De waarde van een ICC kan vari\u00ebren van 0 tot 1, waarbij 0 duidt op geen betrouwbaarheid onder de beoordelaars en 1 op perfecte betrouwbaarheid onder de beoordelaars.<\/span><\/p>\n Simpel gezegd wordt een ICC gebruikt om te bepalen of items (of onderwerpen) betrouwbaar kunnen worden beoordeeld door verschillende beoordelaars.<\/span><\/p>\n Er zijn verschillende versies van een ICC die kunnen worden berekend, afhankelijk van de volgende drie factoren:<\/span><\/p>\n Hier volgt een korte beschrijving van de drie verschillende modellen<\/strong> :<\/span><\/p>\n 1. Model met willekeurige effecten in \u00e9\u00e9n richting:<\/strong> Dit model gaat ervan uit dat elk onderwerp wordt ge\u00ebvalueerd door een andere groep willekeurig geselecteerde beoordelaars. Met dit model worden beoordelaars beschouwd als de bron van willekeurige effecten. Dit model wordt in de praktijk zelden gebruikt, omdat voor elk onderwerp doorgaans dezelfde groep beoordelaars wordt gebruikt.<\/span><\/p>\n 2. Tweerichtingsmodel met willekeurige effecten:<\/strong> Dit model gaat ervan uit dat een groep beoordelaars k<\/em> willekeurig wordt geselecteerd uit een populatie en vervolgens wordt gebruikt om de proefpersonen te beoordelen. Met behulp van dit model worden beoordelaars en proefpersonen beschouwd als bronnen van willekeurige effecten. Dit model wordt vaak gebruikt als we onze resultaten willen generaliseren naar beoordelaars die vergelijkbaar zijn met de beoordelaars die in het onderzoek zijn gebruikt.<\/span><\/p>\n 3. Tweerichtingsmodel met gemengde effecten:<\/strong> Dit model gaat er ook van uit dat een groep beoordelaars k<\/em> willekeurig wordt geselecteerd uit een populatie en vervolgens wordt gebruikt om de proefpersonen te beoordelen. Dit model gaat er echter van uit dat de groep beoordelaars die we hebben gekozen de enige<\/em> beoordelaars zijn die van belang zijn, wat betekent dat we onze resultaten niet willen generaliseren naar andere beoordelaars die mogelijk ook soortgelijke kenmerken delen als de beoordelaars die in het onderzoek zijn gebruikt.<\/span><\/p>\n Hier volgt een korte beschrijving van de twee verschillende soorten relaties<\/strong> die we mogelijk willen meten:<\/span><\/p>\n 1. Consistentie:<\/strong> We zijn ge\u00efnteresseerd in systematische verschillen tussen de beoordelingen van juryleden (beoordeelden juryleden bijvoorbeeld vergelijkbare onderwerpen als laag en hoog?)<\/span><\/p>\n 2. Absolute overeenstemming:<\/strong> we zijn ge\u00efnteresseerd in de absolute verschillen tussen de scores van de juryleden (wat is bijvoorbeeld het absolute verschil tussen de scores van jurylid A en jurylid B?)<\/span><\/p>\n Hier is een korte beschrijving van de twee verschillende eenheden<\/strong> die ons mogelijk interesseren:<\/span><\/p>\n 1. E\u00e9n recensent:<\/strong> We willen de beoordelingen van slechts \u00e9\u00e9n recensent gebruiken als basis voor metingen.<\/span><\/p>\n 2. Gemiddelde beoordelaar:<\/strong> We willen het gemiddelde van de scores van alle juryleden gebruiken als basis voor de meting.<\/span><\/p>\n Opmerking:<\/strong> als u de mate van overeenstemming wilt meten tussen twee beoordelaars die elk van de items over een dichotome uitkomst<\/a> missen, moet u in plaats daarvan Cohen’s Kappa<\/a> gebruiken.<\/span><\/em><\/p>\n Zo interpreteer je de waarde van een correlatieco\u00ebffici\u00ebnt tussen klassen, volgens Koo & Li<\/a> :<\/span><\/p>\n Het volgende voorbeeld laat zien hoe u in de praktijk een correlatieco\u00ebffici\u00ebnt binnen een klasse kunt berekenen.<\/span><\/p>\n Stel dat aan vier verschillende juryleden wordt gevraagd de kwaliteit van tien verschillende toelatingsexamens voor universiteiten te beoordelen. De resultaten worden hieronder weergegeven:<\/span> <\/p>\n Stel dat de vier juryleden willekeurig werden geselecteerd uit een populatie van gekwalificeerde juryleden voor het toelatingsexamen en we de absolute overeenstemming tussen de juryleden wilden meten en we de scores vanuit het perspectief van slechts \u00e9\u00e9n beoordelaar als basis voor onze meting wilden gebruiken.<\/span><\/p>\n We kunnen de volgende code in R gebruiken om een tweerichtingsmodel voor willekeurige effecten<\/strong> te passen, waarbij absolute overeenstemming<\/strong> wordt gebruikt als de relatie tussen beoordelaars en de enkele<\/strong> eenheid wordt gebruikt als de eenheid van belang:<\/span><\/p>\n De intraclasscorrelatieco\u00ebffici\u00ebnt (ICC) bleek 0,782<\/strong> te zijn.<\/span><\/p>\n Op basis van de vuistregels voor de interpretatie van de ICC zouden we kunnen concluderen dat een ICC van 0,782<\/strong> aangeeft dat examens door verschillende beoordelaars met \u201cgoede\u201d betrouwbaarheid kunnen worden gescoord.<\/span><\/p>\n De volgende tutorials bieden gedetailleerde uitleg over het berekenen van ICC in verschillende statistische software:<\/span><\/p>\n Hoe de intraclass-correlatieco\u00ebffici\u00ebnt in Excel te berekenen<\/a> Een intraclass correlatieco\u00ebffici\u00ebnt (ICC) wordt gebruikt om de betrouwbaarheid van scores te meten in onderzoeken waarbij er twee of meer beoordelaars zijn. De waarde van een ICC kan vari\u00ebren van 0 tot 1, waarbij 0 duidt op geen betrouwbaarheid onder de beoordelaars en 1 op perfecte betrouwbaarheid onder de beoordelaars. Simpel gezegd wordt een ICC […]<\/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":[],"class_list":["post-1536","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
Hoe de intraklasse-correlatieco\u00ebffici\u00ebnt te interpreteren<\/strong><\/span><\/h3>\n
\n
Voorbeeld: Berekening van de intraklasse-correlatieco\u00ebffici\u00ebnt<\/strong><\/span><\/h3>\n
![\"Voorbeeld](\"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 Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe de intraklasse-correlatieco\u00ebffici\u00ebnt in R te berekenen<\/a>
Hoe de intraclass-correlatieco\u00ebffici\u00ebnt in Python te berekenen<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"