Коэффициент внутриклассовой корреляции – описательная статистика, представляющая собой отношение дисперсии наблюдений к дисперсии ошибок (1):
&hide_Cookie=yes)
, (1)
где &hide_Cookie=yes)
– дисперсия наблюдений, &hide_Cookie=yes)
– дисперсия ошибок.
Если дисперсия ошибок равна или превышает интересующую дисперсию (например, дисперсию между испытуемыми), надежность метода низкая. Будет ли значение ICC достаточно хорошим, будет зависеть от используемой модификации ICC. Зависимость модификаций формулы ICC от допущений, принимаемых при планировании исследования, рассмотрена в таблице А.1.
Например, в случае, когда каждый из трех оценщиков дважды измерил всех 15 испытуемых, и для целей исследования важно не точное значение измерения, а лишь взаиморасположение 15 испытуемых между собой на основании произведенных измерений, при этом важно сохранить информацию о возможной разнице между измерителями, подходящей моделью будет ICC2 (C,1).
Функции для расчета коэффициента внутриклассовой корреляции доступны в составе статистических пакетов языков программирования R (пакеты performance 0.10.8, irr 0.84.1) и Python (библиотека pengouin 0.5.3), а также в составе программного обеспечения Stata и SPSS [13].
Таблица А.1. Зависимость модификаций формулы ICC от допущений, принимаемых при планировании исследования
| Односторонний или двусторонний коэффициент: ICC 1/2 (n, m) | Оценка согласованности или согласия: ICCx (C/A, m) | Единичный или средний коэффициент: ICCx (n, 1/k) |
| ICC 1 (n, m): оценщики назначаются испытуемым случайным образом | ICCx (C, m): согласованность – совпадение относительного расположения измерений друг относительно друга между разными оценщиками | ICCx (n, 1): надежность оценивается для случая единственного измерения испытуемого оценщиком |
| ICC 2 (n, m): все оценщики оценивают всех испытуемых | ICCx (A, m): согласие – абсолютное согласие измерений между оценщиками | ICCx (n, k): надежность оценивается для случая усреднения измерений испытуемого k-числом оценщиков |
| Примечание. Согласованность (C) ICC не может быть оценена в односторонней модели, поскольку нет способа разделить промежуточные и остаточные отклонения. |