Il valore di un ICC pu\u00f2 variare da 0 a 1, dove 0 indica assenza di affidabilit\u00e0 tra i valutatori e 1 indica perfetta affidabilit\u00e0 tra i valutatori.<\/span><\/p>\n In poche parole, un ICC viene utilizzato per determinare se gli elementi (o gli argomenti) possono essere valutati in modo affidabile da valutatori diversi.<\/span><\/p>\n Esistono diverse versioni di un ICC che possono essere calcolate, a seconda dei seguenti tre fattori:<\/span><\/p>\n Ecco una breve descrizione dei tre diversi modelli<\/strong> :<\/span><\/p>\n 1. Modello a effetti casuali unidirezionali:<\/strong> questo modello presuppone che ciascun soggetto venga valutato da un gruppo diverso di valutatori selezionati casualmente. Con questo modello, i valutatori sono considerati la fonte degli effetti casuali. Questo modello \u00e8 usato raramente nella pratica perch\u00e9 lo stesso gruppo di valutatori viene generalmente utilizzato per valutare ciascuna materia.<\/span><\/p>\n 2. Modello a effetti casuali a due vie:<\/strong> questo modello presuppone che un gruppo di valutatori k<\/em> venga selezionato casualmente da una popolazione e quindi utilizzato per valutare i soggetti. Utilizzando questo modello, valutatori e soggetti sono considerati fonti di effetti casuali. Questo modello viene spesso utilizzato quando vogliamo generalizzare i nostri risultati a valutatori simili a quelli utilizzati nello studio.<\/span><\/p>\n 3. Modello a effetti misti a due vie:<\/strong> questo modello presuppone inoltre che un gruppo di valutatori k<\/em> venga selezionato casualmente da una popolazione e quindi utilizzato per valutare i soggetti. Tuttavia, questo modello presuppone che il gruppo di valutatori che abbiamo scelto siano gli unici<\/em> valutatori di interesse, il che significa che non desideriamo generalizzare i nostri risultati ad altri valutatori che potrebbero condividere caratteristiche simili ai valutatori utilizzati nello studio.<\/span><\/p>\n Ecco una breve descrizione dei due diversi tipi di relazioni<\/strong> che potremmo voler misurare:<\/span><\/p>\n 1. Coerenza:<\/strong> siamo interessati alle differenze sistematiche tra le valutazioni dei giudici (ad esempio, i giudici hanno valutato argomenti simili come bassi e alti?)<\/span><\/p>\n 2. Accordo assoluto:<\/strong> siamo interessati alle differenze assolute tra i punteggi dei giudici (ad esempio, qual \u00e8 la differenza assoluta tra i punteggi del giudice A e del giudice B?)<\/span><\/p>\n Ecco una breve descrizione delle due diverse unit\u00e0<\/strong> che potrebbero interessarci:<\/span><\/p>\n 1. Singolo revisore:<\/strong> desideriamo utilizzare le valutazioni di un singolo revisore come base per la misurazione.<\/span><\/p>\n 2. Media dei valutatori:<\/strong> vogliamo utilizzare la media dei punteggi di tutti i giudici come base per la misurazione.<\/span><\/p>\n Nota:<\/strong> se desideri misurare il livello di accordo tra due valutatori che mancano ciascuno degli elementi su un risultato dicotomico<\/a> , dovresti utilizzare invece il Kappa di Cohen<\/a> .<\/span><\/em><\/p>\n Ecco come interpretare il valore di un coefficiente di correlazione intraclasse, secondo Koo & Li<\/a> :<\/span><\/p>\n L’esempio seguente mostra come calcolare nella pratica un coefficiente di correlazione intraclasse.<\/span><\/p>\n Supponiamo che a quattro giudici diversi venga chiesto di valutare la qualit\u00e0 di 10 diversi esami di ammissione all’universit\u00e0. I risultati sono mostrati sotto:<\/span> <\/p>\n Supponiamo che i quattro giudici siano stati selezionati casualmente da una popolazione di giudici qualificati per l’esame di ammissione e di voler misurare l’accordo assoluto tra i giudici e di voler utilizzare i punteggi dal punto di vista di un solo valutatore come base della nostra misurazione.<\/span><\/p>\n Possiamo utilizzare il seguente codice in R per adattare un modello a effetti casuali a due vie<\/strong> , utilizzando l’ accordo assoluto<\/strong> come relazione tra i valutatori e utilizzando la singola<\/strong> unit\u00e0 come unit\u00e0 di interesse:<\/span><\/p>\n Il coefficiente di correlazione intraclasse (ICC) \u00e8 risultato pari a 0,782<\/strong> .<\/span><\/p>\n Sulla base delle regole pratiche per l’interpretazione dell’ICC, potremmo concludere che un ICC di 0,782<\/strong> indica che gli esami possono essere valutati con “buona” affidabilit\u00e0 da valutatori diversi.<\/span><\/p>\n I seguenti tutorial forniscono spiegazioni dettagliate su come calcolare l’ICC in diversi software statistici:<\/span><\/p>\n Come calcolare il coefficiente di correlazione intraclasse in Excel<\/a> Un coefficiente di correlazione intraclasse (ICC) viene utilizzato per misurare l’ affidabilit\u00e0 dei punteggi negli studi in cui sono presenti due o pi\u00f9 valutatori. Il valore di un ICC pu\u00f2 variare da 0 a 1, dove 0 indica assenza di affidabilit\u00e0 tra i valutatori e 1 indica perfetta affidabilit\u00e0 tra i valutatori. In poche parole, […]<\/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
Come interpretare il coefficiente di correlazione intraclasse<\/strong><\/span><\/h3>\n
\n
Esempio: Calcolo del coefficiente di correlazione intraclasse<\/strong><\/span><\/h3>\n
![\"Esempio](\"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 Risorse addizionali<\/strong><\/span><\/h3>\n
Come calcolare il coefficiente di correlazione intraclasse in R<\/a>
Come calcolare il coefficiente di correlazione intraclasse in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"