O valor de um ICC pode variar de 0 a 1, sendo 0 indicando nenhuma confiabilidade entre os avaliadores e 1 indicando confiabilidade perfeita entre os avaliadores.<\/span><\/p>\n Simplificando, um ICC \u00e9 usado para determinar se os itens (ou t\u00f3picos) podem ser avaliados de forma confi\u00e1vel por diferentes avaliadores.<\/span><\/p>\n Existem v\u00e1rias vers\u00f5es diferentes de um ICC que podem ser calculadas, dependendo dos tr\u00eas fatores a seguir:<\/span><\/p>\n Aqui est\u00e1 uma breve descri\u00e7\u00e3o dos tr\u00eas modelos<\/strong> diferentes:<\/span><\/p>\n 1. Modelo de efeitos aleat\u00f3rios unidirecionais:<\/strong> Este modelo assume que cada sujeito \u00e9 avaliado por um grupo diferente de avaliadores selecionados aleatoriamente. Com este modelo, os avaliadores s\u00e3o considerados a fonte dos efeitos aleat\u00f3rios. Este modelo raramente \u00e9 utilizado na pr\u00e1tica porque geralmente \u00e9 utilizado o mesmo grupo de avaliadores para avaliar cada assunto.<\/span><\/p>\n 2. Modelo de efeitos aleat\u00f3rios bidirecionais:<\/strong> Este modelo assume que um grupo de avaliadores k<\/em> \u00e9 selecionado aleatoriamente de uma popula\u00e7\u00e3o e ent\u00e3o usado para avaliar os sujeitos. Usando este modelo, avaliadores e sujeitos s\u00e3o considerados fontes de efeitos aleat\u00f3rios. Este modelo \u00e9 frequentemente utilizado quando queremos generalizar nossos resultados para avaliadores semelhantes aos utilizados no estudo.<\/span><\/p>\n 3. Modelo de efeitos mistos bidirecional:<\/strong> Este modelo tamb\u00e9m assume que um grupo de avaliadores k<\/em> \u00e9 selecionado aleatoriamente de uma popula\u00e7\u00e3o e ent\u00e3o usado para avaliar os sujeitos. No entanto, este modelo assume que o grupo de avaliadores que escolhemos s\u00e3o os \u00fanicos<\/em> avaliadores de interesse, o que significa que n\u00e3o queremos generalizar os nossos resultados para outros avaliadores que tamb\u00e9m possam partilhar caracter\u00edsticas semelhantes aos avaliadores utilizados no estudo.<\/span><\/p>\n Aqui est\u00e1 uma breve descri\u00e7\u00e3o dos dois tipos diferentes de relacionamentos<\/strong> que podemos querer medir:<\/span><\/p>\n 1. Consist\u00eancia:<\/strong> Estamos interessados nas diferen\u00e7as sistem\u00e1ticas entre as classifica\u00e7\u00f5es dos ju\u00edzes (por exemplo, os ju\u00edzes classificaram t\u00f3picos semelhantes como baixos e altos?)<\/span><\/p>\n 2. Concord\u00e2ncia absoluta:<\/strong> estamos interessados nas diferen\u00e7as absolutas entre as pontua\u00e7\u00f5es dos ju\u00edzes (por exemplo, qual \u00e9 a diferen\u00e7a absoluta entre as pontua\u00e7\u00f5es do juiz A e do juiz B?)<\/span><\/p>\n Aqui est\u00e1 uma breve descri\u00e7\u00e3o das duas unidades<\/strong> diferentes que podem nos interessar:<\/span><\/p>\n 1. Revisor \u00fanico:<\/strong> Queremos usar apenas as classifica\u00e7\u00f5es de um \u00fanico revisor como base para medi\u00e7\u00e3o.<\/span><\/p>\n 2. M\u00e9dia do avaliador:<\/strong> Queremos usar a m\u00e9dia das pontua\u00e7\u00f5es de todos os ju\u00edzes como base para medi\u00e7\u00e3o.<\/span><\/p>\n Nota:<\/strong> Se quiser medir o n\u00edvel de concord\u00e2ncia entre dois avaliadores que falham cada um dos itens num resultado dicot\u00f3mico<\/a> , dever\u00e1 utilizar o Kappa de Cohen<\/a> .<\/span><\/em><\/p>\n Veja como interpretar o valor de um coeficiente de correla\u00e7\u00e3o intraclasse, segundo Koo & Li<\/a> :<\/span><\/p>\n O exemplo a seguir mostra como calcular um coeficiente de correla\u00e7\u00e3o intraclasse na pr\u00e1tica.<\/span><\/p>\n Suponha que quatro ju\u00edzes diferentes sejam solicitados a avaliar a qualidade de 10 vestibulares diferentes. Os resultados s\u00e3o mostrados abaixo:<\/span> <\/p>\n Suponha que os quatro ju\u00edzes foram selecionados aleatoriamente de uma popula\u00e7\u00e3o de ju\u00edzes qualificados para o vestibular e quer\u00edamos medir a concord\u00e2ncia absoluta entre os ju\u00edzes e quer\u00edamos usar as pontua\u00e7\u00f5es da perspectiva de apenas um avaliador como base de nossa medi\u00e7\u00e3o.<\/span><\/p>\n Podemos usar o seguinte c\u00f3digo em R para ajustar um modelo de efeitos aleat\u00f3rios bidirecional<\/strong> , usando concord\u00e2ncia absoluta<\/strong> como a rela\u00e7\u00e3o entre avaliadores e usando a unidade \u00fanica<\/strong> como unidade de interesse:<\/span><\/p>\n O coeficiente de correla\u00e7\u00e3o intraclasse (CCI) foi de 0,782<\/strong> .<\/span><\/p>\n Com base nas regras pr\u00e1ticas para interpreta\u00e7\u00e3o do ICC, concluir\u00edamos que um ICC de 0,782<\/strong> indica que os exames podem ser pontuados com \u201cboa\u201d confiabilidade por diferentes avaliadores.<\/span><\/p>\n Os tutoriais a seguir fornecem explica\u00e7\u00f5es detalhadas sobre como calcular o ICC em diferentes softwares estat\u00edsticos:<\/span><\/p>\n Como calcular o coeficiente de correla\u00e7\u00e3o intraclasse no Excel<\/a> Um coeficiente de correla\u00e7\u00e3o intraclasse (ICC) \u00e9 usado para medir a confiabilidade das pontua\u00e7\u00f5es em estudos onde h\u00e1 dois ou mais avaliadores. O valor de um ICC pode variar de 0 a 1, sendo 0 indicando nenhuma confiabilidade entre os avaliadores e 1 indicando confiabilidade perfeita entre os avaliadores. Simplificando, um ICC \u00e9 usado para […]<\/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-1535","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n\n
Como interpretar o coeficiente de correla\u00e7\u00e3o intraclasse<\/strong><\/span><\/h3>\n
\n
Exemplo: C\u00e1lculo do coeficiente de correla\u00e7\u00e3o intraclasse<\/strong><\/span><\/h3>\n
![\"Exemplo](\"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 Recursos adicionais<\/strong><\/span><\/h3>\n
Como calcular o coeficiente de correla\u00e7\u00e3o intraclasse em R<\/a>
Como calcular o coeficiente de correla\u00e7\u00e3o intraclasse em Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"