1 基本概念
1.1 定义
组内相关系数，简称ICC，是用于衡量同一组内多个观测值一致程度的统计量。这里的“组”可以是同一受试者在不同时间的重复测量，也可以是同一对象被不同评分者、不同仪器或不同方法测量所得的结果集合。ICC的核心关注点不是单次观测值本身，而是这些观测值围绕“同一对象”所表现出的稳定性与可重复性。
1.2 核心思想
ICC的基本思想是：如果同一对象的重复测量结果彼此很接近，而不同对象之间差异较大，那么组内相关系数就会较高。换言之，ICC试图回答“总变异中有多少比例可以归因于对象之间的真实差异”，而不是测量误差或评分者差异。这个思想使其特别适合评价可靠性问题。
1.3 与相关系数的区别
ICC与常见的相关系数不同。Pearson相关系数主要描述两个变量之间的线性关系强弱，即一个变量增减时另一个变量是否同步变化，但它并不直接反映数值是否一致。ICC则更强调绝对值层面的接近程度以及重复测量的稳定性，因此更适合用于一致性和可靠性分析。
1.4 与一致性指标的关系
ICC常被视为一致性指标的一种重要形式，但它并非唯一的一致性度量。某些场景下，人们关心的是“是否给出相同数值”，这属于绝对一致性；另一些场景下，只关心“排序是否一致”或“变化趋势是否一致”，则对偏移量的要求相对较低。ICC可以根据不同模型和定义覆盖这些需求，因此在实践中具有较强的灵活性。
2 理论基础
2.1 方差分解
ICC的理论基础通常建立在方差分解之上。其思路是将总变异拆分为不同来源，例如对象间差异、测量误差、评分者差异以及交互作用等。通过比较这些方差成分的相对大小，可以估计观测结果的可靠程度。
2.1.1 组间方差
组间方差反映不同对象之间真实差异的大小。若组间方差较大，说明各对象本身差异明显，重复测量更容易被区分，从而有利于得到较高的ICC。
2.1.2 组内方差
组内方差主要表示同一对象在重复测量中的波动，通常被视为误差来源之一。组内方差越大，说明测量越不稳定，ICC往往越低。
2.2 随机效应模型
随机效应模型假定相关因素来自总体的随机抽样，例如评分者可以看作从更大评分者群体中随机抽取。该模型适合估计研究结果向总体推广时的可靠性，因此在双向随机效应ICC中较常见。
2.3 混合效应模型
混合效应模型同时包含随机因素与固定因素。典型情形是评分者被视为固定的，因为研究只关注这几位评分者；而对象则来自随机样本。该模型常用于评估特定测量者组合下的可靠性。
2.4 固定效应模型
固定效应模型将研究中的相关因素视为特定且不作随机推广的对象。它更关注当前样本内部的比较，不强调推及更大总体。虽然在ICC语境中较少作为主流表述，但在某些设计下可作为理解模型边界的基础。
3 类型与分类
3.1 按模型分类
ICC根据模型设定不同，计算方式和解释重点也会不同。最常见的分类包括单向随机、双向随机和双向混合效应模型。
3.1.1 单向随机效应模型
单向随机效应模型通常假定每个对象由不同评分者或不同测量单元进行评估，且评分者并非所有对象共享的固定集合。该模型适用于较为基础的随机抽样测量设计，但在实际应用中相对少见。
3.1.2 双向随机效应模型
双向随机效应模型同时把对象和评分者视为随机因素，适合研究评分者总体中的一般化可靠性。它既考虑对象差异，也考虑评分者间差异，因此常用于多评分者一致性研究。
3.1.3 双向混合效应模型
双向混合效应模型把对象视为随机效应，而把评分者视为固定效应，适合只关注特定评分者组合的情形。该模型常见于临床评分、专家评审或特定设备重复校准等场景。
3.2 按测量对象分类
根据每个对象参与的测量次数不同，ICC又可分为单次测量ICC与平均测量ICC。
3.2.1 单次测量ICC
单次测量ICC表示若只取一次测量结果时，该结果的可靠程度。它更贴近日常实际应用，因为很多场景下对象只会被测量一次，因此这一指标通常更保守。
3.2.2 平均测量ICC
平均测量ICC表示若将多个测量结果取平均后，该平均值的可靠程度。由于平均可以降低随机误差，这一指标通常高于单次测量ICC，适合描述综合评分或多次重复后的稳定性。
3.3 按一致性标准分类
ICC也可根据对一致性的要求分为绝对一致性与一致性两类。
3.3.1 绝对一致性
绝对一致性要求不同测量值不仅趋势相同，而且数值本身尽量接近。若不同评分者系统性偏高或偏低，绝对一致性会受到影响。
3.3.2 一致性
一致性强调测量结果之间的相对关系是否稳定，即对象排序是否基本保持不变。此类指标对系统性偏差更宽容，因此数值通常可能高于绝对一致性对应的结果。
4 计算方法
4.1 基于方差分析的计算
ICC常通过方差分析框架估计。研究者先将总变异分解为对象间、评分者间及误差等成分，再依据所选模型代入相应公式得到ICC。该方法的优点是结构清晰，便于与实验设计对应。
4.2 基于均方的公式
在实践中，ICC经常以方差分析表中的均方作为输入进行计算。不同类型的ICC对应不同的均方组合公式，例如对象均方、评分者均方和误差均方的加权关系会因模型而异，因此在计算前必须明确所用定义。
4.3 置信区间估计
仅报告点估计往往不足以说明可靠性水平，因此通常需要给出ICC的置信区间。置信区间能够反映抽样不确定性，区间越窄，说明估计越精确；区间越宽，则表示样本信息有限或数据波动较大。
4.4 样本量与精度影响
ICC的稳定性会受到样本量和观测次数影响。样本过少时，点估计容易波动，置信区间也会偏宽；而较多对象或较多重复测量通常能提高估计精度。不过，单纯增加测量次数并不一定解决系统误差问题，设计合理性同样重要。
5 结果解释
5.1 取值范围
ICC理论上通常位于0到1之间，但在某些估计方法或样本情况下可能出现负值。一般而言，接近1表示一致性较好，接近0表示组内差异较大、组间差异相对不足。
5.2 常用判断标准
实际应用中常会采用经验性分级来解释ICC，例如较低、一般、较好或较高等层次划分。但这些阈值并非绝对标准，应结合领域背景、测量目的和容许误差一起判断。不同学科对于“可接受”的可靠性要求可能差别很大。
5.3 高低ICC的含义
较高的ICC意味着重复测量结果较稳定，说明测量工具或评分流程具有较好的可靠性。较低的ICC则提示测量误差较大，或评分标准不够统一，也可能反映样本同质性过强、难以区分对象差异。
5.4 结果报告规范
报告ICC时通常应说明所采用的模型类型、单次或平均测量、绝对一致性或一致性标准，以及置信区间和样本量。若存在缺失值、异常值或特殊处理，也应交代清楚，以便他人复核和比较。
6 应用场景
6.1 评分者一致性分析
在需要多人评分的任务中，ICC常用于检验评分者之间是否保持一致。例如在图像判读、行为观察或作品评分中，ICC可以帮助判断评分规则是否清晰，评分者训练是否充分。
6.2 重复测量可靠性评估
当同一对象在不同时间点或不同条件下被重复测量时，ICC可用于评估结果的稳定性。若测量工具可靠，重复结果应较为接近，ICC也会相对较高。
6.3 临床测量工具验证
在临床研究中，ICC常用于验证量表、仪器或测量程序的可靠性。例如体格测量、影像指标或功能评分都可能借助ICC来判断工具是否适合后续研究和实践应用。
6.4 心理与教育测量
心理学和教育学中经常涉及主观评分或问卷总分分析。ICC可用于检验试题评分、教师评阅、量表施测以及测试重测的一致程度，从而辅助评价测量质量。
7 影响因素
7.1 样本异质性
样本差异越大，组间方差往往越明显，ICC通常更容易升高；反之，若样本过于同质，即便测量误差不大，ICC也可能不高。因此，ICC并不完全等同于测量工具本身的“绝对优劣”。
7.2 测量误差
随机误差和系统误差都会影响ICC。前者会增加组内波动，后者则可能改变不同评分者或不同设备之间的偏移关系，从而影响绝对一致性或一致性结果。
7.3 评分者培训水平
评分者理解标准是否一致、操作是否规范，会直接影响一致性。培训充分通常有助于减少主观偏差和操作差异，使ICC表现更稳定。
7.4 观测次数与样本量
观测次数增加有助于估计平均水平，但也会提升研究设计复杂度。样本量不足时，ICC估计不稳定，且容易受个别异常值影响，因此在研究设计阶段就应考虑足够的对象数量。
8 常见问题
8.1 负值ICC的出现
ICC出现负值通常说明组内误差成分大于组间差异，或样本中的真实变异很弱。多数情况下，负值会被解释为“可靠性极差”，但具体处理方式应遵循所用统计方法和软件输出规则。
8.2 缺失值处理
缺失值会影响方差分解和均方计算，因此不能随意忽略。常见处理方式包括剔除缺失个案、使用适当的补全方法，或选用能够处理不平衡数据的模型。不同方法可能导致ICC结果有所差异。
8.3 不平衡设计下的计算
当不同对象的测量次数不一致，或评分者组合并不完全相同，数据就形成不平衡设计。这类情形下，简单公式未必适用，通常需要使用更一般化的方差成分模型或专门软件来估计。
8.4 误用与误解
ICC常被误解为“只要数值高就一定好”，但实际上它受样本结构、模型选择和测量目的共同影响。另一个常见误区是把ICC与相关系数等同，忽略了绝对一致性和可靠性评价的差别。
9 软件实现
9.1 统计软件中的ICC功能
主流统计软件通常都提供ICC计算功能，常见实现包括方差分析法和混合效应模型法。用户在选择功能时，应注意软件默认模型是否与研究设计匹配，因为不同默认设置可能对应不同的ICC类型。
9.2 结果输出与参数设置
软件输出通常包含ICC点估计、置信区间、F检验或方差分量等信息。参数设置方面，研究者需要明确测量者是否固定、结果采用单次还是平均值、以及是否要求绝对一致性，否则结果解释可能偏离研究目的。
9.3 复现与验证
为了保证研究可重复，建议在报告中尽量提供软件版本、关键参数和计算模型。若条件允许，还可通过手工公式或第二种软件进行交叉验证，以减少因默认设置差异导致的偏差。
10 相关概念比较
10.1 与Cronbach's alpha的比较
Cronbach's alpha常用于衡量量表内部一致性，而ICC更强调对象间或评分者间的可靠性。两者在某些条件下会产生接近结果，但它们的适用场景并不完全相同，不能简单互相替代。
10.2 与Pearson相关系数的比较
Pearson相关系数关注线性关系，不直接衡量一致程度；ICC则关注重复测量是否稳定、是否接近。两个变量即使相关很高，也可能在数值上存在系统偏移，因此相关高不等于一致高。
10.3 与Kappa系数的比较
Kappa系数主要用于分类变量的一致性分析，适合名义或有序类别判断；ICC则面向连续型或近似连续型数据。若数据是评分等级且近似连续，ICC有时更合适；若是明确类别判定，则Kappa更常用。
10.4 与变异系数的比较
变异系数反映离散程度相对于均值的大小，侧重描述数据分布的相对波动。ICC则强调组内一致性和组间差异的比例，两者关注角度不同，不能直接混为一谈。