Cómo calcular el coeficiente de correlación intraclase en Python

Actualizado por ultima vez el 7 de mayo de 2021, por .

Se utiliza un coeficiente de correlación intraclase (ICC) para determinar si los elementos o sujetos pueden ser calificados de manera confiable por diferentes evaluadores.

El valor de un ICC puede variar de 0 a 1, donde 0 indica que no hay confiabilidad entre los evaluadores y 1 indica una confiabilidad perfecta.

La forma más fácil de calcular ICC en Python es usar la función pingouin.intraclass_corr () del paquete estadístico pingouin , que usa la siguiente sintaxis:

pingouin.intraclass_corr (datos, objetivos, evaluadores, calificaciones)

dónde:

  • datos: el nombre del marco de datos
  • objetivos: nombre de la columna que contiene los «objetivos» (las cosas que se califican)
  • evaluadores: nombre de la columna que contiene a los evaluadores
  • calificaciones: nombre de la columna que contiene las calificaciones

Este tutorial proporciona un ejemplo de cómo utilizar esta función en la práctica.

Paso 1: instala Pingouin

Primero, debemos instalar Pingouin:

pip instalar pingouin

Paso 2: crear los datos

Suponga que se les pide a cuatro jueces diferentes que califiquen la calidad de seis exámenes de ingreso a la universidad diferentes. Podemos crear el siguiente marco de datos para mantener las calificaciones de los jueces:

importar pandas como pd

#create DataFrame
 df = pd. DataFrame ({' examen ': [1, 2, 3, 4, 5, 6, 1, 2, 3, 4, 5, 6,
                            1, 2, 3, 4, 5, 6, 1, 2, 3, 4, 5, 6],
                   ' juez ': ['A', 'A', 'A', 'A', 'A', 'A',
                             'B', 'B', 'B', 'B', 'B', 'B',
                             'C', 'C', 'C', 'C', 'C', 'C',
                             'D', 'D', 'D', 'D', 'D', 'D'],
                   ' calificación ': [1, 1, 3, 6, 6, 7, 2, 3, 8, 4, 5, 5,
                              0, 4, 1, 5, 5, 6, 1, 2, 3, 3, 6, 4]})

#ver las primeras cinco filas de DataFrame
 df. cabeza ()

	calificación del juez de examen
0 1 A 1
1 2 A 1
2 3 A 3
3 4 A 6
4 5 A 6

Paso 3: Calcule el coeficiente de correlación intraclase

A continuación, usaremos el siguiente código para calcular el coeficiente de correlación intraclase:

importar pingouin como pg

icc = pág. intraclass_corr (datos = gl, objetivos = ' examen ', calificadores = ' juez ', calificaciones = ' calificación ')

icc. set_index (' Tipo ')

        Descripción ICC F df1 df2 pval CI95%
Tipo							
ICC1 Evaluadores individuales absolutos 0.505252 5.084916 5 18 0.004430 [0.11, 0.89]
Evaluadores aleatorios únicos ICC2 0.503054 4.909385 5 15 0.007352 [0.1, 0.89]
ICC3 Evaluadores fijos simples 0.494272 4.909385 5 15 0.007352 [0.09, 0.88]
ICC1k Promedio de evaluadores absoluto 0.803340 5.084916 5 18 0.004430 [0.33, 0.97]
ICC2k Promedio de evaluadores aleatorios 0.801947 4.909385 5 15 0.007352 [0.31, 0.97]
ICC3k Promedio de evaluadores fijos 0,796309 4,909385 5 15 0,007352 [0,27, 0,97]

Esta función devuelve los siguientes resultados:

  • Descripción: el tipo de ICC calculado
  • ICC: el coeficiente de correlación intraclase (ICC)
  • F: el valor F del ICC
  • df1, df2: los grados de libertad asociados con el valor F
  • pval: el valor p asociado con el valor F
  • IC95%: el intervalo de confianza del 95% para el ICC

Observe que aquí se calculan seis ICC diferentes. Esto se debe a que hay varias formas de calcular el ICC según los siguientes supuestos:

  • Modelo: efectos aleatorios unidireccionales, efectos aleatorios bidireccionales o efectos mixtos bidireccionales
  • Tipo de relación: consistencia o acuerdo absoluto
  • Unidad: calificador único o la media de calificadores

Para obtener una explicación detallada de estos supuestos, consulte este artículo .

  • https://r-project.org
  • https://www.python.org/
  • https://www.stata.com/

Deja un comentario

Hay tres funciones diferentes que puede usar para calcular la varianza en Excel: 1. VAR.P: Esta función calcula la varianza…
statologos comunidad-2

Compartimos información EXCLUSIVA y GRATUITA solo para suscriptores (cursos privados, programas, consejos y mucho más)

You have Successfully Subscribed!