Der Wert eines ICC kann zwischen 0 und 1 liegen, wobei 0 f\u00fcr keine Zuverl\u00e4ssigkeit unter den Bewertern steht und 1 f\u00fcr vollkommene Zuverl\u00e4ssigkeit unter den Bewertern.<\/span><\/p>\n Einfach ausgedr\u00fcckt wird ein ICC verwendet, um festzustellen, ob Artikel (oder Themen) von verschiedenen Bewertern zuverl\u00e4ssig bewertet werden k\u00f6nnen.<\/span><\/p>\n Es gibt verschiedene Versionen eines ICC, die abh\u00e4ngig von den folgenden drei Faktoren berechnet werden k\u00f6nnen:<\/span><\/p>\n Hier eine kurze Beschreibung der drei verschiedenen Modelle<\/strong> :<\/span><\/p>\n 1. Einweg-Random-Effects-Modell:<\/strong> Dieses Modell geht davon aus, dass jeder Proband von einer anderen Gruppe zuf\u00e4llig ausgew\u00e4hlter Bewerter bewertet wird. Bei diesem Modell werden Bewerter als Quelle zuf\u00e4lliger Effekte betrachtet. Dieses Modell wird in der Praxis selten angewendet, da f\u00fcr die Beurteilung jedes Fachs im Allgemeinen dieselbe Gruppe von Pr\u00fcfern eingesetzt wird.<\/span><\/p>\n 2. Zwei-Wege-Zufallseffektmodell:<\/strong> Dieses Modell geht davon aus, dass eine Gruppe von Bewertern k<\/em> zuf\u00e4llig aus einer Population ausgew\u00e4hlt und dann zur Bewertung der Probanden verwendet wird. Bei diesem Modell werden Bewerter und Probanden als Quellen zuf\u00e4lliger Effekte betrachtet. Dieses Modell wird h\u00e4ufig verwendet, wenn wir unsere Ergebnisse auf Bewerter \u00fcbertragen m\u00f6chten, die denen in der Studie \u00e4hneln.<\/span><\/p>\n 3. Zwei-Wege-Mixed-Effects-Modell:<\/strong> Dieses Modell geht au\u00dferdem davon aus, dass eine Gruppe von Bewertern k<\/em> zuf\u00e4llig aus einer Population ausgew\u00e4hlt und dann zur Bewertung der Probanden verwendet wird. Dieses Modell geht jedoch davon aus, dass die von uns ausgew\u00e4hlte Gruppe von Bewertern die einzigen<\/em> Bewerter ist, die von Interesse sind. Das bedeutet, dass wir unsere Ergebnisse nicht auf andere Bewerter \u00fcbertragen m\u00f6chten, die m\u00f6glicherweise \u00e4hnliche Merkmale wie die in der Studie verwendeten Bewerter aufweisen.<\/span><\/p>\n Hier ist eine kurze Beschreibung der beiden verschiedenen Arten von Beziehungen,<\/strong> die wir messen m\u00f6chten:<\/span><\/p>\n 1. Konsistenz:<\/strong> Wir sind an systematischen Unterschieden zwischen den Bewertungen der Richter interessiert (z. B. haben Richter \u00e4hnliche Themen als niedrig und hoch bewertet?)<\/span><\/p>\n 2. Absolute \u00dcbereinstimmung:<\/strong> Uns interessieren die absoluten Unterschiede zwischen den Wertungen der Richter (z. B. was ist der absolute Unterschied zwischen den Werten von Richter A und Richter B?)<\/span><\/p>\n Hier ist eine kurze Beschreibung der beiden verschiedenen Einheiten<\/strong> , die uns interessieren k\u00f6nnten:<\/span><\/p>\n 1. Einzelner Rezensent:<\/strong> Wir m\u00f6chten nur die Bewertungen eines einzelnen Rezensenten als Grundlage f\u00fcr die Messung verwenden.<\/span><\/p>\n 2. Bewerterdurchschnitt:<\/strong> Als Grundlage f\u00fcr die Messung wollen wir den Durchschnitt aller Bewertungen der Juroren verwenden.<\/span><\/p>\n Hinweis:<\/strong> Wenn Sie den Grad der \u00dcbereinstimmung zwischen zwei Bewertern messen m\u00f6chten, die bei einem dichotomen Ergebnis<\/a> jedes der Elemente verfehlen, sollten Sie stattdessen Cohens Kappa<\/a> verwenden.<\/span><\/em><\/p>\n So interpretieren Sie den Wert eines klasseninternen Korrelationskoeffizienten nach Koo & Li<\/a> :<\/span><\/p>\n Das folgende Beispiel zeigt, wie ein Intraclass-Korrelationskoeffizient in der Praxis berechnet wird.<\/span><\/p>\n Angenommen, vier verschiedene Richter werden gebeten, die Qualit\u00e4t von zehn verschiedenen Hochschulaufnahmepr\u00fcfungen zu bewerten. Die Ergebnisse sind unten dargestellt:<\/span> <\/p>\n Angenommen, die vier Richter wurden zuf\u00e4llig aus einer Gruppe qualifizierter Richter f\u00fcr die Aufnahmepr\u00fcfung ausgew\u00e4hlt und wir wollten die absolute \u00dcbereinstimmung zwischen den Richtern messen und die Ergebnisse aus der Perspektive nur eines Bewerters als Grundlage f\u00fcr unsere Messung verwenden.<\/span><\/p>\n Wir k\u00f6nnen den folgenden Code in R verwenden, um ein bidirektionales Zufallseffektmodell<\/strong> anzupassen, indem wir die absolute \u00dcbereinstimmung<\/strong> als Beziehung zwischen den Bewertern und die einzelne<\/strong> Einheit als interessierende Einheit verwenden:<\/span><\/p>\n Der klasseninterne Korrelationskoeffizient (ICC) betrug 0,782<\/strong> .<\/span><\/p>\n Basierend auf den Faustregeln zur Interpretation des ICC w\u00fcrden wir zu dem Schluss kommen, dass ein ICC von 0,782<\/strong> darauf hinweist, dass Pr\u00fcfungen von verschiedenen Bewertern mit \u201eguter\u201c Zuverl\u00e4ssigkeit bewertet werden k\u00f6nnen.<\/span><\/p>\n Die folgenden Tutorials bieten detaillierte Erkl\u00e4rungen zur Berechnung des ICC in verschiedenen Statistiksoftware:<\/span><\/p>\n So berechnen Sie den klasseninternen Korrelationskoeffizienten in Excel<\/a> Ein Intraclass-Korrelationskoeffizient (ICC) wird verwendet, um die Zuverl\u00e4ssigkeit der Ergebnisse in Studien zu messen, in denen es zwei oder mehr Bewerter gibt. Der Wert eines ICC kann zwischen 0 und 1 liegen, wobei 0 f\u00fcr keine Zuverl\u00e4ssigkeit unter den Bewertern steht und 1 f\u00fcr vollkommene Zuverl\u00e4ssigkeit unter den Bewertern. Einfach ausgedr\u00fcckt wird ein ICC verwendet, […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
So interpretieren Sie den Intraclass-Korrelationskoeffizienten<\/strong><\/span><\/h3>\n
\n
Beispiel: Berechnung des Intraclass-Korrelationskoeffizienten<\/strong><\/span><\/h3>\n
![\"Beispiel](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/icc1.png\")
<\/p>\n #load the interrater reliability package<\/span>\nlibrary<\/span> (irr)\n\n#define data\n<\/span>data <- data. frame<\/span> (A=c(1, 1, 3, 6, 6, 7, 8, 9, 8, 7),\n B=c(2, 3, 8, 4, 5, 5, 7, 9, 8, 8),\n C=c(0, 4, 1, 5, 5, 6, 6, 9, 8, 8),\n D=c(1, 2, 3, 3, 6, 4, 6, 8, 8, 9))\n\n#calculate ICC\n<\/span>icc(data, model = \" twoway<\/span> \", type = \" agreement<\/span> \", unit = \" single<\/span> \")\n\n Model: twoway \n Type: agreement \n\n Subjects = 10 \n Failures = 4 \n ICC(A,1) = 0.782\n\n F-Test, H0: r0 = 0; H1: r0 > 0 \n F(9.30) = 15.3, p = 5.93e-09 \n\n 95%-Confidence Interval for ICC Population Values:\n 0.554 < ICC < 0.931<\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So berechnen Sie den klasseninternen Korrelationskoeffizienten in R<\/a>
So berechnen Sie den klasseninternen Korrelationskoeffizienten in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"