如何用python计算类内相关系数

类内相关系数(ICC) 用于确定不同评分者是否可以对项目或主题进行可靠评分。

ICC 的值范围为 0 到 1，其中 0 表示评分者没有可靠性，1 表示完全可靠性。

在Python中计算ICC的最简单方法是使用penguin统计包中的penguin.intraclass_corr()函数，该函数使用以下语法：

pengouin.intraclass_corr（数据，目标，评估者，成绩）

金子：

• data：数据框的名称
• 目标：包含“目标”的列的名称（要注意的事项）
• 审阅者：包含审阅者的列的名称
• 注释：包含注释的列的名称

本教程提供了使用此功能的实际示例。

第1步：安装企鹅

首先，你需要安装企鹅：

 pip install penguin

第 2 步：创建数据

假设要求四位不同的法官评估六次不同的高考质量。我们可以创建以下数据框来保存评委的分数：

 import pandas as pd

#createDataFrame
df = pd. DataFrame ({' exam ': [1, 2, 3, 4, 5, 6, 1, 2, 3, 4, 5, 6,
                            1, 2, 3, 4, 5, 6, 1, 2, 3, 4, 5, 6],
                   ' judge ': ['A', 'A', 'A', 'A', 'A', 'A',
                             'B', 'B', 'B', 'B', 'B', 'B',
                             'C', 'C', 'C', 'C', 'C', 'C',
                             'D', 'D', 'D', 'D', 'D', 'D'],
                   ' rating ': [1, 1, 3, 6, 6, 7, 2, 3, 8, 4, 5, 5,
                              0, 4, 1, 5, 5, 6, 1, 2, 3, 3, 6, 4]})

#view first five rows of DataFrame
df. head ()

	exam judge rating
0 1 A 1
1 2 A 1
2 3 A 3
3 4 To 6
4 5 A 6

步骤3：计算类内相关系数

接下来，我们将使用以下代码来计算类内相关系数：

 import penguin as pg

icc = pg. intraclass_corr (data=df, targets=' exam ', raters=' judge ', ratings=' rating ')

icc. set_index (' Type ')

        Description ICC F df1 df2 pval CI95%
Kind							
ICC1 Single raters absolute 0.505252 5.084916 5 18 0.004430 [0.11, 0.89]
ICC2 Single random raters 0.503054 4.909385 5 15 0.007352 [0.1, 0.89]
ICC3 Single fixed raters 0.494272 4.909385 5 15 0.007352 [0.09, 0.88]
ICC1k Average raters absolute 0.803340 5.084916 5 18 0.004430 [0.33, 0.97]
ICC2k Average random raters 0.801947 4.909385 5 15 0.007352 [0.31, 0.97]
ICC3k Average fixed raters 0.796309 4.909385 5 15 0.007352 [0.27, 0.97]

该函数返回以下结果：

• 说明：计算的ICC类型
• ICC：组内相关系数 (ICC)
• F： ICC的F值
• df1、df2：与值 F 相关的自由度
• pval：与F值相关的p值
• CI95%： ICC 的 95% 置信区间

请注意，此处计算了六种不同的 ICC。事实上，基于以下假设，有多种方法可以计算 ICC：

• 模型：单向随机效应、双向随机效应或双向混合效应
• 关系类型：一致性或绝对一致
• 单位：单个评估者或评估者的平均值

有关这些假设的详细解释，请参阅这篇文章。