KNOWECON WIKI

ARTICLE

类内相关系数

类内相关系数 (Intraclass Correlation Coefficient) 类内相关系数（Intraclass Correlation Coefficient，简称 ICC）是衡量同一群体内部观测单元之间一致性或相似程度的统计量，广泛应用于评分者信度（Inter-rater Reliability）、重测信度（Test-retest Reliab

浏览 0 更新 2026-01-06

类内相关系数 (Intraclass Correlation Coefficient)

类内相关系数（Intraclass Correlation Coefficient，简称 ICC）是衡量同一群体内部观测单元之间一致性或相似程度的统计量，广泛应用于评分者信度（Inter-rater Reliability）、重测信度（Test-retest Reliability）以及群组随机试验（Cluster Randomized Trials）中的设计效应估计。与经典的皮尔逊相关系数（Pearson's r r ）不同，ICC 不仅能评估两个评分者之间的一致性，还能同时处理三个或更多评分者的情境，并且能够区分系统性偏倚与随机误差——多重优势使其成为心理学、医学、运动科学及公共卫生等领域中"金标准"级别的信度指标。

ICC 的核心思想是利用方差分析（ANOVA）将观测值的总变异分解为组间变异（Between-group Variance）与组内变异（Within-group Variance），然后计算组间变异在总变异中所占的比例。直观而言，如果同一组内的多个测量值彼此高度相似（组内变异很小），而不同组之间的差异很大（组间变异很大），那么 ICC 趋近于 1，表明测量工具或评分体系具有极佳的区分能力和一致性；反之，如果组内变异接近甚至超过组间变异，ICC 趋近于 0，说明测量结果主要由随机误差支配，缺乏可靠性。

历史渊源与演变

类内相关系数的概念最早可追溯至罗纳德·费希尔（Ronald Fisher）在 1920 年代对组内相关性的开创性讨论。费希尔在 1925 年出版的《研究工作者的统计方法》（Statistical Methods for Research Workers）中首次引入了 ICC 的雏形，将其作为衡量家族内兄弟姐妹相似程度的工具。然而，真正将 ICC 系统化并推向社会科学应用的是 Shrout 和 Fleiss（1979）的里程碑式论文。他们区分了三种 ICC 模型——分别对应不同的评分者选取方式和推断范围——为后续三十余年的应用奠定了分类学基础。此后，McGraw 和 Wong（1996）进一步细化了 ICC 的命名体系，引入"一致性"（Consistency）与"绝对一致"（Absolute Agreement）的区分，形成了现代 ICC 报告的标准范式。

数学模型与方差分解

ICC 的数学定义建立在一元随机效应方差分析模型的框架之上。设 Yij Y_{ij} 为第 i i 个被试（i=1,2,…,n i = 1, 2, \dots, n ）的第 j j 次测量或第 j j 位评分者给出的观测值（j=1,2,…,k j = 1, 2, \dots, k ），其线性分解为：

Yij=μ+ui+eijY_{ij} = \mu + u_i + e_{ij}

其中 μ \mu 为总体均值，ui∼N(0,σu2) u_i \sim \mathcal{N}(0, \sigma_u^2) 为被试的随机效应（即组间变异），eij∼N(0,σe2) e_{ij} \sim \mathcal{N}(0, \sigma_e^2) 为随机误差（即组内变异），且 ui u_i 与 eij e_{ij} 相互独立。在此模型下，ICC 的最基本形式定义为组间方差占总方差的比例：

ICC=σu2σu2+σe2\text{ICC} = \frac{\sigma_u^2}{\sigma_u^2 + \sigma_e^2}

该定义直接体现了 ICC 的信度内涵：当测量误差 σe2 \sigma_e^2 很小时，分母主要由 σu2 \sigma_u^2 主导，ICC 趋近于 1；当 σe2 \sigma_e^2 远大于 σu2 \sigma_u^2 时，ICC 趋近于 0。在实际应用中，这些方差分量通过均方期望（Expected Mean Squares, EMS）从 ANOVA 表格中估算：

σ^u2=MSB−MSWk,σ^e2=MSW\hat{\sigma}_u^2 = \frac{\text{MS}_B - \text{MS}_W}{k}, \quad \hat{\sigma}_e^2 = \text{MS}_W

其中 MSB \text{MS}_B 为组间均方，MSW \text{MS}_W 为组内均方。如果 MSB<MSW \text{MS}_B < \text{MS}_W ，则 σ^u2 \hat{\sigma}_u^2 可能为负，此时通常将其截断为零，ICCs 取 0。

ICC 的分类体系

ICC 并非一个单一指标，而是一个统计量族。Shrout 和 Fleiss（1979）以及 McGraw 和 Wong（1996）确立了基于三个维度交叉分类的命名体系：

  1. 模型（Model）：决定评分者效应是随机效应还是固定效应。 \begin{itemize}
  2. 单向随机模型（One-way Random）：每个被试由不同的评分者随机评定，评分者效应不被单独建模。此时无法分离评分者系统偏倚的影响。该模型适用于评分者完全不重叠的场景——例如每个诊所由不同的评估者独立诊断患者，评估者之间无一一对应关系。
  3. 双向随机模型（Two-way Random）：评分者从更大的评分者总体中随机抽样，评分者效应被视作另一个随机效应。该模型允许将结论推广至所有评分者，适用于评分者信度的可推广性研究。
  4. 双向混合模型（Two-way Mixed）：评分者是固定的一组成员（即当前研究中的所有评分者就构成全部感兴趣的总体），评分者效应为固定效应。该模型下结论不能推广至其他评分者，仅适用于对当前评分者组一致性的描述。 \end{itemize}
  5. 类型（Type）：决定关注"一致性"还是"绝对一致"。 \begin{itemize}
  6. 一致性（Consistency）：允许评分者之间存在系统性的加性偏倚（即允许一位评分者普遍比另一位评分者打分高或低一个常数）。此时只关心评分者排序的一致性，不要求绝对数值相同。在数学上，评分者方差不被计入误差项。
  7. 绝对一致（Absolute Agreement）：不允许任何形式的系统性偏倚，要求评分者不但排序一致，而且给出完全相同的具体数值。此时评分者方差被计入分母的误差项，标准更为严格。 \end{itemize}
  8. 单位（Unit）：决定 ICC 是针对单次测量（Single Measure）还是多次测量的平均值（Average Measure）。单次测量 ICC 反映单个评分者评定或单次测量的信度预期；平均测量 ICC 则反映 k k 个评分者均值或 k k 次测量均值的信度。由斯皮尔曼-布朗预言公式（Spearman-Brown Prophecy Formula）可知，将 k k 次测量取平均后，信度较单次测量有所提升。

McGraw 和 Wong 以 ICC(m m , t t ) 的记法统一了这一体系，其中 m m 代表模型（1 = 单向随机，2 = 双向随机，3 = 双向混合），t t 代表类型（k k = 单次一致性，k′ k' = 平均一致性，A,k A,k = 单次绝对一致，A,k′ A,k' = 平均绝对一致）。例如，ICC(3,1) 表示双向混合模型下单次测量的一致性估计，这也是实际应用中最常报告的 ICC 变体之一。

解释标准与阈值

ICC 的取值范围理论上是 0 到 1（实践中可能因估计方法不同而出现微小负值）。关于 ICC 的定性解释标准，文献中存在多套并存的分级方案。Koo 和 Li（2016）综合前人研究后推荐的阈值为：ICC <0.50 < 0.50 表示信度差（Poor）；0.50 至 0.75 表示信度中等（Moderate）；0.75 至 0.90 表示信度好（Good）；ICC >0.90 > 0.90 表示信度极佳（Excellent）。在临床测量领域，通常要求 ICC ≥0.75 \geq 0.75 方可认为测量工具具有充分信度，而对于高风险的个体决策场景（如手术资格判定），ICC 阈值往往被提高至 0.90 以上。Cicchetti（1994）和 Landis 与 Koch（1977）的分级方案也常被引用，尽管各方案之间存在细微差别，但 0.75 作为一个关键分界点在大多数领域具有共识。

需要特别指出的是，ICC 的"高"或"低"是学科和场景依赖的。在群组随机试验中，主要结局变量的 ICC 通常在 0.01 至 0.05 之间——即便如此微小的组内相关，也足以使设计效应的膨胀不可忽略，必须在样本量计算中予以校正。同样，在行为遗传学中，同卵双生子的 ICC 与异卵双生子的 ICC 之间的对比是计算遗传力的基础。

置信区间与统计推断

ICC 的点估计受样本量影响较大，报告其置信区间（Confidence Interval）是当前的学科规范。ICC 的置信区间通常基于 F F 分布构建，利用 MSB/MSW \text{MS}_B / \text{MS}_W 在原假设（ICC =0 = 0 ）下服从 F F 分布的性质。具体而言，令 F=MSB/MSW F = \text{MS}_B / \text{MS}_W ，其服从 F(n−1,n(k−1)) F(n-1, n(k-1)) 分布，那么单次测量 ICC 的 100(1−α)% 100(1 - \alpha)\% 置信下限和上限由下式给出：

CI下限=F/Fα/2,df1,df2−1k+(F/Fα/2,df1,df2−1),CI上限=F/F1−α/2,df1,df2−1k+(F/F1−α/2,df1,df2−1)\text{CI}_{\text{下限}} = \frac{F / F_{\alpha/2, df_1, df_2} - 1}{k + (F / F_{\alpha/2, df_1, df_2} - 1)}, \quad \text{CI}_{\text{上限}} = \frac{F / F_{1-\alpha/2, df_1, df_2} - 1}{k + (F / F_{1-\alpha/2, df_1, df_2} - 1)}

其中 df1=n−1 df_1 = n-1 ，df2=n(k−1) df_2 = n(k-1) 。对于双向随机模型下的绝对一致 ICC，置信区间的构建更为复杂，需要依赖Satterthwaite 近似或 bootstrap 重抽样方法。当评分者数量 k k 较小或样本量 n n 不足时，ICC 的置信区间可能非常宽——例如点估计 0.80 的 ICC，其 95\% 置信区间可能跨度为 0.55 至 0.92，对结论的稳健性构成挑战。因此在报告 ICC 时，同时提供置信区间已成为学术出版的基本要求。

与其他信度指标的对比

ICC 与若干相似但不等价的信度指标之间的区分是实务中的常见困惑。皮尔逊相关系数 r r 衡量的是两个变量之间的线性关联强度，但无法检测评分者之间的系统性偏倚——例如，若评分者 A 始终比评分者 B 多打 10 分，r r 仍可为 1.0，而绝对一致的 ICC 将显著低于 1.0。Cohen's Kappa 用于分类数据的一致性评估，是 ICC 在名义尺度上的对应物，但其自身受患病率悖论（Prevalence Paradox）的影响——在类别分布极不均衡时，即使一致性很高，Kappa 也可能很低。Cronbach's Alpha 在本质上等价于双向混合模型下的平均测量一致性 ICC(3,k′ k' )，常用于多项目量表的内部一致性信度，但一般不用于不同时间点或不同评分者之间的信度评估。

应用场景与报告规范

ICC 的核心应用覆盖三个主要领域。其一为评分者信度研究：研究者招募多位评分者对同一批被试的影像、访谈录音或临床量表进行独立判断，通过 ICC 量化评分者之间的一致程度，以确保主观评定的客观性。其二为重测信度研究：对同一组被试在不同时间点使用同一测量工具进行重复测量，ICC 反映了该工具时间维度上的稳定性。其三为群组随机试验的样本量设计：在此类试验中，随机化的单位是群组（如班级、社区、诊所）而非个体，群内个体之间的 ICC 被用于计算设计效应（Design Effect），从而将个体随机化所需的样本量适当膨胀。

在研究报告撰写方面，Koo 和 Li（2016）以及近年医学期刊的GRRAS 指南（Guidelines for Reporting Reliability and Agreement Studies）均建议：论文中必须明确说明所使用的 ICC 具体模型、类型和单位，报告点估计及其 95\% 置信区间，展示方差分量的 ANOVA 表格，并依据学科惯例提供信度分级解释。仅笼统地宣称"ICC =0.82 = 0.82 "而不说明是何种 ICC，已逐渐被视为不充分甚至可能产生误导的报告方式。

局限与注意事项

尽管 ICC 是评估连续数据信度的有力工具，其应用需警惕若干陷阱。首先，ICC 高度依赖样本的异质性——组间变异的方差分量直接反映样本中个体差异的大小。在异质性高的样本（如同时纳入健康人群与重病患者）中，ICC 会被人为地夸大，因为 σu2 \sigma_u^2 被拉大，分母增大速度慢于分子；反之，在高度同质的样本中，ICC 可能因组间变异不足而偏低。因此，不同研究间 ICC 的比较必须基于相似的总体特征。其次，ICC 对数据缺失和评分者不完全交叉设计（即并非所有评分者评定所有被试）敏感，此时需要借助线性混合模型（Linear Mixed Model）或广义估计方程（GEE）进行方差分量估计，传统的 ANOVA 方法不再适用。最后，ICC 假设数据满足正态性和方差齐性，当数据严重违反正态分布假设时，可考虑对数据进行适当变换（如对数变换），或使用基于秩次的非参数 ICC 变体。