一致性检验之kappa、icc、kendall协调系数的差别.docxVIP

致性检验之Kappa、ICC、kendall协调系数的差别 展开全文 一致性检验的目的在于比较不同方法得到的结果是否具有 一致性。检验一致性的方法有很多比如： Kappa检验、ICC 组内相关系数、Kendall W协调系数等。每种方法的功能侧 重，数据要求都略有不同： 一致性检验 Kappa系数检验，适用于两次数据（方法）之间比较一致性， 比如两位医生的诊断是否一致，两位裁判的评分标准是否一 致等。 ICC组内相关系数检验，用于分析多次数据的一致性情况， 功能上与Kappa系数基本一致。ICC分析定量或定类数据均 可；但是Kappa 一致性系数通常要求数据是定类数据。 Kendall W协调系数，是分析多个数据之间关联性的方法， 适用于定量数据，尤其是定序等级数据。 进一步说明（1） Kappa检验 Kappa检验分为简单 Kappa检验和加权 Kappa检验，两者的 区别主要在于： 如果研究数据是绝对的定类数据（比如阴性、阳性） ，此时 使用简单Kappa系数； 如果数据为等级式定类数据（比如轻度，中度，重度；也或 者不同意，中立，同意）；此时可使用加权（线性） Kappa 系数。 应用举例 两个医生分别对于 50个病例进行 MRI检查（MRI检查诊断 共分三个等级，分别是轻度，中度和重度） ，对比两名医生 检查结果诊断的一致性水平。 （1表示轻度，2表示中度，3表示重度） 使用路径：SPSSAU医学实验—Kappa Kappa系数结果表 根据上表可知，两位医生对于 MRI检查诊断结论具有较强 （Kappa 值=0.644）的一致性。 （2）ICC组内相关系数 ICC组内相关系数可用于研究评价一致性，评价信度，测量 复测信度（重测信度）等。相对于 Kappa系数，ICC组内相 关系数的适用范围更广，适用于定量或者定类数据，而且可 针对双样本或者多样本进行分析一致性。 但ICC的分析相对 较为复杂，通常需要从三个方面进行分析并且选择最优的 ICC模型；分别是模型选择，计算类型和度量标准。 六类模型细分 模型选择上，需要考虑是否将当前结论延伸推广到其它研究 中，也或者考虑是否为研究数据的绝对相等程度。 计算类型上，如果不需要考虑系统误差则使用 一致性”如 果需要考虑系统误差则使用 绝对一致性”。 度量标准上，如果是原始数据则使用 单一度量”如果是计 算后的数据，则使用平均度量” 应用举例 3个医生对于10位术后病人的恢复情况评分； 现在希望通过 分析研究3个医生的打分一致性水平情况， 使用ICC组内相 关系数进行研究。录入后的 ICC数据格式如下： 使用路径：SPSSAU医学实验TCC 使用路径：SPSSAU医学实验TCC 本次使用的是原始数据非计算后数据，因而使用单一度量标 准结果即ICC(C,1)，ICC组内相关系数=0.921，说明3位医 生的评价具有高度一致性，也说明此次 3名医生给出的打分 有着非常高的可信性。 (3)Kendall协调系数 Kendall协调系数，也称作 Kendall和谐系数，或 Kendall 一 致性系数。通常用于比较多组数据的一致性程度。 应用举例 4个评委对于10个选手进行评分，最低为 1分，最高为10 分；现在希望通过分析研究 4个评委的打分一致性情况。 使用路径：SPSSAV医学实验—Kendall协调系数 从上表可以看出：协调系数为 0.853 ( Plt;0.01 ),大于0.8 , 说明4个评委的评分结果具有很强的一致性。 其他说明1、ICC的适用场景最多，包括定量或定类数据， 同时可针对多相关样本进行一致性分析； 而Kappa 一致性系 数主要针对2个相关数据且针对定类数据进行一致性分析； Kendall W协调系数适用于定量数据，且更多倾重于数据关 联性研究。 2、分析前要注意数据的格式，每种方法录入的数据格式都 不大一样，一定要整理成正确的数据格式再分析。 登录SPSSAU官网体验在线数据分析