \|title=评估心理学中规范化和标准化评估工具的指南、标准和经验法则。\|journal=Psychological Assessment\|volume=6\|issue=4\|date=1994\|pages=284–290\|doi=10.1037/1040-3590.6.4.284}}</ref>为[[Cohen's kappa\|kappa]]或ICC评估者间一致性测量提供了以下经常引用的解释指南：		Cicchetti（1994）<ref>{{Cite journal\| vauthors = Cicchetti DV \|title=评估心理学中规范化和标准化评估工具的指南、标准和经验法则。\|journal=Psychological Assessment\|volume=6\|issue=4\|date=1994\|pages=284–290\|doi=10.1037/1040-3590.6.4.284}}</ref>为[[Cohen's kappa\|kappa]]或ICC评估者间一致性测量提供了以下经常引用的解释指南：
	* 少于0.40—差。		* 少于0.40—差。

2024年2月25日 (日) 05:58 RainW

2024-02-25T05:58:36Z

显示更改

2024年1月19日 (五) 11:07 Zeroclanzhang

2024-01-19T11:07:05Z

←上一版本		2024年1月19日 (五) 19:07的版本
第7行：		第7行：
	\|productionstate={{图标文件\|Win}} / {{图标文件\|W10}} Win10及以上可用		\|productionstate={{图标文件\|Win}} / {{图标文件\|W10}} Win10及以上可用
	\|productionstatedesc=在[[Update:DecisionLinnc 1.0.2.0\|V1.0.2]]部署		\|productionstatedesc=在[[Update:DecisionLinnc 1.0.2.0\|V1.0.2]]部署
	\|nodeenglishname=~~[[Has english name::~~Intraclass Correlation Coefficient_Mixed]]		\|nodeenglishname=Intraclass Correlation Coefficient_Mixed
	\|abbreviation=~~[[Has abbreviation::~~ICCM]]		\|abbreviation=ICCM
	\|funcmaincategory=数据分析		\|funcmaincategory=数据分析
	\|funcsubcategory=[[DataAGM Lv1 Cat::相关分析]]		\|funcsubcategory=[[DataAGM Lv1 Cat::相关分析]]
第25行：		第25行：
	\|statsapewikiurl=https://wiki.statsape.com/组内相关系数_混合效应		\|statsapewikiurl=https://wiki.statsape.com/组内相关系数_混合效应
	\|previousnode=[[组内相关系数_随机效应]]		\|previousnode=[[组内相关系数_随机效应]]
	\|nextnode=[[~~多分类逻辑回归~~]]		\|nextnode=[[线性回归]]
	}}		}}

Zeroclanzhang：创建页面，内容为“{{Infobox nodebasic |nodename=组内相关系数_混合效应 |nodeimage=Intraclass Correlation Coefficient_Mixed.png |icon=Intraclass Correlation Coefficient_Mixed.svg |simpleicon=Intraclass Correlation Coefficient_Mixed_Pure.svg |developer=Dev.Team-DPS |productionstate={{图标文件|Win}} / {{图标文件|W10}} Win10及以上可用 |productionstatedesc=在V1.0.2部署 |nodeenglishname=Has english name::Intraclass Correlati…”

2024-01-18T14:10:03Z

创建页面，内容为“{{Infobox nodebasic |nodename=组内相关系数_混合效应 |nodeimage=Intraclass Correlation Coefficient_Mixed.png |icon=Intraclass Correlation Coefficient_Mixed.svg |simpleicon=Intraclass Correlation Coefficient_Mixed_Pure.svg |developer=Dev.Team-DPS |productionstate={{图标文件|Win}} / {{图标文件|W10}} Win10及以上可用 |productionstatedesc=在V1.0.2部署 |nodeenglishname=Has english name::Intraclass Correlati…”

新页面

{{Infobox nodebasic
|nodename=组内相关系数_混合效应
|nodeimage=Intraclass Correlation Coefficient_Mixed.png
|icon=Intraclass Correlation Coefficient_Mixed.svg
|simpleicon=Intraclass Correlation Coefficient_Mixed_Pure.svg
|developer=Dev.Team-DPS
|productionstate={{图标文件|Win}} / {{图标文件|W10}} Win10及以上可用
|productionstatedesc=在[[Update:DecisionLinnc 1.0.2.0|V1.0.2]]部署
|nodeenglishname=[[Has english name::Intraclass Correlation Coefficient_Mixed]]
|abbreviation=[[Has abbreviation::ICCM]]
|funcmaincategory=数据分析
|funcsubcategory=[[DataAGM Lv1 Cat::相关分析]]
|nodecategory=数据挖掘
|nodeinterpretor=R
|nodeshortdescription=组内相关系数是衡量和评价观察者间信度和复测信度的信度系数指标之一。也就是说常用于衡量某个指标在多次测量中的一致性或者相似性。该算法运用的是混合效应模型，当个体效应随机，各组之间效应固定时选用。用途：可以用来处理层次或嵌套数据结构。参数：选择多个连续型或离散型数值变量。
|nodeinputnumber=3
|nodeoutputnumber=2
|nodeloopsupport=是
|nodeifswitchsupport=否
|nodeavailableplotlist=PointPlot
|nodeavailabletablelist=Stats-Value;F-Value;df;P-Value;CI
|nodeconfiguration=VariableList;Text
|nodeinputports=WorkFlow-Control ➤;Transfer-Variable ◆;Transfer-Table ■
|nodeoutputports=WorkFlow-Control ➤;Transfer-Table ■
|statsapewikiurl=https://wiki.statsape.com/组内相关系数_混合效应
|previousnode=[[组内相关系数_随机效应]]
|nextnode=[[多分类逻辑回归]]
}}

{{Navplate AlgorithmNodeList}}

[[Category:相关分析]]

组内相关系数 混合效应 - 版本历史

2024年2月25日 (日) 06:23 RainW

2024年2月25日 (日) 05:58 RainW

2024年1月19日 (五) 11:07 Zeroclanzhang

组内相关系数混合效应 - 版本历史