Jak obliczyć współczynnik korelacji wewnątrzklasowej w pythonie

Współczynnik korelacji wewnątrzklasowej (ICC) służy do określenia, czy pozycje lub tematy mogą być wiarygodnie ocenione przez różnych oceniających.

Wartość ICC może mieścić się w przedziale od 0 do 1, gdzie 0 oznacza brak wiarygodności wśród oceniających, a 1 oznacza doskonałą niezawodność.

Najłatwiejszym sposobem obliczenia ICC w Pythonie jest użycie funkcji penguin.intraclass_corr() z pakietu statystyk penguin , która wykorzystuje następującą składnię:

pengouin.intraclass_corr(dane, cele, osoby oceniające, oceny)

Złoto:

• dane: nazwa ramki danych
• cele: Nazwa kolumny zawierającej „cele” (rzeczy odnotowane)
• recenzenci: Nazwa kolumny zawierającej recenzentów
• notatki: Nazwa kolumny zawierającej uwagi

W tym samouczku przedstawiono praktyczny przykład użycia tej funkcji.

Krok 1: Zainstaluj Penguina

Przede wszystkim musisz zainstalować Penguina:

 pip install penguin

Krok 2: Utwórz dane

Załóżmy, że czterech różnych sędziów zostaje poproszonych o ocenę jakości sześciu różnych egzaminów wstępnych na studia. Możemy utworzyć następującą ramkę danych do przechowywania ocen sędziów:

 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

Krok 3: Oblicz współczynnik korelacji wewnątrzklasowej

Następnie użyjemy następującego kodu do obliczenia współczynnika korelacji wewnątrzklasowej:

 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]

Ta funkcja zwraca następujące wyniki:

• Opis: Typ obliczonego ICC
• ICC: współczynnik korelacji wewnątrzklasowej (ICC)
• F: Wartość F ICC
• df1, df2: stopnie swobody związane z wartością F
• pval: Wartość p powiązana z wartością F
• CI95%: 95% przedział ufności dla ICC

Należy pamiętać, że obliczono tutaj sześć różnych współczynników ICC. Rzeczywiście istnieje kilka sposobów obliczenia ICC w oparciu o następujące założenia:

• Model: jednokierunkowe efekty losowe, dwukierunkowe efekty losowe lub dwukierunkowe efekty mieszane
• Rodzaj relacji: konsekwencja lub absolutna zgoda
• Jednostka: pojedynczy oceniający lub średnia oceniających

Szczegółowe wyjaśnienie tych założeń znajdziesz w tym artykule .