Sinf ichidagi o'zaro bog'liqlik - Intraclass correlation

A nuqta uchastkasi yuqori sinfdagi korrelyatsiyaga ega ma'lumotlar to'plamini ko'rsatmoqda. Xuddi shu guruhning qiymatlari o'xshash bo'lishga moyildir.

A nuqta uchastkasi sinf ichidagi o'zaro bog'liqligi past ma'lumotlar to'plamini ko'rsatmoqda. Xuddi shu guruhdagi qadriyatlarning o'xshash bo'lish tendentsiyasi mavjud emas.

Yilda statistika, sinf ichidagi o'zaro bog'liqlikyoki sinf ichidagi korrelyatsiya koeffitsienti (ICC),^[1] a tavsiflovchi statistik guruhlarga ajratilgan birliklarda miqdoriy o'lchovlar o'tkazilganda foydalanish mumkin. Bu bitta guruhdagi birliklarning bir-biriga qanchalik kuchli o'xshashligini tasvirlaydi. Bu bir turi sifatida qaralganda o'zaro bog'liqlik, boshqa ko'plab korrelyatsion o'lchovlardan farqli o'laroq, u juft kuzatuvlar sifatida tuzilgan ma'lumotlarga emas, balki guruhlarga bo'lingan holda ishlaydi.

The sinf ichidagi o'zaro bog'liqlik qarindoshlik darajasi aniq bo'lgan shaxslarning (masalan, to'la-to'kis birodarlarning) miqdoriy belgi jihatidan bir-biriga o'xshashlik darajasini aniqlash uchun odatda ishlatiladi (qarang. merosxo'rlik ). Yana bir muhim dastur - bu bir xil miqdorni o'lchaydigan turli xil kuzatuvchilar tomonidan o'tkaziladigan miqdoriy o'lchovlarning izchilligi yoki takrorlanuvchanligini baholash.

ICC-ning dastlabki ta'rifi: xolis, ammo murakkab formula

Sinf ichidagi korrelyatsiyalar bo'yicha eng dastlabki ish juft o'lchovlarga bag'ishlangan va birinchi sinf ichidagi korrelyatsiya (ICC) statistikasi modifikatsiya qilingan sinflararo korrelyatsiya (Pearson korrelyatsiyasi).

Dan tashkil topgan ma'lumotlar to'plamini ko'rib chiqing N juftlashtirilgan ma'lumotlar qiymatlari (x_n,1, x_n,2), uchun n = 1, ..., N. Sinf ichidagi o'zaro bog'liqlik r dastlab taklif qilingan^[2] tomonidan Ronald Fisher^[3] bu

${displaystyle r = {frac {1} {Ns ^ {2}}} sum _ {n = 1} ^ {N} (x_ {n, 1} - {ar {x}}) (x_ {n, 2} - {ar {x}}),}$

qayerda

${displaystyle {ar {x}} = {frac {1} {2N}} sum _ {n = 1} ^ {N} (x_ {n, 1} + x_ {n, 2}),}$

${displaystyle s ^ {2} = {frac {1} {2N}} chap {sum _ {n = 1} ^ {N} (x_ {n, 1} - {ar {x}}) ^ {2} + sum _ {n = 1} ^ {N} (x_ {n, 2} - {ar {x}}) ^ {2} ight}.}$

Ushbu statistikaning keyingi versiyalari ^[3] ishlatilgan erkinlik darajasi 2N Hisoblash uchun maxrajda −1 s² va N Hisoblash uchun maxrajda −1 r, Shuning uchun; ... uchun; ... natijasida s² xolis bo'lib qoladi va r agar xolis bo'lsa s ma'lum.

Ushbu ICC va ning o'rtasidagi asosiy farq sinflararo (Pearson) o'zaro bog'liqlik ma'lumotlar o'rtacha va farqni baholash uchun to'planganligidir. Buning sababi shundaki, sinf ichidagi korrelyatsiya zarur bo'lgan sharoitda juftliklar tartibsiz deb hisoblanadi. Masalan, agar biz egizaklarning o'xshashligini o'rganayotgan bo'lsak, odatda egizak juftlik ichidagi ikki shaxs uchun qiymatlarni buyurtma qilishning mazmunli usuli yo'q. Sinflararo korrelyatsiya singari, juftlangan ma'lumotlar uchun sinf ichidagi korrelyatsiya ham cheklangan bo'ladi oraliq  [−1, +1].

Sinf ichidagi o'zaro bog'liqlik, shuningdek, 2 dan ortiq qiymatga ega guruhlar bo'lgan ma'lumotlar to'plamlari uchun aniqlanadi. Uchta qiymatdan tashkil topgan guruhlar uchun u quyidagicha aniqlanadi^[3]

${displaystyle r = {frac {1} {3Ns ^ {2}}} sum _ {n = 1} ^ {N} chap {(x_ {n, 1} - {ar {x}}) (x_ {n, 2} - {ar {x}}) + (x_ {n, 1} - {ar {x}}) (x_ {n, 3} - {ar {x}}) + (x_ {n, 2} - {ar {x}}) (x_ {n, 3} - {ar {x}}) ight},}$

qayerda

${displaystyle {ar {x}} = {frac {1} {3N}} sum _ {n = 1} ^ {N} (x_ {n, 1} + x_ {n, 2} + x_ {n, 3} ),}$

${displaystyle s ^ {2} = {frac {1} {3N}} chap {sum _ {n = 1} ^ {N} (x_ {n, 1} - {ar {x}}) ^ {2} + sum _ {n = 1} ^ {N} (x_ {n, 2} - {ar {x}}) ^ {2} + sum _ {n = 1} ^ {N} (x_ {n, 3} - {ar {x}}) ^ {2} ight}.}$

Bir guruhga to'g'ri keladigan narsalar soni o'sishi bilan, ushbu iboradagi mahsulotlarning atamalari soni ortib boradi. Quyidagi ekvivalent shaklni hisoblash osonroq:

${displaystyle r = {frac {K} {K-1}} cdot {frac {N ^ {- 1} sum _ {n = 1} ^ {N} ({ar {x}} _ {n} - {ar {x}}) ^ {2}} {s ^ {2}}} - {frac {1} {K-1}},}$

qayerda K har bir guruh uchun ma'lumotlar qiymatlari soni va ${displaystyle {ar {x}} _ {n}}$ ning o'rtacha namunasi n^th guruh.^[3] Ushbu forma odatda tegishli Xarris.^[4] Chap atama salbiy emas; shuning uchun sinf ichidagi o'zaro bog'liqlik qondirilishi kerak

${displaystyle rgeq {frac {-1} {K-1}}.}$

Katta uchun K, bu ICC deyarli teng

${displaystyle {frac {N ^ {- 1} sum _ {n = 1} ^ {N} ({ar {x}} _ {n} - {ar {x}}) ^ {2}} {s ^ { 2}}},}$

bu guruhlarning o'zgarishi bilan bog'liq bo'lgan umumiy dispersiyaning qismi sifatida talqin qilinishi mumkin. Ronald Fisher klassik kitobida butun bobni sinf ichidagi korrelyatsiyaga bag'ishlaydi Tadqiqotchilar uchun statistik usullar.^[3]

To'liq shovqinli bo'lgan aholi ma'lumotlari uchun Fisher formulasi 0 ga teng taqsimlanadigan ICC qiymatlarini hosil qiladi, ya'ni ba'zan salbiy bo'ladi. Buning sababi shundaki, Fisher formulani xolis bo'lishi uchun ishlab chiqardi va shuning uchun uning taxminlari ba'zida ortiqcha, ba'zida esa past baholanadi. Populyatsiyadagi kichik yoki 0 asosiy qiymatlar uchun, namunadan hisoblangan ICC salbiy bo'lishi mumkin.

Zamonaviy ICC ta'riflari: sodda formulalar, ammo ijobiy tarafkashlik

Ronald Fisherdan boshlab, sinf ichidagi o'zaro bog'liqlik doirasida ko'rib chiqildi dispersiyani tahlil qilish (ANOVA), va yaqinda tasodifiy effektlar modellari. Bir qator ICC taxminchilari taklif qilingan. Aksariyat taxminchilar tasodifiy effektlar modeli bo'yicha aniqlanishi mumkin

${displaystyle Y_ {ij} = mu + alfa _ {j} + varepsilon _ {ij},}$

qayerda Y_ij bo'ladi men^th kuzatuv j^th guruh, m kuzatilmagan umumiydir anglatadi, a_j guruhdagi barcha qiymatlar tomonidan taqsimlanadigan kuzatilmagan tasodifiy effekt jva ε_ij kuzatilmagan shovqin atamasi.^[5] Modelni aniqlash uchun a_j va ε_ij kutilgan qiymat nolga va bir-biri bilan bog'liq bo'lmagan deb qabul qilinadi. Shuningdek, a_j bir xil taqsimlangan deb taxmin qilinadi va ε_ij bir xil taqsimlangan deb taxmin qilinadi. Ning o'zgarishi a_j bilan belgilanadi σ²
_a va dispersiyasi ε_ij bilan belgilanadi σ²
_ε.

Ushbu doiradagi AHM:^[6]

${displaystyle {frac {sigma _ {alpha} ^ {2}} {sigma _ {alpha} ^ {2} + sigma _ {varepsilon} ^ {2}}}.}$

Ushbu ANOVA ramkasining afzalligi shundaki, har xil guruhlar ma'lumotlar qiymatlarining har xil soniga ega bo'lishi mumkin, bu avvalgi ICC statistikasi yordamida boshqarish qiyin. Ushbu ICC har doim salbiy bo'lmagan bo'lib, uni "guruhlar orasidagi" umumiy dispersiyaning nisbati sifatida talqin qilishga imkon beradi. Ushbu ICC kovaryat effektlarini ta'minlash uchun umumlashtirilishi mumkin, bu holda ICC kovaryat tomonidan sozlangan ma'lumotlar qiymatlarining sinf ichidagi o'xshashligini olish sifatida talqin etiladi.^[7]

Ushbu ifoda hech qachon salbiy bo'lmasligi mumkin (Fisherning asl formulasidan farqli o'laroq), shuning uchun ICC 0 bo'lgan populyatsiyaning namunalarida namunalardagi ICC populyatsiyaning ICC dan yuqori bo'ladi.

Bir nechta turli xil ICC statistikalari taklif qilingan, ularning barchasi bir xil populyatsiya parametrlarini taxmin qilmaydi. Qaysi ICC statistikasi ma'lum bir foydalanish uchun mos bo'lganligi haqida juda ko'p munozaralar bo'lib o'tdi, chunki ular bir xil ma'lumotlar uchun sezilarli darajada turli xil natijalarga olib kelishi mumkin.^[8][9]

Pirsonning korrelyatsiya koeffitsienti bilan bog'liqligi

Uning algebraik shakli jihatidan Fisherning asl ICC - bu o'xshash bo'lgan ICC Pearson korrelyatsiya koeffitsienti. Ikkala statistikaning asosiy farqlaridan biri shundaki, ICC-da ma'lumotlar birlashtirilgan o'rtacha va standart og'ish yordamida markazlashtiriladi va miqyosi olinadi, Pyrson korrelyatsiyasida esa har bir o'zgaruvchi o'z o'rtacha va standart og'ishi bilan markazlashtirilgan va miqyoslangan. ICC uchun ushbu miqyosli miqyoslash mantiqan to'g'ri keladi, chunki barcha o'lchovlar bir xil miqdorda (har xil guruhlardagi birliklarda bo'lsa ham). Masalan, har bir "juftlik" bir birlik uchun ikki xil o'lchov emas, balki har bir birlik uchun qilingan bitta o'lchovdir (masalan, har bir egizakni bir xil egizak juftligida tortish). va har bir inson uchun vazn), ICC - bu Parsonning korrelyatsiyasidan ko'ra ko'proq tabiiy assotsiatsiya o'lchovidir.

Pearson korrelyatsiyasining muhim xususiyati shundaki, u alohida-alohida qo'llanilishida o'zgarmasdir chiziqli transformatsiyalar taqqoslanadigan ikkita o'zgaruvchiga. Shunday qilib, agar biz o'zaro bog'liqlik qilsak X va Y, qaerda, ayt, Y = 2X + 1, o'rtasidagi Pearson korrelyatsiyasi X va Y 1 - mukammal o'zaro bog'liqlik. Ushbu xususiyat ICC uchun mantiqiy emas, chunki guruhdagi har bir qiymatga qaysi transformatsiya qo'llanilishini hal qilish uchun asos yo'q. Ammo, agar barcha guruhlardagi barcha ma'lumotlar bir xil chiziqli o'zgarishga duch kelsa, ICC o'zgarmaydi.

Kuzatuvchilar o'rtasida muvofiqlikni baholashda foydalaning

ICC bir xil miqdorni o'lchaydigan bir nechta kuzatuvchilar tomonidan o'tkazilgan o'lchovlarning izchilligini yoki muvofiqligini baholash uchun ishlatiladi.^[10] Misol uchun, agar bir nechta shifokorlardan saraton kasalligining rivojlanish belgilarini aniqlash uchun KT natijalarini to'plashni so'rashsa, biz ballar bir-biriga qanchalik mos kelishini so'rashimiz mumkin. Agar haqiqat ma'lum bo'lsa (masalan, agar tomografiya keyinchalik ekspluatatsiya operatsiyasini boshdan kechirgan bemorlarga tegishli bo'lsa), unda asosan shifokorlarning natijalari haqiqatga qanchalik mos kelishiga e'tibor qaratiladi. Agar haqiqat ma'lum bo'lmasa, biz faqat ballar o'rtasidagi o'xshashlikni ko'rib chiqishimiz mumkin. Ushbu muammoning muhim jihati shundaki, ikkalasi ham mavjud kuzatuvchi va kuzatuvchining ichki o'zgaruvchanligi. Kuzatuvchilararo o'zgaruvchanlik kuzatuvchilar o'rtasidagi tizimli farqlarni anglatadi - masalan, bitta shifokor doimiy ravishda bemorlarni boshqa shifokorlarga qaraganda yuqori xavf darajasida baholashi mumkin. Kuzatuvchi ichidagi o'zgaruvchanlik deganda sistematik farqning bir qismi bo'lmagan ma'lum bir kuzatuvchi tomonidan ma'lum bir bemorga qo'yilgan bahoning og'ishi tushuniladi.

ICC qo'llanilishi uchun qurilgan almashinadigan o'lchovlar - ya'ni guruh ichida o'lchovlarni buyurtma qilishning mazmunli usuli bo'lmagan ma'lumotlar guruhlangan. Kuzatuvchilar o'rtasidagi muvofiqlikni baholashda, agar bir xil kuzatuvchilar o'rganilayotgan har bir elementni baholasa, u holda kuzatuvchilar o'rtasida muntazam farqlar bo'lishi mumkin, bu esa almashinish tushunchasiga ziddir. Agar ICC sistematik farqlar mavjud bo'lgan vaziyatda ishlatilsa, natijada kuzatuvchi ichidagi va kuzatuvchilararo o'zgaruvchanlikning tarkibiy o'lchovi bo'ladi. Almashinuvchanlikni oqilona deb taxmin qilish mumkin bo'lgan vaziyatlardan biri, masalan, qon namunasi, bir nechta alikotlarga bo'linishi va bitta asbobda alohida o'lchanishi. Bunday holda, almashinuvchanlik namunalarni ishlatish ketma-ketligi tufayli hech qanday ta'sir ko'rsatmaguncha davom etadi.

Beri sinf ichidagi korrelyatsiya koeffitsienti kuzatuvchilar ichidagi va kuzatuvchilararo o'zgaruvchanlikning kompozitsiyasini beradi, ba'zida uning natijalari kuzatuvchilar almashinib bo'lmaydigan bo'lsa, ularni izohlash qiyin deb hisoblanadi. Koen kabi alternativ choralar kappa statistikasi, Fleiss kappa, va muvofiqlik koeffitsienti^[11] almashinmaydigan kuzatuvchilar o'rtasida kelishuvning yanada maqbul choralari sifatida taklif qilingan.

Dasturiy ta'minot paketlarida hisoblash

Kuzatuvchilar o'rtasidagi kelishuvning uchta stsenariysiga qo'llaniladigan sinf ichidagi korrelyatsiya koeffitsientining turli xil ta'riflari.

ICC ochiq manbali dasturiy ta'minot to'plamida qo'llab-quvvatlanadi R (paketlar bilan "icc" funktsiyasidan foydalangan holda psy yoki irr, yoki paketdagi "ICC" funktsiyasi orqali ruhshunos.) rptR paket ^[12] aralash modelli tizimda Gauss, binomial va Poisson tarqatilgan ma'lumotlar uchun ICC va takroriylikni baholash usullarini taqdim etadi. Shunisi e'tiborga loyiqki, paket sozlangan ICC ni baholashga imkon beradi (ya'ni boshqa o'zgaruvchilarni boshqarish) va parametrlarning yuklanishiga asoslangan ishonch oralig'ini va qoldiqlarni almashtirishga asoslangan ahamiyatlarni hisoblab chiqadi. Tijorat dasturiy ta'minot, masalan, ICC-ni ham qo'llab-quvvatlaydi Stata yoki SPSS ^[13]

Uchta model:

• Bir tomonlama tasodifiy effektlar: har bir mavzu tasodifiy tanlangan k ning turli xil to'plamlari bilan o'lchanadi;
• Ikki tomonlama tasodifiy: tasodifiy ravishda k raterlar tanlanadi, so'ngra har bir mavzu bir xil k raterlar to'plami bilan o'lchanadi;
• Ikki tomonlama aralash: k sobit ko'rsatkichlar aniqlanadi. Har bir mavzu k reytingerlari bilan o'lchanadi.

O'lchovlar soni:

• Yagona choralar: tajribada bir nechta choralar ko'rilgan bo'lsa ham, ishonchlilik bitta raterning bitta o'lchovi bajariladigan kontekstda qo'llaniladi;
• O'rtacha o'lchovlar: ishonchlilik kontekstga nisbatan qo'llaniladi, bu erda har bir mavzu uchun k reytingerlarining ko'rsatkichlari o'rtacha hisoblab chiqiladi.

Muvofiqlik yoki mutlaq kelishuv:

• Mutlaq kelishuv: ikkala reyting tashkilotlari o'rtasidagi kelishuv qiziqish uyg'otadi, shu jumladan ikkala reytingning muntazam xatolari va tasodifiy qoldiq xatolari;
• Muvofiqlik: bir xil rater tomonidan takroriy o'lchovlar sharoitida raterning muntazam xatolari bekor qilinadi va faqat tasodifiy qoldiq xatosi saqlanib qoladi.

Bir tomonlama tasodifiy effektlar modelida izchillik ICC ni baholash mumkin emas, chunki inter-rater va qoldiq dispersiyalarni ajratish imkoniyati yo'q.

Tafsir

Cicchetti (1994)^[17] izohlash uchun quyidagi tez-tez keltirilgan ko'rsatmalarni beradi kappa yoki ICC-reaterlararo kelishuv choralari:

• 0,40 dan kam - kambag'al.
• 0,40 dan 0,59 gacha - adolatli.
• 0,60 dan 0,74 gacha - yaxshi.
• 0,75 dan 1,00 gacha - juda yaxshi.

Koo va Li (2016) tomonidan boshqacha ko'rsatma berilgan:^[18]

• 0,50 dan past: kambag'al
• 0,50 dan 0,75 gacha: o'rtacha
• 0,75 dan 0,90 gacha: yaxshi
• 0,90 dan yuqori: a'lo

Shuningdek qarang

• Korrelyatsiya koeffitsienti
• Dizayn effekti

Adabiyotlar

Tashqi havolalar

• AgreeStat 360: bulutga asoslangan reaterlararo ishonchlilik tahlili, Koenning kappasi, Gvetning AC1 / AC2, Krippendorff alfasi, Brennan-Prediger, Fleysning umumlashtirilgan kappasi, sinf ichidagi o'zaro bog'liqlik koeffitsientlari.
• ICCning har xil turlarini hisoblash imkonini beradigan foydali onlayn vosita